CN113095323A - 一种基于sift改进的数字图像相关法可实时检测方法 - Google Patents
一种基于sift改进的数字图像相关法可实时检测方法 Download PDFInfo
- Publication number
- CN113095323A CN113095323A CN202110438916.5A CN202110438916A CN113095323A CN 113095323 A CN113095323 A CN 113095323A CN 202110438916 A CN202110438916 A CN 202110438916A CN 113095323 A CN113095323 A CN 113095323A
- Authority
- CN
- China
- Prior art keywords
- formula
- sub
- image
- gaussian
- scale
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000011897 real-time detection Methods 0.000 title claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 44
- 238000006073 displacement reaction Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000006872 improvement Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 29
- 230000000875 corresponding effect Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 9
- 230000001276 controlling effect Effects 0.000 claims description 5
- 238000005314 correlation function Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002035 prolonged effect Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 6
- 239000000463 material Substances 0.000 description 17
- 238000005259 measurement Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005452 bending Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000004567 concrete Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于SIFT改进的数字图像相关法可实时检测方法,它涉及一种变形检测方法;它包含如下步骤:一、获取变形前后的灰度图像;二、计算亚像素曲面拟合;三、计算亚像素插值;四、建立不同高斯尺度空间构造连续尺度图像金字塔;五、从连续尺度空间中搜索和筛选特征点;六、结合所选取的特征点构建分析子区域;七、变形子区域位移计算;八、使用位移特征向量表示变形。本发明在保证位移场连续性的同时,使得调整计算速度和精度更加简洁方便在两个参数之间权衡,改进后的算法没有增加计算复杂度,节约前处理时间且对复杂边界具有更好的适应性,在相同的计算速度条件下可以达到更高的计算精度。
Description
技术领域
本发明涉及一种变形检测方法,具体涉及一种基于SIFT改进的数字图像相关法可实时检测方法。
背景技术
土木工程材料如砂土、混凝土、岩石等具有多种材料混合而成。这些不同的材料极易形成粗糙不一的表面,这些表面对于光的反射效果会存在一定的差异,而这些差异有随机、非均匀等特点,因此捕捉这些差异可以在数字图像相关法中作为描述材料表面的一个特征。
当下土工材料变形监测方法一般用传感器法、超声波法等,而传感器法更为普遍。在受力试件,如建筑物和实验材料表面或内部粘贴或埋入许多变压片,实时监测这些应变片的电压变化换算成变形情况,可以实现建筑物变形检测。但是此方法会对材料本身的强度或变形状态造成影响,同时会容易失灵且装置部署较为繁琐。
土工材料或结构的变形检测在实验室中或工程上被广泛应用,而电阻应变测量是材料变形监测领域的传统方法。将应变计粘合在被测构件表面,当受力变形时,应变计顺着构件一起变形,此时变形计的电阻值产生相应的变化,通过电阻应变仪测量应变计中电阻的改变并转换成应变值,测量应变的仪器主要有线性位移传感器和引伸计等,但测量仪器线路繁复,仅能用于单点单向测量且在获取完整结果前需做精准装置。由于测量应变常用的应变片需要提前贴片部署复杂,且测量的往往是一定面积内的平均应变,对于某些无法直接接触场合也不适用。
数字图像相关法是一种光学变形检测方法,其基本原理是采集和分析变形前后的变形图像得到试件表面的变形情况,从而避免了电阻法和传感器法等对待测对象的物理影响的缺点;同时应用光测量方法进行变形检测使得分析材料的获取和分析过程更加方便和快速。SIFT算法是一种基于尺度变换的特征匹配算法它通过高斯滤波器平滑图像后构建多个连续尺度的空间,并提取出这些在连续尺度中变化量极小的尺度不变不特征点,这些特征具有旋转和尺度不变性,常用以计算机视觉的特征匹配中。同时国内外的一些学者在该算法应用于特征提取的应用方向上对该算法进行了改进。
发明内容
本发明的目的在于针对现有技术的缺陷和不足,通过应用计算机视觉相关技术,提供一种基于SIFT改进的数字图像相关法可实时检测方法,在传统的数字图像相关法分析材料变形的技术方案的基础上,对其中的部分分析方法和流程进行改进,在保证高精度的同时,能够大幅度提高数字图像相关法的分析速度,同时没有增加分析时前处理和后处理的复杂度。
为实现上述目的,本发明采用的技术方案是:它包含如下步骤:
一、获取变形前后的灰度图像;
二、计算亚像素曲面拟合;
三、计算亚像素插值;
四、建立不同高斯尺度空间构造连续尺度图像金字塔;
五、从连续尺度空间中搜索和筛选特征点控制计算速度;
六、结合所选取的特征点构建分析子区域;
七、变形子区域位移计算;
八、使用位移特征向量表示变形。
进一步地,步骤一中获取变形前后的灰度图像的具体方法如下:CDD相机可以直接捕捉灰度图像,或通过输入RGB彩色图像,经计算机转化获取子区域的灰度图像,彩色图像的灰度化公式如公式(1)所示;
进一步地,步骤二中计算亚像素曲面拟合的方法如下:构造曲面拟合形函数表达式,通过使用牛顿迭代法可以计算出曲面拟合公式中的系数,曲面拟合表达式如公式(2)所示:
进一步地,步骤三中计算亚像素插值的方法如下:根据拟合的形函数映射关系进行插值,在整数像素点位置之间***亚像素点;将亚像素的对应的小数位置代入拟合得到的形函数即可近似估计亚像素精度差值的得到的像素点对应的灰度值的大小;插值之后可以得到亚像素为分度值的更为平滑的灰度图像。
进一步地,步骤四中建立不同高斯尺度空间构造连续尺度图像金字塔的方法如下:将得到的多条高斯样条曲线,在子区域进行不同尺度的高斯模糊;单一高斯尺度模板的计算公式如下:
其中,为高斯卷积模板,为卷积前的灰度图像,为卷积后的灰度图像,e为自然对数的底数,分别为距离所选模板上点距离中心点的水平距离和数值距离,为高斯模板的空间尺度大小,高斯卷积模板的尺寸选择由所指定的高斯卷积核的方差所确定;
其中:M,N是子区域的长宽大小,即多少个像素倍数。
进一步地,步骤五中从连续尺度空间中搜索和筛选特征点控制计算速度的具体方法如下:通过建立高斯连续尺度构建高斯图像金字塔后,对相邻尺度的高斯金字塔进行差分,得到高斯差分矩阵;在不同尺度下的灰度值变化较小的点为尺度不变特征点,对高斯差分矩阵计算绝对值搜索极小值,将极小值作临时特征点;对极值点周围进行曲面拟合,构建表示该特征点两个方向灰度值变化的梯度变化矩阵——海森矩阵,如公式(7)所示:
公式(7)中,为灰度在x方向上的变化梯度对x方向的偏导数,为灰度在x方向上的变化梯度对y方向的偏导数;海森矩阵对应有两个特征值,这两个特征值的比值称为主曲率,通过控制主曲率阈值的大小控制所选取的特征点的分布密度,分布密度直接决定了计算速度,同时可以保持较高的计算精度。
进一步地,步骤六中结合所选取的特征点构建分析子区域的具体方法如下:以每个所选取的待计算特征点为中心,18-40像素为边长构建图像子区域;通过在参考图像构建子区域,子区域的灰度变化特征作为图像的散斑特征;同时在变形图像中对应位置构建相同大小的图像子区域,最终通过计算相关系数峰值来匹配两幅图像中的对应子区域;使用梯度下降法搜索相关系数最大的子区域,可以有效提升搜索时间;
借助概率统计中相关系数函数计算感兴趣区域内各散斑的相似度,相关系数求解公式如公式(8)所示:
进一步地,步骤七中变形子区域位移计算方法如下:
且A、B两点存在如下关系式:
进一步地,步骤八中使用位移特征向量表示变形时采用非特征点位移的插值方法,非特征点的差值通过已计算的特征点得到的位移变化插值计算。
采用上述方案后,本发明有益效果为:本发明所述的一种基于SIFT改进的数字图像相关法可实时检测方法,具有以下优点:
1、方法突破,效率提高:通过对试件受力分析而布置较多数量的应变片,大量的预处理和后处理过程,同时改进后的分析过程大大的减少了整体的计算量,可以大大的提高计算精度,从而实现实时监测的目的;
2、外界影响小,稳定性高:SIFT特征是图像的基本特征,其对旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变换、噪声也保持一定程度的稳定性;因此在一定的范围内可以忽略外界环境如光照等对试件的表面特征的影响,整个分析方案具有很高的环境适应性,和计算稳定性;
3、实时检测,对待测物体的影响小:400*300像素图片在精度90%的情况下,所需时间仅1.5秒,在保证较高精度的前提下可以大大提高计算速度实现实时测量;同时整个分析过程不需要对试件表面进行改动,因此可减少对试件的物理影响;
4、适用性强、受用性大:计算速度和精度调整简便,使得可以更好地权衡速度和精度的关系;同时具有较强的可扩展性,可以很方便的与其他形式的特征向量进行联合。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明变形重合率与精度的变化关系图;
图2是本发明算法改进流程图;
图3是本发明的简要程序框图;
图4是不同高斯模板下构造的数字金字塔;
图5是实施例变形前的图像;
图6是实施例变形后的图像;
图7是本发明程序精度和速度的关系图。
具体实施方式
下面结合附图,对本发明作进一步的说明。
实施例:一种基于SIFT改进的数字图像相关法可实时检测方法,参看图2-4所示,它包含如下步骤:
一、获取变形前后的灰度图像:
CDD相机可以直接捕捉灰度图像,或通过输入RGB彩色图像,经计算机转化获取子区域的灰度图像,彩色图像的灰度化公式如公式(1)所示;
二、计算亚像素曲面拟合:
构造曲面拟合形函数表达式,通过使用牛顿迭代法可以计算出曲面拟合公式中的系数,曲面拟合表达式如公式(2)所示:
三、计算亚像素插值:
根据拟合的形函数映射关系进行插值,在整数像素点位置之间***亚像素点;将亚像素的对应的小数位置代入拟合得到的形函数即可近似估计亚像素精度差值的得到的像素点对应的灰度值的大小;插值之后可以得到亚像素为分度值的更为平滑的灰度图像;
四、建立不同高斯尺度空间构造连续尺度图像金字塔:
将得到的多条高斯样条曲线,在子区域进行不同尺度的高斯模糊;单一高斯尺度模板的计算公式如下:
其中,为高斯卷积模板,为卷积前的灰度图像,为卷积后的灰度图像,e为自然对数的底数,分别为距离所选模板上点距离中心点的水平距离和数值距离,为高斯模板的空间尺度大小,高斯卷积模板的尺寸选择由所指定的高斯卷积核的方差所确定;
其中:M,N是子区域的长宽大小,即多少个像素倍数;
本实施例根据高斯连续尺度变换原理,基于基本尺度构建连续的高斯尺度空间,建立高斯连续尺度图像金字塔;根据得到高斯金字塔得到的连续尺度空间,进行相邻尺度的图像差分,找到在连续尺度下的尺度不变特征转换特征点;该连续尺度的基准尺度为,连续高斯尺度的比例系数为:;
五、从连续尺度空间中搜索和筛选特征点:
通过建立高斯连续尺度构建高斯图像金字塔后,对相邻尺度的高斯金字塔进行差分,得到高斯差分矩阵;在不同尺度下的灰度值变化较小的点为尺度不变特征点,因此对高斯差分矩阵计算绝对值搜索极小值,将极小值作临时特征点;一般来说这种方法直接计算搜索得到的极小值点会对几乎所有的轮廓特征进行相应,因此会得到大量的伪特征点;因此对极值点周围进行曲面拟合,构建表示该特征点两个方向灰度值变化的梯度变化矩阵——海森矩阵,如公式(7)所示:
公式(7)中,为灰度在x方向上的变化梯度对x方向的偏导数,为灰度在x方向上的变化梯度对y方向的偏导数;海森矩阵对应有两个特征值,这两个特征值的比值称为主曲率,因此通过控制主曲率阈值的大小可以控制所选取的特征点的分布密度;主曲率阈值选取越大,则得到的特征点的数量越少,但特征点所表示的特征位置作为结构轮廓更加明显;若选取的特征点密度或数量过小,则可以通过增加随机噪声的方式来增加和填充待计算点的密度,以保证计算精度;
六、结合所选取的特征点构建分析子区域:
以每个所选取的待计算特征点为中心,18-40像素为边长构建图像子区域;通过在参考图像构建子区域,子区域的灰度变化特征作为图像的散斑特征;同时在变形图像中对应位置构建相同大小的图像子区域,最终通过计算相关系数峰值来匹配两幅图像中的对应子区域;使用梯度下降法搜索相关系数最大的子区域,可以有效提升搜索时间;
借助概率统计中相关系数函数计算感兴趣区域内各散斑的相似度,相关系数求解公式如公式(8)所示:
七、变形子区域位移计算:
且A、B两点存在如下关系式:
本实施例实验前后的位移变化图像如图5-6所示;
八、使用位移特征向量表示变形:非特征点位移的插值方法:
非特征点的差值可以通过已计算的特征点得到的位移变化插值计算;由于混凝土和土体材料等在发生微小变形时可以近似看做连续力学介质;因此其计算得到的变形状态应当在一定范围内是连续的,因此可以通过函数拟合得到一段区域内的变形变化趋势;
根据材料力学的相关理论可知,在拉压弯剪扭五种受力状态时,只有弯曲其变形方程为高次函数,其他均为一次函数,因此可以统一使用一次线性函数估计变形情况;同时又因为待计算特征点之间的间距不会过大,会小于所选取的计算子区域的边长;因此可以在小范围内使用已经计算得到的变形值之间做线性插值以估计其他未计算点的变形情况。
本实施例应用尺度不变特征转换算法将数字散斑相关方法进行改进,对于土木工程材料来说可以免去材料表面制作散斑的预处理过程;同时应用特征点代替全场测量的方法可以大大减少计算数量以提高计算速度;又因为土工材料的变形特性具有连续性,通过对特征点的计算结果进行插值可以较为准确地估计其他非特征位置的实际变形,因此可以保持较高精度;另外,本发明实现了亚像素测量技术,极大地提高了数字图像相关法的测量精度。
由于图像的基本单元是像素,要实现亚像素精度的测量,需要亚像素图像处理方法;常用的方法有曲面拟合法,相关系数法等;本实施例根据试件本身的灰度是连续的这一特点,应用构造二曲面拟合函数根据像素灰度的分布情况进行曲面拟合后对亚像素位置灰度进行插值计算;亚像素的精度选择可以结合所需要测量的实际变形测量所需要的精度来确定;因此在执行变形计算前,可以使用二元二阶曲面形函数进行拟合插值的方法可以实现图像插值预处理;
本实施例采用尺度不变特征转换算法通过构建连续的高斯尺度空间,搜索在不同的高斯尺度空间下其灰度值的大小几乎不发生变化的点做作为尺度不变特征点,代替传统的数字图像相关法的测量方法;通过尺度不变特征转换后得到的特征点的数量和密度可以通过控制一个曲率阈值进行控制,因此在整个分析方法中根据不同的要求对算法所需的速度和精度进行权衡和调整也极为简便;
根据岩土材料的变形连续性原理,对于常见的变形形式如拉伸、压缩、弯曲、扭转、剪切来说,两个相邻的关键点之间的未计算像素点对应子区域的位移。本实施例通过已计算的两个相邻关键点变形对其间的像素点进行线性插值结果可以用来估计其他未计算点的变形;对该方法与全场计算法的计算结果进行对比可以较好地估计全场变形情况,经过试验结分析,该估计方法能够很简单地达到90%以上的精度。
本实施例通过调节特征点的占比数量达到精度可控、速度快的效果。改进后的算法由于直接计算的是特征点,计算得到的各个像素点的位移不一定能全部完全与传统方法相同;假定原始的数字图像相关法计算的得到的每一个像素点的变形特性准确无误,那么可以使用改进后算法得到的每个像素点的变形情况与原始的计算方法所得到的每个像素点的变形情况相同与不同进行对比,得到两组计算方法像素变形的重合率。
图1表示的是变形重合率与所计算的特征点密度的变化关系;本实施例使用该变形的重合率来评价改进后的数字图像相关法的计算精度,通过减少计算点的量达到降低计算量的目的,从而提升了计算机计算速度;特征点的个数在整个区域的占比是小部分,根据调控特征点的占比大小以此控制最后的精度。
同时在不同的尺度空间下,在特征点一般以极值点形式搜索得到;搜索得到的极值点与其周围点的梯度变化关系称为曲率,根据曲率的和回转半径的大小可以将特征点分类为不同程度的极值点,因此可以通过控制所选曲率表达式的大小和范围来控制所需计算的特征点的等级和密度。
与现有技术相比,本发明的有益效果在于:在保证位移场连续性的同时,精确度高,操作简单便捷,节约前处理时间且对复杂边界具有更好的适应性,具有更高的计算精度。
精度和速度的关系如图7所示;图7中N为速度倍数,横坐标为精度,在保证计算结果与传统计算结果的变形重合率达99.5%的情况下,可以提高4-6倍的计算速度,在变形重合率达90%的情况下,可以提高12倍的计算速度,想要提升改进后的算法计得到结果的精度,必须牺牲速度的提升。
以上所述,仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于SIFT改进的数字图像相关法可实时检测方法,其特征在于它包含如下步骤:
一、获取变形前后的灰度图像;
二、计算亚像素曲面拟合;
三、计算亚像素插值;
四、建立不同高斯尺度空间构造连续尺度图像金字塔;
五、从连续尺度空间中搜索和筛选特征点控制计算速度;
六、结合所选取的特征点构建分析子区域;
七、变形子区域位移计算;
八、使用位移特征向量表示变形。
4.根据权利要求1所述的一种基于SIFT改进的数字图像相关法可实时检测方法,其特征在于步骤三中计算亚像素插值的方法如下:根据拟合的形函数映射关系进行插值,在整数像素点位置之间***亚像素点;将亚像素的对应的小数位置代入拟合得到的形函数即可近似估计亚像素精度差值的得到的像素点对应的灰度值的大小;插值之后可以得到亚像素为分度值的更为平滑的灰度图像。
5.根据权利要求1所述的一种基于SIFT改进的数字图像相关法可实时检测方法,其特征在于步骤四中建立不同高斯尺度空间构造连续尺度图像金字塔的方法如下:将得到的多条高斯样条曲线,在子区域进行不同尺度的高斯模糊;单一高斯尺度模板的计算公式如下:
其中,为高斯卷积模板,为卷积前的灰度图像,为卷积后的灰度图像,e为自然对数的底数,分别为距离所选模板上点距离中心点的水平距离和数值距离,为高斯模板的空间尺度大小,高斯卷积模板的尺寸选择由所指定的高斯卷积核的方差所确定;
其中:M,N是子区域的长宽大小,即多少个像素倍数。
6.根据权利要求1所述的一种基于SIFT改进的数字图像相关法可实时检测方法,其特征在于步骤五中从连续尺度空间中搜索和筛选特征点控制计算速度的具体方法如下:通过建立高斯连续尺度构建高斯图像金字塔后,对相邻尺度的高斯金字塔进行差分,得到高斯差分矩阵;在不同尺度下的灰度值变化较小的点为尺度不变特征点,对高斯差分矩阵计算绝对值搜索极小值,将极小值作临时特征点;对极值点周围进行曲面拟合,构建表示该特征点两个方向灰度值变化的梯度变化矩阵——海森矩阵,如公式(7)所示:
7.根据权利要求1所述的一种基于SIFT改进的数字图像相关法可实时检测方法,其特征在于步骤六中结合所选取的特征点构建分析子区域的具体方法如下:以每个所选取的待计算特征点为中心,18-40像素为边长构建图像子区域;通过在参考图像构建子区域,子区域的灰度变化特征作为图像的散斑特征;同时在变形图像中对应位置构建相同大小的图像子区域,最终通过计算相关系数峰值来匹配两幅图像中的对应子区域;使用梯度下降法搜索相关系数最大的子区域,可以有效提升搜索时间;
借助概率统计中相关系数函数计算感兴趣区域内各散斑的相似度,相关系数求解公式如公式(8)所示:
9.根据权利要求1所述的一种基于SIFT改进的数字图像相关法可实时检测方法,其特征在于步骤八中使用位移特征向量表示变形时采用非特征点位移的插值方法,非特征点的差值通过已计算的特征点得到的位移变化插值计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110438916.5A CN113095323A (zh) | 2021-04-23 | 2021-04-23 | 一种基于sift改进的数字图像相关法可实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110438916.5A CN113095323A (zh) | 2021-04-23 | 2021-04-23 | 一种基于sift改进的数字图像相关法可实时检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113095323A true CN113095323A (zh) | 2021-07-09 |
Family
ID=76679613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110438916.5A Withdrawn CN113095323A (zh) | 2021-04-23 | 2021-04-23 | 一种基于sift改进的数字图像相关法可实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095323A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114526682A (zh) * | 2022-01-13 | 2022-05-24 | 华南理工大学 | 一种基于图像特征增强数字体图像相关法的变形测量方法 |
CN117329977A (zh) * | 2023-11-28 | 2024-01-02 | 中国飞机强度研究所 | 复杂工况下结构疲劳裂纹视觉特征表征与测量处理方法 |
-
2021
- 2021-04-23 CN CN202110438916.5A patent/CN113095323A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114526682A (zh) * | 2022-01-13 | 2022-05-24 | 华南理工大学 | 一种基于图像特征增强数字体图像相关法的变形测量方法 |
CN117329977A (zh) * | 2023-11-28 | 2024-01-02 | 中国飞机强度研究所 | 复杂工况下结构疲劳裂纹视觉特征表征与测量处理方法 |
CN117329977B (zh) * | 2023-11-28 | 2024-02-13 | 中国飞机强度研究所 | 复杂工况下结构疲劳裂纹视觉特征表征与测量处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109883533B (zh) | 基于机器视觉的低频振动测量方法 | |
CN105139412B (zh) | 一种高光谱图像角点检测方法与*** | |
CN101539629B (zh) | 基于多特征证据融合与结构相似度的遥感图像变化检测方法 | |
CN107328502B (zh) | 一种锚杆托盘载荷可视化数字成像方法 | |
CN104657955B (zh) | 基于核函数的数字图像相关方法的位移场迭代平滑方法 | |
CN113095323A (zh) | 一种基于sift改进的数字图像相关法可实时检测方法 | |
CN104657999B (zh) | 一种基于核函数的数字图像相关方法 | |
CN111354033B (zh) | 基于特征匹配的数字图像测量方法 | |
CN108765476A (zh) | 一种偏振图像配准方法 | |
CN111640104B (zh) | 一种螺钉装配的视觉检测方法 | |
CN115096206B (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
CN110378924A (zh) | 基于局部熵的水平集图像分割方法 | |
CN116129037B (zh) | 视触觉传感器及其三维重建方法、***、设备及存储介质 | |
CN102510437B (zh) | 基于rgb分量分布的视频图像背景检测方法 | |
CN112801141B (zh) | 基于模板匹配和孪生神经网络优化的异源图像匹配方法 | |
CN113642397A (zh) | 一种基于手机视频的物体长度测量方法 | |
CN117372480A (zh) | 一种利用自适应下采样与曲率增强点对特征的点云配准方法 | |
CN116664531A (zh) | 一种基于深度学习的大变形测量方法及*** | |
CN111126508A (zh) | 一种基于hopc改进的异源图像匹配方法 | |
CN116051808A (zh) | 一种基于YOLOv5的轻量化零件识别定位方法 | |
CN111899284B (zh) | 一种基于参数化esm网络的平面目标跟踪方法 | |
CN113807238A (zh) | 一种河道水面漂浮物面积的视觉测量方法 | |
CN108917632B (zh) | 一种高效率高精度数字图像相关位移后处理方法 | |
Deshpande et al. | Super resolution based low cost vision system | |
CN113888616B (zh) | 一种结构不规则运动高精度测量的窗口自适应光流算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210709 |