三维数字散斑图像的半立体校正匹配方法组成比例

本发明专利技术公开了三维数字散斑图像的半立体校正匹配方法，包括以下步骤：S1、获取待测物体的散斑图像，所述散斑图像包括原参考图像和原目标图像；S2、将粗、精匹配分别作用于校正后图像与原图像，所述校正后图像为经过立体校正的参考图像和目标图像，所述原图像为步骤S1中获取的散斑图像。本发明专利技术引入立体校正技术优化粗匹配过程，同时避免在精匹配过程引入额外的系统误差，可有效提升立体匹配的效率和成功率，并且不会因立体校正引入额外的系统误差，使用立体校正算法将传统立体匹配方法中斜极线搜索优化为水平线搜索，水平线搜索可使用积分图法加速粗匹配进程，这使得粗匹配的效率获得了显著提高。显著提高。显著提高。

【技术实现步骤摘要】
三维数字散斑图像的半立体校正匹配方法


[0001]本专利技术涉及三维数字散斑位移和应变测量
，具体为三维数字散斑图像的半立体校正匹配方法。

技术介绍

[0002]数字图像相关法(Digital image correlation，DIC)是一种新型的无损非接触测量方法，因其实验要求宽松、全场测量、高空间分辨率、高精度等优点，在材料性能测量，结构状态监测，生物力学等领域具有广泛应用。DIC基于摄影记录待测物变形前后图像，根据事先在待测物表面制造的散斑纹理进行相关分析，进而得到物体的位移和应变信息；DIC包括二维数字图像相关法(2D
‑
DIC)和三维数字图像相关法(3D
‑
DIC)，立体匹配是3D
‑
DIC中的关键步骤，立体匹配的成功与否及精度高低将直接影响三维重构效果，进而影响最终测量精度。3D
‑
DIC中立体匹配一般通过粗、精匹配来实现，即首先通过粗匹配获取同名点的大致位置，然后在粗匹配结果的基础上进行精匹配，提升匹配精度以达到实际应用需要。经典3D
‑
DIC的立体匹配中粗匹配则采用ZNCC(Zero mean normalized cross correlation)算法，精匹配最常使用反向组合高斯牛顿(InverseCompositional Gauss
‑
Newton，IC
‑
GN)算法。
[0003]在3D
‑
DIC立体匹配中存在两个问题：其一，测量时需要获得较大的重叠视场，双目相机需要保持一定夹角形成倾斜视场，这导致左右图像的特征发生畸变，从而降低左右图像之间的相关性，这可能导致立体匹配在粗匹配阶段失败，也就无法进行后续的精匹配；其二，ZNCC算法沿极线搜索冗余计算较多，导致粗匹配阶段耗时过长，进而降低3D
‑
DIC整体的计算速度。

技术实现思路

[0004]本专利技术的目的在于提供三维数字散斑图像的半立体校正匹配方法，引入立体校正技术优化3D
‑
DIC粗匹配过程，同时避免在精匹配过程引入额外的系统误差，可有效提升立体匹配的效率和成功率，并且不会因立体校正引入额外的系统误差，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：三维数字散斑图像的半立体校正匹配方法，包括以下步骤：
[0006]S1、获取待测物体的散斑图像，所述散斑图像包括原参考图像和原目标图像；
[0007]S2、对散斑图像进行半立体校正匹配，将粗、精匹配分别作用于校正后图像与原图像，所述校正后图像为经过立体校正的参考图像和目标图像，所述原图像为步骤S1中获取的散斑图像。
[0008]优选的，所述步骤S2中，半立体校正匹配的过程如下：
[0009]S2.1、立体校正：对原参考图像和原目标图像进行立体校正，获取校正后参考图像和校正后目标图像；
[0010]S2.2、参考子区域中心坐标校正变换：利用校正矩阵将原参考图像中的参考子区中心坐标转换得到对应的校正后参考图像的参考子区中心坐标，并以此中心坐标建立新的参考子区；
[0011]S2.3、ZNCC匹配：利用S2.2中得到的新参考子区，在校正后目标图像中进行ZNCC粗匹配；
[0012]S2.4、进行ZNCC粗匹配结果逆校正变换；
[0013]S2.5、IC
‑
GN匹配：利用S2.4中所得的原目标图像迭代初值，通过IC
‑
GN算法进行精匹配。
[0014]优选的，所述S2.1中，采用Fusiello立体校正法，得到原参考图像和原目标图像的校正变换矩阵，并计算出校正后图像，校正前后成像系统的像素坐标存在如下式所示关系：其中m
ol
，m
or
分别表示校正前的原参考图像和原目标图像的齐次坐标，m
nl
，m
nr
分别是校正后参考图像和校正后目标图像的齐次坐标，T
l
，T
r
分别为原参考图像和原目标图像的的校正矩阵。
[0015]优选的，所述步骤S2.4中，将S2.3中在校正后图像中所得的粗匹配结果，通过逆校正变换为原目标图像中迭代初值。
[0016]优选的，所述步骤S2.3中，利用步骤S2.2中得到的新参考子区，在立体校正后的目标图像中利用经过积分图技术加速过的ZNCC算法完成粗匹配；ZNCC算法相关函数表达式如下：
[0017][0018]像素灰度与积分S(x,y)存在下列关系：
[0019]f(x,y)＝S(x,y)+S(x
‑
1,y
‑
1)
‑
S(x
‑
1,y)
‑
S(x,y
‑
1)，
[0020]其中，S(x,y)表示从第一行第一列到第x行第y列区间内的所有像素灰度的累加和，f(x,y)为一像素点灰度，y∈[1,n]，且y∈Z；同理，可得像素灰度平方f2(x,y)与积分S2(x,y)的关系式：
[0021]f2(x,y)＝S2(x,y)+S2(x
‑
1,y
‑
1)
‑
S2(x
‑
1,y)
‑
S2(x,y
‑
1)，
[0022]当需要计算以(x,y)为中心，半径为N的子区内像素灰度累加和时，由积分法计算：
[0023][0024][0025]优选的，所述步骤S2.1立体校正过程中，相机投影矩阵的表达式为则校正前左右相机投影矩阵P
o1
,P
o2
表示为表示为左右光心c1，c2坐标为
[0026]校正后左右相机具有同样的旋转矩阵R，校正后的左右相机的投影矩阵P
n1
和P
n2
分别表示为其中，K
n1
，K
n2
是校正后相机的内参；校正后旋转矩阵R构造：校正后的双相机系统与原系统的光心坐标不变，以c1c2连线作为校正后的X轴，以原左相机的Z轴与新X轴叉乘，作为校正后的Y轴，校正后的Y轴与校正后的X轴叉乘，得到校正后的Z轴，则旋转矩阵表示为其中r1＝(c1
‑
c2)/||c1
‑
c2||，r2＝k
×
r1，r3＝r1×
r2，k表示原左相机的Z轴，立体校正矩阵构造：其中T
l
，T
r
分别表示左右相机校正前后像素齐次坐标的之间的转换矩阵。
[0027]与现有技术相比，本专利技术的有益效果是：
[0028]1、本专利技术的半立体校正匹配法在校正后参考图像和校正后目标图像中完成粗匹配后，将粗匹配获得的目标子区中心坐标经逆校正变换到原目标图像中，并在未校正的原目标图像中执行精匹配，与传统立体匹配方法相比，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.三维数字散斑图像的半立体校正匹配方法，其特征在于，包括以下步骤：S1、获取待测物体的散斑图像，所述散斑图像包括原参考图像和原目标图像；S2、将粗、精匹配分别作用于校正后图像与原图像，所述校正后图像为经过立体校正的参考图像和目标图像，所述原图像为步骤S1中获取的散斑图像。2.根据权利要求1所述的三维数字散斑图像的半立体校正匹配方法，其特征在于，所述步骤S2中，半立体校正匹配的过程如下：S2.1、立体校正：对原参考图像和原目标图像进行立体校正，获取校正后参考图像和校正后目标图像；S2.2、参考子区域中心坐标校正变换：利用校正矩阵将原参考图像中的参考子区中心坐标转换得到对应的校正后参考图像的参考子区中心坐标，并以此中心坐标建立新的参考子区；S2.3、ZNCC匹配：利用S2.2中得到的新参考子区，在校正后目标图像中进行ZNCC粗匹配；S2.4、进行ZNCC粗匹配结果逆校正变换；S2.5、IC
‑
GN匹配：利用S2.4中所得的原目标图像迭代初值，通过IC
‑
GN算法进行精匹配。3.根据权利要求2所述的三维数字散斑图像的半立体校正匹配方法，其特征在于：所述S2.1中，采用Fusiello立体校正法，得到原参考图像和原目标图像的校正变换矩阵，并计算出校正后图像，校正前后成像系统的像素坐标存在如下式所示关系：其中m
ol
，m
or
分别表示校正前的原参考图像和原目标图像的齐次坐标，m
nl
，m
nr
分别是校正后参考图像和校正后目标图像的齐次坐标，T
l
，T
r
分别为原参考图像和原目标图像的的校正矩阵。4.根据权利要求2所述的三维数字散斑图像的半立体校正匹配方法，其特征在于：所述步骤S2.4中，将S2.3中在校正后图像中所得的粗匹配结果，通过逆校正变换为原目标图像中迭代初值。5.根据权利要求2所述的三维数字散斑图像的半立体校正匹配方法，其特征在于：所述步骤S2.3中，利用步骤S2.2中得到的新参考子区，在立体校正后的目标图像中利用经过积分图技术加速过的ZNCC算法完成粗匹配；ZNCC算法相关函数表达式如下：像素灰度与积分S(x,y)存在...

【专利技术属性】
技术研发人员：刘礼平，徐卓，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：