CN111986152B - 一种数字图像相关变形测量数据处理时长预测方法 - Google Patents
一种数字图像相关变形测量数据处理时长预测方法 Download PDFInfo
- Publication number
- CN111986152B CN111986152B CN202010694666.7A CN202010694666A CN111986152B CN 111986152 B CN111986152 B CN 111986152B CN 202010694666 A CN202010694666 A CN 202010694666A CN 111986152 B CN111986152 B CN 111986152B
- Authority
- CN
- China
- Prior art keywords
- dic
- representing
- subset
- pixels
- image
- 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.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005259 measurement Methods 0.000 title claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 description 6
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明是一种数字图像相关变形测量数据处理时长预测方法，对数字图像相关法数据进行子集划分后，根据划分得到的单个子集的大小不同进而对数据处理时长进行预测，具体步骤如下：步骤1，确定DIC图像在横向上的划分数目；步骤2，确定DIC图像在纵向上的划分数目；步骤3，建立单帧图像计算子集数量的计算模型；步骤4，建立单帧图像处理时长的计算模型；步骤5，建立DIC图像相关变形测量的数据处理总时长预测模型。该种方法能够对不同工况下的数字图像相关变形测量数据处理所耗费的时长进行估计，得到精准的计算时耗。
Description
技术领域
本发明是涉及数字图像相关变形测量技术领域，具体的说是一种数字图像相关变形测量数据处理时长预测方法。
背景技术
数字图像相关法(Digital Image Correlation，简称DIC)是一种利用图像进行变形测量的光学方法。该方法融合计算机视觉技术、光电技术以及图像处理技术，实现了高精度变形的非接触测量。该技术的环境适应能力较强，基本上达到了能看清即可测量的水平，已经在复合材料力学试验等领域中得到了广泛应用并取得了良好的效果
DIC技术的基本原理是对被测对象变形前后的图像数据进行分析。首先通过一台或多台工业相机获取被测对象变形过程的图像数据，然后通过数字图像相关算法将被测对象的变形图分成若干子区域并计算子区域的灰度信息的相关性。将相关性最大的区域确定为变形后的子区域，进而算得该子区域的位移信息。
使用DIC技术进行变形场测量时高的图像匹配度，高的图像分辨率以及密集的数据点是获得高质量试验结果的必要条件，但这将显著增加DIC数据处理时间。为了在保证试验结果质量的同时让DIC试验数据处理时间可控也便于合理安排计算资源，对DIC试验中参数的选择进行提前评估非常重要。
因此，有必要提供一种数字图像相关变形数据处理时长的预测方法，对DIC数据处理所选参数进行预先评价，提高试验的可控性。
发明内容
本发明针对现有技术中的不足，提供一种数字图像相关变形测量数据处理时长预测方法，该种方法能够对不同工况下的数字图像相关变形测量数据处理所耗费的时长进行估计，得到精准的计算时耗。
为实现上述目的，本发明采用以下技术方案：
一种数字图像相关变形测量数据处理时长预测方法，其特征在于：对数字图像相关法数据进行子集划分后，根据划分得到的单个子集的大小不同进而对数据处理时长进行预测，具体步骤如下：
步骤1，确定DIC图像在横向上的划分数目NL；
步骤2，确定DIC图像在纵向上的划分数目NT；
步骤3，建立单帧图像计算子集数量的计算模型；
步骤4，建立单帧图像处理时长的计算模型；
步骤5，建立DIC图像相关变形测量的数据处理总时长预测模型。
所述的对数字图像相关法数据进行子集划分采用由数字图像中心进行划分的方法。
所述的步骤1中DIC图像在横向上的划分数目NL的计算方式如下：
其中，HROI表示DIC图像的长度，单位：pixels；Lsubset表示计算子集长度，单位：pixels；Lstep表示计算步长长度，单位：pixels；表示取整函数；所述的子集为正方形结构。
所述的步骤2中DIC图像在在纵向上的划分数目NT的计算方式如下：
其中，VROI表示DIC图像的宽度，单位：pixels；Lsubset表示计算子集长度，单位：pixels；Lstep表示计算步长长度，单位：pixels；表示取整函数；所述的子集为正方形结构。
所述的步骤3中单帧图像计算子集数量的计算模型具体如下：
其中，Msubset表示DIC图像中的子集数量；HROI表示DIC图像的长度，单位：pixels；VROI表示DIC图像的宽度，单位：pixels；Lsubset表示计算子集长度，单位：pixels；Lstep表示计算步长长度，单位：pixels；表示取整函数。
所述的步骤4中单帧图像处理时长的计算模型具体如下：
其中，ηDC表示计算效率系数，单位为s·pixels-2。
所述的步骤5中数据处理总时长预测模型具体如下：
其中，NDIC表示DIC试验中采集的散斑图像总数。
本发明数字图像相关变形测量数据处理时长预测方法的有益效果是：第一，可以预测不同计算子集和步长下DIC数据的处理时间，为子集大小等计算参数的选择提供了依据。第二，该种数据处理时长预测方法计算量较小，实施方便，且预测精准。
附图说明
图1为本发明一种数字图像相关变形测量数据处理时长预测方法的流程图。
图2为本发明一种数字图像相关变形测量数据处理时长预测方法的模型预测结果与试验结果的对比图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如图1所示，一种数字图像相关变形测量数据处理时长预测方法，其特征在于：对数字图像相关法数据进行子集划分后，根据划分得到的单个子集的大小不同进而对数据处理时长进行预测，具体步骤如下：
步骤1，确定DIC图像在横向上的划分数目NL；
步骤2，确定DIC图像在纵向上的划分数目NT；
步骤3，建立单帧图像计算子集数量的计算模型；
步骤4，建立单帧图像处理时长的计算模型；
步骤5，建立DIC图像相关变形测量的数据处理总时长预测模型。
本实施例中，对数字图像相关法数据进行子集划分采用由数字图像中心进行划分的方法，能够得到中心对称的子集分布结构，进一步的，每个子集均为正方形结构，且子集边长可根据需求而定。
本实施例中，步骤1中DIC图像在横向上的划分数目NL的计算方式如下：
其中，HROI表示DIC图像的长度，单位：pixels；Lsubset表示计算子集长度，单位：pixels；Lstep表示计算步长长度，单位：pixels；表示取整函数；所述的子集为正方形结构。
本实施例中，步骤2中DIC图像在在纵向上的划分数目NT的计算方式如下：
其中，VROI表示DIC图像的宽度，单位：pixels；Lsubset表示计算子集长度，单位：pixels；Lstep表示计算步长长度，单位：pixels；表示取整函数；所述的子集为正方形结构。
本实施例中，步骤3中单帧图像计算子集数量的计算模型具体如下：
其中，Msubset表示DIC图像中的子集数量；HROI表示DIC图像的长度，单位：pixels；VROI表示DIC图像的宽度，单位：pixels；Lsubset表示计算子集长度，单位：pixels；Lstep表示计算步长长度，单位：pixels；表示取整函数。
本实施例中，步骤4中单帧图像处理时长的计算模型具体如下：
其中，ηDC表示计算效率系数，单位为s·pixels-2。
本实施例中，步骤5中数据处理总时长预测模型具体如下：
其中，NDIC表示DIC试验中采集的散斑图像总数。
以长度HROI＝3384pixels，宽度VROI＝1340pixels的DIC图像为例，以其中心进行子集划分，由于不同的子集长度以及计算步长长度不同，例如，子集长度Lsubset可以为11，51，91，131和171pixels，在不同的子集长度设定下，计算步长长度Lstep可以为3,5,15,25和35pixels，子集长度的不同对应得到不同子集的总数量，因此通过设定不同的子集长度和计算步长长度，所需的数据处理总时长完全不相同。
进一步的，计算效率系数ηDC由DIC数据处理所用硬件系统和软件环境决定，在Windows7旗舰版64bit，Intel Xeon E5-2650 V2 2.60GHz，八核处理器2枚，32GB DDR31333MHz内存，Nvidia Quadro K4000显卡的数据处理环境下，该系统的计算效率系数ηDC＝7.5×10-9s·pixels-2。
当DIC试验中采集的散斑图像总数NDIC为100时，将上述数据带入数字图像相关变形测量数据处理时长预测方法的具体步骤中，可以得到数据处理总时长预测模型，在通过设置不同的计算子集和步长参数后，可以计算得到数据处理总时长。
如图2所示，上述的数据处理总时长预测模型以计算子集Lsubset为横坐标，数据处理总时长为纵坐标，绘制不同计算子集尺寸和步长参数下的数据处理总时长预测结果图。由图2中所示，随着计算子集长度不断增大，计算步长长度分别为3pixels、5pixels、15pixels、25pixels、35pixels等不同的情况下的数据处理总时长预测数据，预测数据与实验数据均有较高的匹配度。可见模型预测结果与试验结果吻合，证明了本发明方法的精度高。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (1)
1.一种数字图像相关变形测量数据处理时长预测方法，其特征在于：对数字图像相关法数据进行子集划分后，根据划分得到的单个子集的大小不同进而对数据处理时长进行预测，具体步骤如下：
步骤1，确定DIC图像在横向上的划分数目NL；
步骤2，确定DIC图像在纵向上的划分数目NT；
步骤3，建立单帧图像计算子集数量的计算模型；
步骤4，建立单帧图像处理时长的计算模型；
步骤5，建立DIC图像相关变形测量的数据处理总时长预测模型；
所述的对数字图像相关法数据进行子集划分采用由数字图像中心进行划分的方法；
所述的步骤1中DIC图像在横向上的划分数目NL的计算方式如下：
其中，HROI表示DIC图像的长度，单位：pixels；Lsubset表示计算子集长度，单位：pixels；Lstep表示计算步长长度，单位：pixels；表示取整函数；所述的子集为正方形结构；
所述的步骤2中DIC图像在纵向上的划分数目NT的计算方式如下：
其中，VROI表示DIC图像的宽度，单位：pixels；Lsubset表示计算子集长度，单位：pixels；Lstep表示计算步长长度，单位：pixels；表示取整函数；所述的子集为正方形结构；
所述的步骤3中单帧图像计算子集数量的计算模型具体如下：
其中，Msubset表示DIC图像中的子集数量；HROI表示DIC图像的长度，单位：pixels；VROI表示DIC图像的宽度，单位：pixels；Lsubset表示计算子集长度，单位：pixels；Lstep表示计算步长长度，单位：pixels；表示取整函数；
所述的步骤4中单帧图像处理时长的计算模型具体如下：
其中，ηDC表示计算效率系数，单位为s·pixels-2；
所述的步骤5中数据处理总时长预测模型具体如下：
其中，NDIC表示DIC试验中采集的散斑图像总数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010694666.7A CN111986152B (zh) | 2020-07-17 | 2020-07-17 | 一种数字图像相关变形测量数据处理时长预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010694666.7A CN111986152B (zh) | 2020-07-17 | 2020-07-17 | 一种数字图像相关变形测量数据处理时长预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111986152A CN111986152A (zh) | 2020-11-24 |
| CN111986152B true CN111986152B (zh) | 2024-03-15 |
Family
ID=73438732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010694666.7A Active CN111986152B (zh) | 2020-07-17 | 2020-07-17 | 一种数字图像相关变形测量数据处理时长预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111986152B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104279953A (zh) * | 2013-07-03 | 2015-01-14 | 株式会社三丰 | 光学元件和检测色谱测距传感器系统的脱离状况的方法 |
| CN108647336A (zh) * | 2018-05-14 | 2018-10-12 | 江西理工大学 | 一种利用关键比例尺以及类瓦片技术处理矢量图的方法 |
| CN108917632A (zh) * | 2018-05-15 | 2018-11-30 | 河北工程大学 | 一种高效率高精度数字图像相关位移后处理方法 |
-
2020
- 2020-07-17 CN CN202010694666.7A patent/CN111986152B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104279953A (zh) * | 2013-07-03 | 2015-01-14 | 株式会社三丰 | 光学元件和检测色谱测距传感器系统的脱离状况的方法 |
| CN108647336A (zh) * | 2018-05-14 | 2018-10-12 | 江西理工大学 | 一种利用关键比例尺以及类瓦片技术处理矢量图的方法 |
| CN108917632A (zh) * | 2018-05-15 | 2018-11-30 | 河北工程大学 | 一种高效率高精度数字图像相关位移后处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111986152A (zh) | 2020-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107678192B (zh) | 一种基于机器视觉的Mura缺陷检测方法 | |
| CN112233076B (zh) | 基于红色圆标靶图像处理的结构振动位移测量方法及装置 | |
| US11508075B2 (en) | Method and apparatus for tracking target | |
| CN103389310B (zh) | 一种基于辐射标定的亚像素光学元件损伤在线检测方法 | |
| Cofaru et al. | A novel speckle pattern—adaptive digital image correlation approach with robust strain calculation | |
| CN108871197B (zh) | 用于材料表面的位移场测量方法、装置、设备及存储介质 | |
| CN113808121A (zh) | 一种纱线亚像素级直径测量方法及系统 | |
| CN114862929A (zh) | 三维目标检测方法、装置、计算机可读存储介质及机器人 | |
| CN111986152B (zh) | 一种数字图像相关变形测量数据处理时长预测方法 | |
| CN108507476B (zh) | 用于材料表面的位移场测量方法、装置、设备及存储介质 | |
| Romera et al. | Implementations impact on iterative image processing for embedded GPU | |
| CN112233104B (zh) | 实时位移场和应变场检测方法、系统、装置和存储介质 | |
| CN107478656B (zh) | 基于机器视觉的纸浆搅拌效果检测评价方法、装置、系统 | |
| CN112345548A (zh) | 一种燃料电池石墨板表面成型光洁程度检测方法及装置 | |
| CN116205918B (zh) | 基于图卷积的多模态融合半导体检测方法、装置及介质 | |
| CN112525085A (zh) | 基于三角形网格化图像技术的节点位移与应变测量方法 | |
| Stanisavljevic et al. | A fast and scalable pipeline for stain normalization of whole-slide images in histopathology | |
| CN114066881B (zh) | 一种基于非线性变换检测方法、计算机设备及存储介质 | |
| CN116202423A (zh) | 一种基于激光三角测距的线激光二维定位方法 | |
| CN110689926A (zh) | 一种高通量数字pcr图像液滴的准确检测方法 | |
| CN113987752A (zh) | 一种泊松比的测试方法、设备及计算机可读存储介质 | |
| CN113793293B (zh) | 轮廓检测方法、装置、系统及计算机可读存储介质 | |
| CN113295701A (zh) | 基于数字图像对剪力墙损伤的测量方法、设备和介质 | |
| CN112229500B (zh) | 结构振动位移监测方法及终端设备 | |
| CN109470164A (zh) | 一种基于视觉跟踪的有标记引伸计动态测量及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |