评估数字图像相关性的空间分辨率的标准:应用于传统方法、高斯加权方法和基于深度学习的方法

《Optics and Lasers in Engineering》:A criterion for assessing spatial resolution in digital image correlation: Applications to conventional, Gaussian-weighted, and deep learning-based methods

【字体: 大 中 小 】 时间:2026年01月20日 来源:Optics and Lasers in Engineering 3.7

编辑推荐:

  空间分辨率评估方法及理论模型构建,基于Rayleigh准则设计双步位移场实验,推导传统DIC和Gaussian加权DIC的分辨率公式,验证深度学习DIC模型(U-DICNet、DICTr、USDICNet)的有效性,建立物理意义明确且通用的分辨率量化框架。

  
唐志晨|朱灿宇|程冠宇|兰世海|苏勇
安徽医科大学生物医学工程学院,合肥,230032,中国

摘要

准确表征空间分辨率对于评估数字图像相关(DIC)方法的性能至关重要。受经典瑞利准则的启发,本研究考虑了一个双步位移场,并将空间分辨率定义为在测量应变场中能够刚好分辨出两个相邻位移不连续性的最小距离。基于这一定义,建立了理论模型来量化空间分辨率。对于传统的DIC方法,当子集大小为2M+1时,一阶形状函数的空间分辨率约为2M+2,而二阶形状函数的空间分辨率约为0.66(2M+1)。对于高斯加权DIC方法,当加权半径为R时,一阶形状函数的空间分辨率约为2R,二阶形状函数的空间分辨率约为1.53R。所提出的准则进一步应用于基于深度学习的DIC方法(例如U-DICNet、DICTr和USDICNet),以证明其普适性。总之,本研究为评估传统DIC方法、加权DIC方法和基于学习的DIC方法的空间分辨率建立了一个基于物理原理且定量可靠的框架,具有在性能评估、算法优化和参数选择方面的潜在应用价值。

引言

数字图像相关(DIC)是一种全场光学测量技术,广泛用于测量形状、运动和变形[1]。自20世纪80年代发明以来[2][3],在测量精度、计算效率和鲁棒性方面取得了显著改进[4][5]。各种商业和开源软件包的可用性大大提高了其普及程度[6][7][8],使其在材料科学[9]、极端力学[10]、土木工程[11]、航空航天工业[12]和结构健康监测[13]等多个领域得到广泛应用。如今,DIC已成为最流行的非接触式变形分析技术之一。
DIC的基本原理是在不同变形状态、视角或成像设备下捕获的图像之间建立相同物理点的对应关系[14]。为了解决孔径问题,传统的DIC算法选择以感兴趣点为中心的子集,使用形状函数描述局部变形,并利用非线性优化技术识别目标图像中的对应区域[1][15]。与在每个子集内分配均匀权重的传统DIC方法不同,高斯加权DIC(GW-DIC)引入了一个空间变化的高斯权重函数[16],从而在空间分辨率和位移分辨率之间实现了更好的平衡[1]。最近,基于深度学习的DIC方法作为一种有前景的范式出现,提出了许多网络架构,显著提高了测量精度和计算效率[17][18][19][20][21][22][23][24][25][26][27]。
作为一种全场测量技术,空间分辨率是DIC的关键性能指标[28]。由于DIC可以被建模为一个线性平移不变系统[29],因此采用传递函数来表征系统对谐波输入的频率响应,以此来评估空间分辨率。Wittevrongel等人通过分析正弦形变形场来量化空间分辨率,将其定义为测量幅度低于预定义阈值的周期[30]。Grediac等人应用Savitzky-Golay滤波器模型对不同子集大小和形状函数阶数的空间分辨率进行了数值研究[31]。Su等人基于匹配偏差的公式开发了一个空间分辨率的解析模型,明确描述了其依赖于子集大小和幅度损失阈值的情况,适用于一阶和二阶形状函数[32]。最近,Reu等人发起了DIC Challenge 2.0,专门通过分析具有不同空间周期的星形位移场来评估空间分辨率[33]。
虽然使用正弦形变形场是一种评估空间分辨率的实用方法,但所得结果本质上取决于幅度损失阈值的选择,目前尚无普遍接受的标准。Wittevrongel等人考虑的幅度损失范围为位移分辨率1%至5%,应变分辨率5%至15%[30]。Grediac等人建议使用20%的衰减水平作为确定空间分辨率的标准[31],而Reu等人认为10%的信号衰减是一个合理的截止值[33]。相比之下,Su等人甚至认为80%的幅度损失也是可以接受的[32]。这种不一致性源于难以精确定义正弦信号因衰减而“消失”的确切阈值。
在光学中,空间分辨率通常使用经典的瑞利准则来评估,该准则将分辨率定义为两个点源可以视觉区分的最小距离[34]。受此原理的启发,本研究提出了一种评估DIC中空间分辨率的准则。我们引入了一个双步位移场,并将空间分辨率定义为在测量应变场中能够分辨出两个相邻位移不连续性的最小距离。基于这一定义,推导出了传统DIC和GW-DIC的空间分辨率的理论模型。此外,还证明了所提出的方法可以应用于基于深度学习的DIC方法。
本文的其余部分组织如下:第2节介绍了评估DIC中空间分辨率的准则。第3节建立了传统DIC的空间分辨率的理论模型。第4节分析了GW-DIC的空间分辨率。第5节将该准则应用于基于深度学习的DIC方法。第6节讨论了优势、局限性和未来展望。最后,第7节总结了主要发现并总结了本文。

节选内容

通过双步位移评估DIC中的空间分辨率

空间分辨率表征了测量系统能够分辨的两个相邻特征之间的最小距离。最著名的空间分辨率准则可能是瑞利准则[34]。如图1(a)所示,对于一个具有圆形光圈的衍射极限系统,两个非相干点源会产生两个相应的艾里强度图案。当这些图案足够分离时,它们可以清晰地区分;然而,当两个源

传统DIC的空间分辨率

本节对传统DIC的空间分辨率进行了全面的理论分析,并通过数值实验验证了所建立模型的有效性。

高斯加权DIC的空间分辨率

高斯加权DIC(GW-DIC)在空间分辨率和位移分辨率之间实现了平衡[1]。本节开发了GW-DIC的空间分辨率理论模型,并通过数值模拟进行了验证。

基于深度学习的DIC方法的空间分辨率

近年来,基于深度学习的DIC方法发展迅速[17][18][19][20][21][22][23][24][25][26][27]。这些方法具有显著的优势,包括更高的计算效率和更好的鲁棒性,尤其是在处理复杂变形时。然而,深度学习模型往往像“黑箱”一样运行,使得其内部机制难以解释。此外,它们的性能高度依赖于数据的质量、多样性和

提出的准则与传统准则的比较

传统的空间分辨率评估方法通常依赖于正弦形变形的衰减[30]。在这种方法中,空间分辨率被定义为测量幅度衰减到预定义阈值的周期。然而,所得的分辨率值对阈值的选择非常敏感,导致不同研究之间的结果不一致[31][32][33]。
为了减轻这种不确定性,本研究提出了一个替代框架

结论

本研究提出了一个评估DIC中空间分辨率的框架。主要贡献如下:
(1) 受瑞利准则的启发,我们引入了一个双步位移场,并将空间分辨率定义为在测量应变场中能够分辨出两个相邻位移不连续性的最小距离。
(2) 对于子集大小为2M+1的传统DIC方法,一阶形状函数的空间分辨率约为2M+2

CRediT作者贡献声明

唐志晨:可视化、验证、软件开发、数据整理。朱灿宇:验证、软件开发、数据整理。程冠宇:可视化。兰世海:软件开发、资金获取。苏勇:撰写——审稿与编辑、撰写——初稿、监督、软件开发、项目管理、方法论研究、数据整理、资金获取、正式分析、概念构思。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

致谢

本工作得到了国家自然科学基金(批准号:12372174, 12402220)和中国国家磁约束聚变科学计划(批准号:2019YFE03080400)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号