结合灰度信息的压敏漆图像配准

压敏漆技术是一种经济性高、速度快的风洞测压前沿技术。在风洞试验中,由于强风影响,模型会发生畸变,造成有风图像和无风图像难以配准,从而严重影响测压精度。针对这一问题,本文创新性的将二维非刚性ICP算法用于此问题,采用点云方式使得图像细节区域有效配准,同时也有利于后续三维重建工作。然而由于二维非刚性ICP算法仅考虑二维坐标位置关系,忽略压敏漆图像像素灰度具有的相关性,使得配准精度不高。直接利用三维非刚性ICP算法又会发生误配准,所以为了进一步提高配准精度,本文提出了一种基于像素关联搜索策略的非刚性ICP算法,算法设计了综合考虑2D坐标与像素灰度值的双目标搜索策略,实现了精确的局部匹配点搜索与双目标优化。在多组压敏漆图像上将本文算法与五种配准算法进行了对比实验分析。实验结果表明,本文所提出的算法具有最好的配准精度。相比次优算法,RMSE提升超过15%,NMI提升在5%左右。

基于无监督学习的风洞压敏漆图像配准算法

为满足压强敏感涂料(简称“压敏漆”)图像准确、快速的配准需求,提出一种基于无监督学习的压敏漆图像配准方法——PIR-Net。首先,针对风洞环境中零件的大程度形变问题,构造多尺度的网络框架,实现压敏漆图像由粗到细的配准;其次,构造类似U-Net结构的卷积网络,实现图像宏观结构特征和局部细节特征的融合;最后,设计基于结构相似性的损失函数并引入梯度场约束,以提高特征稀疏图像的配准精度。实验结果表明,相较于领域内的典型配准方法,所提方法的归一化互相关指标提高了16.4%,均方误差提高了19.1%。