基于遗传算法的数字图像相关法在微位移测量中的应用 下载: 852次
1 引言
20世纪80年代初,Yamaguchi等[1-2]提出了数字图像相关(DIC)法,该方法具有光路简单、非接触、全场测量、测量精度高、适用范围广等优点[3],在实验力学等领域得到了广泛的应用。随着图像处理技术的发展和图像采集精度的提高,DIC方法在微位移测量中的应用也备受关注。DIC方法通过点点对应的相关性计算来求解整像素位移,运算量大,效率较低,且在亚像素的迭代计算中,图像子集的大小及算法的环境适应性会直接影响测量精度和速度。因此,寻求合适的整像素搜索算法和亚像素迭代算法是DIC方法应用于微位移测量的关键。
DIC方法处理的是图像的灰度信息,最小单元为一个整像素。在图像匹配过程中,以一个整像素或单个像素的整数倍进行搜索匹配,相关运算后得到的是整像素的位移。目前,广泛采用的相关搜索算法有爬山法、双参数法、十字搜索法、粗细搜索法、牛顿迭代法、蚁群算法、遗传算法(GA)、粒子群算法(PSO)、人工鱼群算法(AFSA)等。爬山法、十字搜索法的搜索速度快,但只在单峰区域较显著的位置有效;粗细搜索法编程简单,但得不到峰值的具体方向,且计算量较大;双参数法计算量大;牛顿迭代法计算目标函数的Hessian矩阵时,如果维数较高计算时间会增加。传统的搜索算法普遍存在计算量大、计算精度低、不具有全局搜索能力等问题,在微位移测量中容易出现速度慢、精度低、易陷入局部最优的情况。蚁群算法、GA、PSO、AFSA属于人工智能算法,可以计算复杂情况,具有全局搜索的能力,且不用设置阈值,计算速度也比较快。
将DIC方法应用于微小位移测量中,对整像素的匹配精度和搜索速度均有较高要求,综合考虑上述几种算法,本文对GA、PSO、AFSA三种相关搜索算法在匹配精度和搜索速度等方面进行了对比研究。
2 DIC方法的基本原理
选择变形前的图像作为参考图像,在参考图像中以待测点
根据Tong等[6-7]对相关系数的研究可知,零均值归一化的互相关函数对图像灰度值的线性变化不敏感,相关计算的精度和稳健性均较高,因此以其作为评价参考子集和变形子集匹配程度的函数,表达式为
式中
3 基于DIC的整像素搜索算法
3.1 GA
GA是根据生物的进化规则,把研究的问题转换为染色体的形式,通过代代之间的重组、交叉、变异来选择最优解的过程,其本质是一种具有生物遗传特性的高效、全局的搜索算法。一定数目的种群在迭代过程中,依据生物的进化关系,筛选出性能优良的个体进入下一代种群,继续筛选出稳定、优良的个体,即适应度较高的当代个体进入下一代继续进行选择、交叉、变异而保留适应度较大的个体,如此迭代下去直到产生最优个体,再经过解码把最优个体转换为最优值。GA的流程图[8]如
通过二进制与十进制之间的编码,把定义参量转换成遗传中的染色体,根据研究问题的复杂程度设置种群的大小。种群随机产生,其生成方式可表示为
式中
利用适应度对个体进行评价,确定是否输出结果,适应度越大代表种群的优化程度越高,把相关函数(1)式作为研究的适应度函数。
遗传是一个选优的过程,选择过程遵循达尔文的适者生存原则。常用的选择方法有轮盘赌选择、随机竞争选择、最佳保留选择、随机联赛选择、最优保存策略等。轮盘赌选择是最常用的选择方法之一,但该方法的选择误差较大,甚至有可能掠过最优值,因此,将轮盘赌选择与最佳保存选择联合使用。个体被选中的概率为
式中
生成解时,转动轮盘
如果当代最优解没有满足要求,选出
交叉和变异是一个随机过程,都可以产生新的个体。通常交叉概率较大,一般将其作为产生新个体的主要途径之一。交叉算子有单点交叉、多点交叉、均匀交叉、算术交叉等,此处采用算术交叉。随机选取两个等位基因
式中问题规模
常用的变异操作有基因位变异、均匀变异、非均匀变异、高斯近似变异等,此处采用非均匀变异。
取第
式中
当个体的适应度值不满足要求时,重新进入个体适应度评价过程进行循环运算,直到满足要求的个体出现为止。遗传过程进行到最大进化代数为止,或在适应度值接近1时终止迭代。
3.2 PSO
PSO[11-12]模拟鸟群在自然界中的随机觅食行为,把每一只鸟看成一个粒子,搜寻当前距离食物最近的粒子的区域,通过不断计算适应度以找出最优的匹配点。粒子在寻优过程中按照一定的速度和位置进行搜索,速度
式中
根据目标函数的大小判断是否终止搜索,或者运行到最后一代时从全局中选出最优的一代作为最优值。
3.3 AFSA
AFSA[13]是一种具有全局收敛性的智能算法,该算法通过模拟鱼群搜寻食物的能力在搜索域中寻优。鱼群的主要行为[11]有觅食行为、聚集行为、追尾行为、随机行为等。假设鱼群所在的位置为
式中
式中
4 算法验证与分析
4.1 散斑图的生成
为了消除图像采集系统中如镜头畸变等因素对位移测量结果的影响,用计算机模拟散斑图来代替真实的位移测量实验。计算机模拟的散斑图采用Zhou等[15]于2001年提出的生成方法。该方法不仅可以控制散斑图的尺寸、散斑颗粒数、散斑尺寸大小,还可以变换散斑图的位移量等。为了比较三种算法的匹配精度和搜索速度,模拟生成了两幅散斑图,图像尺寸为256 pixel×256 pixel,散斑数目为1200,散斑大小为2~5 pixel,模拟散斑图如
图 3. 模拟散斑图。(a)平移前;(b)平移后
Fig. 3. Simulated speckle patterns. (a) Before translation; (b) after translation
4.2 计算数据对比
为了研究整像素搜索算法的匹配度和搜索速度,只对图像进行平移处理,以设为定值的平移量作为理论位移,同时算法之间具有相同的迭代次数和初始种群数,通过相关函数的精度和匹配速度来衡量搜索算法的优劣。
从
表 1. 三种图像搜索算法匹配精度的计算结果
Table 1. Calculation results of matching precision of three image search algorithms
|
表 2. 三种图像搜索算法搜索时间的计算结果
Table 2. Calculation results of search time of three image search algorithms
|
表 3. 三种图像搜索算法位移的计算结果
Table 3. Calculation results of displacement of three image search algorithms
|
由
为进一步验证基于GA的DIC方法在微位移测量中的可行性和重复性,取迭代次数为25,水平方向的位移量分别设定为4,6,8,10 pixel,其运行结果见
表 4. 不同位移量搜索时间下测量精度的计算结果
Table 4. Calculation results of measurement precision under different displacement searching time
|
由
5 结论
以模拟散斑图为研究对象,从整像素搜索精度和速度、亚像素位移的测量精度方面分别对基于GA、PSO、AFSA的DIC方法进行了对比实验。结果表明,基于GA的DIC方法在匹配精度、搜索速度及位移测量精度上具有明显的综合优势,能满足微位移测量的应用需求,为进一步的全场位移和应变测量提供了参考。
[1] Yamaguchi I. A laser-speckle strain gauge[J]. Journal of Physics E, 1981, 14(5): 1270-1273.
Yamaguchi I. A laser-speckle strain gauge[J]. Journal of Physics E, 1981, 14(5): 1270-1273.
[2] Peters W H, Ranson W F. Digital imaging techniques in experimental stress analysis[J]. Optical Engineering, 1981, 21(3): 427-431.
Peters W H, Ranson W F. Digital imaging techniques in experimental stress analysis[J]. Optical Engineering, 1981, 21(3): 427-431.
[3] 潘兵, 吴大方, 谢惠民, 等. 基于梯度的数字图像相关法测量物体内部变形[J]. 光学学报, 2011, 31(6): 0612005.
潘兵, 吴大方, 谢惠民, 等. 基于梯度的数字图像相关法测量物体内部变形[J]. 光学学报, 2011, 31(6): 0612005.
[5] 张华俊, 李桂华, 刘程, 等. 基于SURF特征匹配的数字图像相关变形初值可靠估计[J]. 光学学报, 2013, 33(11): 1112005.
张华俊, 李桂华, 刘程, 等. 基于SURF特征匹配的数字图像相关变形初值可靠估计[J]. 光学学报, 2013, 33(11): 1112005.
[8] 梁士通, 杨速峰, 薛彬. 基于遗传算法的改进相位差波前误差传感技术研究[J]. 光学学报, 2010, 30(4): 1015-1019.
梁士通, 杨速峰, 薛彬. 基于遗传算法的改进相位差波前误差传感技术研究[J]. 光学学报, 2010, 30(4): 1015-1019.
[9] 陈国龙, 陈火旺, 郭文忠, 等. 基于随机错位算术交叉的遗传算法及其应用[J]. 模式识别与人工智能, 2004, 17(2): 250-256.
陈国龙, 陈火旺, 郭文忠, 等. 基于随机错位算术交叉的遗传算法及其应用[J]. 模式识别与人工智能, 2004, 17(2): 250-256.
Chen G L, Chen H W, Guo W Z, et al. An improved GA based on RDAC and its application[J]. Pattern Recognition and Artificial Intelligence, 2004, 17(2): 250-256.
[10] 庞伟正, 李俊峰, 曹志华. 改进的自适应遗传算法在TDOA定位中的应用[J]. 应用技术, 2005, 32(6): 1-3.
庞伟正, 李俊峰, 曹志华. 改进的自适应遗传算法在TDOA定位中的应用[J]. 应用技术, 2005, 32(6): 1-3.
Pang W Z, Li J F, Cao Z H. Application of enhanced adaptive genetic algorithm in TDOA based location[J]. Applied Science and Technology, 2005, 32(6): 1-3.
[11] 郭彤颖, 李宁宁, 刘雍. 基于粒子群算法的摄像机内参数优化方法[J]. 激光与光电子学进展, 2017, 54(11): 111504.
郭彤颖, 李宁宁, 刘雍. 基于粒子群算法的摄像机内参数优化方法[J]. 激光与光电子学进展, 2017, 54(11): 111504.
[12] 王道档, 徐杨波, 陈茜茜, 等. 基于快速搜索粒子群算法的点衍射干涉绝对位移测量方法[J]. 光学学报, 2016, 36(1): 0112001.
王道档, 徐杨波, 陈茜茜, 等. 基于快速搜索粒子群算法的点衍射干涉绝对位移测量方法[J]. 光学学报, 2016, 36(1): 0112001.
[13] 李晓磊, 邵之江, 钱积新. 一种基于动物自治体的寻优模式: 鱼群算法[J]. 系统工程理论与实践, 2002, 22(11): 32-38.
李晓磊, 邵之江, 钱积新. 一种基于动物自治体的寻优模式: 鱼群算法[J]. 系统工程理论与实践, 2002, 22(11): 32-38.
Li X L, Shao Z J, Qian J X. An optimizing method based on autonomous animals: fish-swarm algorithm[J]. System Engineering Theory and Practice, 2002, 22(11): 32-38.
[14] 刘东林, 李乐乐. 一种新颖的改进人工鱼群算法[J]. 计算机科学, 2017, 44(4): 281-287.
刘东林, 李乐乐. 一种新颖的改进人工鱼群算法[J]. 计算机科学, 2017, 44(4): 281-287.
Liu D L, Li L L. New improved artificial fish swarm algorithm[J]. Computer Science, 2017, 44(4): 281-287.
Article Outline
葛朋祥, 叶沛, 李桂华. 基于遗传算法的数字图像相关法在微位移测量中的应用[J]. 光学学报, 2018, 38(6): 0612006. Pengxiang Ge, Pei Ye, Guihua Li. Application of Digital Image Correlation Method Based on Genetic Algorithm in Micro-Displacement Measurement[J]. Acta Optica Sinica, 2018, 38(6): 0612006.