UN MÉTODO RÁPIDO DE CORRELACIÓN DE IMÁGENES DIGITALES PARA LA MEDICIÓN DE LA

DEFORMACIÓN

El análisis de deformación rápida y de alta precisión con correlación de imagen digital (DIC) ha
sido cada vez más importante y muy demandado en los últimos años. En la literatura, el método
DIC que utiliza el algoritmo Newton-Rapshon (NR) se ha considerado como un estándar de oro
para el seguimiento de desplazamiento subpíxel preciso, ya que es insensible a la deformación
y rotación relativa del subconjunto objetivo y proporciona así el subpíxel más alto precisión de
registro y aplicabilidad más amplia. Sin embargo, una desventaja significativa del método de DIC
basado en algoritmo NR convencional es su enorme gasto computacional.

En este documento, se propone un método de DIC rápido para la medición de la deformación

eliminando efectivamente los cálculos repetitivos redundantes implicados en el método de DIC
basado en algoritmo NR convencional. Específicamente, se emplea una estrategia de
exploración de desplazamiento guiada por confiabilidad para evitar el desplazamiento de píxeles
enteros que requiere mucho tiempo para cada punto de cálculo, y se utiliza una tabla de
búsqueda de coeficientes de interpolación global precalculada para eliminar por completo el
cálculo de interpolación repetitiva en subpíxeles ubicaciones. Con estos dos enfoques, el
método de DIC rápido propuesto aumenta sustancialmente la eficiencia de cálculo del método
de DIC basado en algoritmo NR tradicional. El rendimiento del método DIC rápido propuesto se
prueba cuidadosamente en imágenes experimentales reales utilizando varios parámetros de
cálculo.

Los resultados revelan que la velocidad de cálculo del presente DIC rápido es aproximadamente
120-200 veces más rápida que la del método tradicional, sin pérdida de precisión en la medición.

1. Introducción
El desarrollo en correlación de imágenes digitales (DIC) [1,2] en los últimos treinta años
lo ha convertido en una técnica popular y poderosa para el movimiento en campo
completo, la deformación y la medición de la forma. Como una metrología óptica no
interferométrica típica con claras ventajas de configuración experimental simple, bajo
requerimiento en ambiente experimental y amplio rango de aplicabilidad, la técnica DIC
ha sido ampliamente utilizada para la deformación y medición de forma, caracterización
de parámetros mecánicos y cruz experimental numérica validaciones y teórico-
experimental.
El principio básico del método DIC basado en subconjuntos estándar y más ampliamente
utilizado es bastante simple, es decir, hacer coincidir (o rastrear) los mismos
subconjuntos (o subimágenes) ubicados en la imagen de referencia y la imagen
deformada para recuperar el campo compensaciones llenas, Aunque la técnica de DIC
es simple en principio e implementación, siempre hay dos desafíos principales en sus
aplicaciones prácticas. Una es la precisión de registro subpíxel, y la otra es la eficiencia
computacional. Naturalmente, el objetivo final de la técnica DIC es lograr la deformación
y / o mediciones de formas de alta precisión en tiempo real.

En cuanto al primer desafío (es decir, la exactitud y precisión de las mediciones de DIC),
varios factores, como el patrón de moteado [3,4], el tamaño del subconjunto [5], el
criterio de correlación [6], la función de forma [7-10], el esquema de interpolación de
subpíxeles [9-12] así como el algoritmo de registro de subpíxeles [13,14], que tienen
importantes influencias en la precisión de registro de DIC, han sido investigados
exhaustivamente por varios investigadores. Actualmente, un algoritmo de correlación
cruzada de dominio espacial iterativo (por ejemplo, un algoritmo Newton-Raphson
(NR)), combinado con un criterio de coincidencia robusto (por ejemplo, un criterio de
correlación cruzada normalizada de media cero, ZNCC) y un sub de alta precisión el
algoritmo de interpolación de píxeles (por ejemplo, un esquema de interpolación
bicúbica), se ha considerado como un estándar de oro para la detección precisa de
movimiento subpíxel. Al tener en cuenta la deformación relativa y la rotación del
subconjunto objetivo, el algoritmo NR es capaz de proporcionar la más alta precisión de
registro sub-píxel y la más amplia aplicabilidad. En los últimos años, varios
investigadores [16-21] han mejorado el algoritmo NR original [15] para reducir su
complejidad, mejorar su robustez y ampliar su aplicabilidad. A pesar de ser el algoritmo
más utilizado y el más preciso para la estimación de movimiento subpíxel, una
desventaja significativa del algoritmo NR, sin embargo, sigue siendo su costo
computacional extremadamente grande. Como varias aplicaciones de tiempo crítico
cationes de DIC han sido cada vez más importantes en los últimos años,
un método DIC rápido usando el algoritmo NR de alta precisión está allí
por supuesto altamente deseable.

Esta razón por la cual el método DIC basado en el algoritmo NR es computacionalmente

costoso se puede atribuir a los siguientes dos aspectos. En primer lugar, el algoritmo NR
es un algoritmo de optimización numérica no lineal, que requiere una conjetura inicial
precisa para converger con precisión y rapidez [16]. Convencionalmente, la conjetura
inicial de cada punto de cálculo se estima por separado mediante la realización de un
esquema de búsqueda de desplazamiento entero exhaustivo, simple pero lento, dentro
del rango de búsqueda previamente especificado de la imagen deformada [15-17]. Se
han propuesto varias técnicas [22-26], como una correlación de dominio de frecuencia
basada en FFT [22], un esquema de búsqueda anidada [23] y un método sum-table [24-
26], para acelerar el cálculo del número entero búsqueda de desplazamiento; sin
embargo, estas técnicas tienen al menos dos deficiencias: (1) son duras o incapaces de
tratar con una muestra sujeta a una gran rotación y / o deformación; (2) consumen más
o menos cierta cantidad de tiempo de cálculo, a pesar de ser relativamente eficiente
computacionalmente. En segundo lugar, durante cada paso de la optimización iterativa
usando el algoritmo NR, se debe usar cierto algoritmo de interpolación subpíxel
repetidamente para reconstruir la intensidad así como los gradientes de intensidad en
cada ubicación subpíxel para los puntos de píxel desplazados del subconjunto objetivo.
El cálculo de interpolación subpíxel de un punto de píxel de determinado subconjunto
de referencia no solo se realiza en cada ronda de iteración, sino que también debe
llevarse a cabo para el mismo punto de píxel aparecido en subconjuntos de referencia
adyacentes, como los subconjuntos cuestionados definidos en la referencia la imagen
normalmente se solapan mucho. El cálculo de interpolación repetido realizado en
ubicaciones subpíxel, en particular, consume la mayoría de los cálculos redundantes del
método de DIC basado en algoritmo NR existente.

En este documento, demostraremos que los dos cálculos anteriores son innecesarios o
redundantes. Se propone un método DIC rápido para lograr un análisis de deformación
rápido pero preciso mediante la eliminación efectiva de los cálculos redundantes antes
mencionados que participan en el método DIC basado en algoritmo NR convencional. El
método de DIC rápido propuesto incluye los siguientes dos enfoques simples pero
efectivos. En primer lugar, se emplea una estrategia de escaneo de desplazamiento
 guiado por confiabilidad para evitar por completo el cálculo de búsqueda de
desplazamiento de enteros que requiere mucho tiempo al garantizar una transferencia
de conjetura inicial confiable y precisa entre los puntos adyacentes. En segundo lugar,
se emplea una tabla de búsqueda de coeficientes de interpolación global precalculada
para eliminar el cálculo de interpolación repetitiva en ubicaciones subpíxel. Estos dos
enfoques eliminan eficazmente los cálculos repetidos redundantes del método de DIC
basado en algoritmo NR existente y aumentan sustancialmente su eficiencia de cálculo.
Para validar su rendimiento, el método DIC rápido propuesto se prueba cuidadosamente
en imágenes experimentales reales utilizando varios parámetros de cálculo. Los
resultados muestran que el método DIC rápido propuesto puede procesar más de 5400
puntos por segundo utilizando un subconjunto de 21x21 píxeles y un paso de cuadrícula
de 5 píxeles. Es aproximadamente 120-200 veces más rápido que el método DIC basado
en algoritmo NR existente, dependiendo de los parámetros de cálculo específicos
utilizados, con la condición de mantener su precisión de medición. Por lo tanto, la
medición de deformación de alta precisión con DIC se puede lograr a un costo
computacional muy bajo.

2. Principios de DIC usando el algoritmo NR

2.1. Principios fundamentales del método DIC

En la implementación práctica de DIC, una región de interés (ROI) se debe especificar primero
en la imagen de referencia y se divide en cuadrículas virtuales espaciadas uniformemente. Los
desplazamientos se calculan en cada punto de las cuadrículas virtuales para obtener la
deformación de campo completo. El principio básico del DIC estándar basado en subconjuntos
se ilustra esquemáticamente en la Fig. 1. Para rastrear con precisión el movimiento de cada
punto de interés, un subconjunto de referencia cuadrado de (2 M + 1) x (2 M + 1) píxeles
centrados en el punto P (x0, y0) interrogado de la imagen de referencia se elige y usa para
rastrear su ubicación correspondiente en la imagen objetivo. El proceso de seguimiento o
coincidencia se logra buscando en la ubicación extrema de un criterio de similitud predefinido,
comúnmente llamado criterio de correlación. Una vez que se encuentra la ubicación del
subconjunto de destino con similitud máxima en la imagen deformada, se pueden determinar
las componentes de desplazamiento de los centros de subconjuntos de referencia y destino. El
mismo procedimiento de seguimiento se repite en los otros puntos de interés para obtener el
desplazamiento de campo completo del ROI. Es necesario tener en cuenta que, para lograr un
equilibrio entre alta resolución espacial y eficiencia computacional, la distancia entre las
cuadrículas virtuales vecinas, también conocida como paso de rejilla, normalmente se selecciona
para que sea mucho más pequeña que el tamaño del subconjunto. En otras palabras, los
subconjuntos cuestionados se superponen entre sí. Para evaluar mejor el grado de similitud de
los subconjuntos de referencia y destino y obtener una estimación de desplazamiento precisa
para el punto central del subconjunto de referencia, el siguiente criterio de la Suma cero media
de diferencias cuadradas (ZNSSD) [18], que es insensible a los cambios de escala y
desplazamiento en las fluctuaciones de iluminación de iluminación, se utiliza en este trabajo:
Fig. 1. Principio básico del método DIC basado en subconjuntos: el seguimiento de los mismos
subconjuntos en la referencia y la imagen deformada produce el vector de desplazamiento del
centro del subconjunto de referencia.

donde p denota el vector de deformación deseado; f ( xi , y j ) es la intensidad del nivel gris en

las coordenadas ( xi , y j ) en el subconjunto de referencia de la imagen de referencia y g ( xi, y j )
es la intensidad del nivel gris en coordenadas ( xi, yj ) en el subconjunto objetivo de la imagen
deformada;

son los valores de intensidad media de los subconjuntos de referencia y objetivo,

respectivamente.
Vale la pena señalar que el coeficiente de correlación ZNSSD está realmente relacionado con el
coeficiente de ZNCC comúnmente utilizado de acuerdo con la ecuación
CZNCC ( p)  1  0.5xCZNSSD ( p) . El coeficiente ZNCC que cae en un rango de [-1, 1] es más sencillo
para mostrar el grado de similitud entre el subconjunto de referencia y el subconjunto de destino.
Sin embargo, la optimización de ZNSSD usando el algoritmo NR es mucho más fácil. Entonces, el
criterio ZNSSD se optimiza usando el algoritmo NR para determinar los componentes de
desplazamiento de cada punto de cálculo. Luego, el coeficiente ZNSSD se convierte al coeficiente
ZNCC según sus relaciones. En la siguiente sección, el coeficiente de ZNCC optimizado de los
puntos calculados se utilizará como un índice de confiabilidad (o calidad) para asegurar la
transferencia de conjetura inicial confiable entre puntos consecutivos. Como tal, se puede evitar
el esquema de desplazamiento entero, lo que lleva a un ahorro significativo en el tiempo de
cálculo.

En la Fig. 1, el punto Q( xi , y j ) en el subconjunto de referencia se puede mapear al punto

Q( xi, yj ) en el subconjunto objetivo de acuerdo con la denominada "función de mapeo de
desplazamiento". Si el subconjunto es suficientemente pequeño, el patrón de deformación del
subconjunto puede aproximarse bien con la función de mapeo de desplazamiento de primer
orden comúnmente utilizada [15].

donde u y v son los componentes de desplazamiento para el centro de subconjunto P en las

direcciones x y y , respectivamente. Los términos xi y y j son las distancias desde el centro
de subconjuntos P al punto Q; y ux , u y , vx y v y son los componentes del gradiente de
desplazamiento para el subconjunto.

2.2. Optimización del criterio ZNS S utilizando el algoritmo Newton-Raphson

Está claro que el criterio ZNSSD es una función no lineal de seis parámetros desconocidos. Eq. (1)
puede optimizarse para obtener los componentes deseados de desplazamiento en el plano en las
direcciones x e y , utilizando el siguiente algoritmo de iteración NR clásico [18].

donde p0 es la conjetura inicial de la solución, que se estima convencionalmente realizando una

búsqueda simple de desplazamiento entero en una región de búsqueda especificada en la imagen
deformada; p es la siguiente solución de aproximación iterativa; C ( p0 ) es los gradientes del
coeficiente de correlación y C ( p0 ) es la derivada de segundo orden del coeficiente de
correlación, también conocida como matriz hessiana.
Para simplificar el cálculo de Eq. (3), C ( p0 ) y C ( p0 ) se puede reescribir aún más de la
siguiente manera sin pérdida de precisión [16,18]:

Está claro que las coordenadas de los píxeles desplazados, es decir, ( xi, yj ) de las Ecs. (4) y (5),
en un subconjunto deformado, pueden asumir valores subpíxel. En primer lugar, debe observarse
que el área local de 2 × 2 píxeles alrededor de cada ubicación de subpíxeles considerada se
denomina bloque de interpolación de aquí en adelante. Como no hay información de nivel de gris
disponible entre los píxeles en las imágenes digitales, por lo tanto, en la realización del algoritmo
NR, se necesita un esquema de interpolación para reconstruir sus gradientes de intensidad e
intensidad a partir de sus píxeles enteros adyacentes. La selección del esquema de interpolación
se considera como un factor clave del método NR, ya que afecta directamente su precisión de
cálculo y su carácter de convergencia. En este estudio, el esquema de interpolación bicúbica
generalizada [27,28] se implementa para determinar los valores de gris y los gradientes grises de
primer orden en ubicaciones subpíxel de la siguiente manera:

En la interpolación bicúbica, los 16 coeficientes desconocidos, es decir, a00 , a01 , y, a33 , de Eq. (6)
puede determinarse por la intensidad gris de los 4 a 4 píxeles vecinos centrados en la ubicación
del subpíxel. Debe enfatizarse aquí que los 16 coeficientes permanecen iguales para cada bloque
de interpolación, independientemente de las ubicaciones de subpíxeles específicos dentro de él.
 3. Rápido algoritmo NR para el método DIC evitando cálculos redundantes
3.1. Esquema de escaneo de desplazamiento guiado por confiabilidad para evitar el
cálculo de búsqueda de desplazamiento entero

Es necesario mencionar que, como algoritmo de optimización no lineal, el algoritmo NR requiere

una conjetura inicial precisa para converger de forma rápida y precisa. El radio de convergencia
fue estimado por Vendroux y Knauss unos pocos píxeles [16]. Convencionalmente, la estimación
inicial de cada punto de interés se estima por separado mediante un esquema de búsqueda de
desplazamiento de enteros simple pero lento que se realiza en dominio espacial o en dominio de
frecuencia en función de FFT. Varios enfoques [22-26] también han sido propuestos por varios
investigadores para acelerar el cálculo de la búsqueda de desplazamiento de píxeles enteros. Sin
embargo, las técnicas para la estimación de desplazamiento entero al menos tienen dos
deficiencias: (1) no pueden tratar con especímenes sujetos a una gran rotación y / o deformación;
(2) son bastante intensivos en cómputo y, por lo tanto, requieren mucho tiempo.

En este trabajo, se adopta un esquema de seguimiento de desplazamiento guiado por

confiabilidad para evitar por completo el costo computacional involucrado en la búsqueda de
desplazamiento entero. Con este enfoque, el cálculo de correlación comienza con un punto de
semilla seleccionado (o punto de inicio). En cuanto al punto semilla, su conjetura inicial se detecta
a través del proceso simple de búsqueda de desplazamiento de píxel entero o manualmente
[1,29], posteriormente los desplazamientos subpíxel correspondientes se pueden refinar usando
el algoritmo NR. Entonces, los desplazamientos determinados así como los gradientes de
desplazamiento del punto se pueden usar directamente como la estimación inicial de los
parámetros del subconjunto para el próximo punto de investigación según la suposición de
deformación continua [20,21]. Este procedimiento luego se repite para analizar todo el campo de
desplazamiento o deformación. Es bastante importante observar aquí que la ruta de cálculo de
DIC está guiada por el coeficiente ZNCC de los puntos calculados, en lugar de una estrategia de
exploración puntual simple realizada a lo largo de cada columna o fila. Eso significa que los vecinos
del punto con el coeficiente ZNCC más alto se procesará primero. Como el coeficiente ZNCC
denota la confiabilidad del análisis de correlación, esta nueva estrategia de escaneo de
desplazamiento asegura una transferencia de conjetura inicial confiable entre puntos
consecutivos, y se refiere a la correlación de imagen digital guiada por confiabilidad (RG-DIC) en
nuestros documentos recientes [20,21 ] Los méritos de RG-DIC son dos: (1) la estimación de
desplazamiento de píxeles enteros se evita por completo y, por lo tanto, la eficiencia
computacional se incrementa drásticamente; (2) el RG-DIC es capaz de tratar con muestras con
forma irregular y / o sujeto a deformación discontinua. Más detalles del método RG-DIC no son el
enfoque de este trabajo y se pueden encontrar en Refs. [20,21,30]. En resumen, el enfoque de
seguimiento de desplazamiento guiado por fiabilidad no requiere la búsqueda de
desplazamientos de píxeles enteros para todos los puntos de píxeles definidos en el ROI de la
imagen de referencia; en cambio, la estimación inicial de los desplazamientos de píxeles enteros
debe realizarse en un punto de inicio de píxel (o punto inicial) solamente [20,29]. De esta forma,
se puede evitar efectivamente el cálculo de seguimiento de desplazamiento de número entero
repetitivo implicado en el método DIC basado en algoritmo NR.

3.2. Tabla de búsqueda del coeficiente de interpolación precalculada para una

interpolación bicúbica eficiente
Como se puede ver en las ecuaciones (4) y (5), los valores grises, es decir, g ( xi, y j ) , y gradientes
grises de primer orden, es decir, g ( xi, yj ) , en las ubicaciones subpíxel deben proporcionarse
durante la realización del algoritmo NR. Es natural realizar una interpolación sup-píxel para cada
posición subpíxel cuando sea necesario, como se usa en el método DIC basado en algoritmo NR
convencional. Sin embargo, este enfoque aparentemente sencillo consume mucho tiempo y, en
general, absorbe la mayor parte de la carga computacional del algoritmo NR, como se muestra
más adelante. Por ejemplo, si el algoritmo NR necesita una iteración promedio de tres veces para
converger, cada píxel con el subconjunto considerado se debe interpolar repetidamente tres
veces. Además, debido al alto solapamiento entre subconjuntos adyacentes, el punto de píxel
dentro de un subconjunto de referencia también puede aparecer en sus subconjuntos de
referencia vecinos como se indica en la figura 2, lo que significa que las interpolaciones repetitivas
deben realizarse en el mismo punto de píxel. Dado un subconjunto de referencia de (2M+1)x
(2M+1) píxeles y un paso de cuadrícula de L píxeles, cada píxel dentro del subconjunto
 floor ((2M  1) / L)  1
2
considerado también se usará en el adyacente subconjuntos de
referencia, donde floor ( x ) denota el número entero más grande menor que x. Si el punto de
píxel considerado se desplaza a una ubicación subpíxel, este punto de píxel se interpolará
aproximadamente nave x  floor ((2M  1) / L)  1 veces usando el método directo (aquí el
2

número promedio de iteración se asume como nave ). En otros trabajos, los 16 coeficientes de
interpolación requeridos en Eq. (6) se calculan repetidamente nave x  floor ((2M  1) / L)  1
2

veces, lo que implica cálculos redundantes.

Como se señaló anteriormente, durante el uso de la interpolación bicúbica, los 16 coeficientes

siguen siendo los mismos para cada bloque de interpolación, independientemente de las
ubicaciones específicas de subpíxeles dentro de él. El hecho nos ilumina para construir una tabla
de consulta global para cada bloque de interpolación de la imagen deformada antes del cálculo
de iteración NR. Eso significa que todos los 16 coeficientes de interpolación desconocidos
requeridos en Eq. (6) se calculan previamente y se guardan en una tabla de búsqueda global antes
del cálculo de la iteración usando el algoritmo NR. Una vez que un punto de píxel cae en cierto
bloque, estos coeficientes de interpolación calculados se adoptan directamente para reconstruir
los gradientes de intensidad e intensidad en ubicaciones subpíxel. De esta manera, la construcción
de los coeficientes de interpolación debe realizarse una sola vez, en lugar de
nave x  floor ((2M  1) / L)  1 veces, para cada bloque de interpolación. Por ejemplo, si el
2

subconjunto se elige como 21x21 píxeles y el paso de la cuadrícula se establece como 5 píxeles,
los tiempos de interpolación se reducen de 75 veces a simplemente 1 vez. Aparentemente, una
mayor superposición entre subconjuntos consecutivos, lo que significa un tamaño de subconjunto
más grande o un paso de cuadrícula más pequeño, aumentará aún más la eficiencia de cálculo del
método propuesto.
Fig. 2. Diagrama esquemático que muestra la interpolación redundante en el algoritmo NR directo
existente: el punto de píxel desplazado (punto azul) aparece repetidamente en subconjuntos
adyacentes (línea discontinua) ya que los subconjuntos de referencia definidos en la imagen de
referencia se superponen, lo que significa cálculos de interpolación redundantes la optimización
de varios subconjuntos. (Para la interpretación de las referencias al color en esta leyenda de la
figura, se remite al lector a la versión web de este artículo).

4. Verificación experimental

El método DIC rápido propuesto se prueba utilizando imágenes reales experimentales mostrados
en la Fig. 3. Las dos imágenes, con una resolución de 768x576 pixeles en 256 niveles de gris, se
registraron a partir de un experimento de flexión en tres puntos. Se elige un área rectangular en
el medio de la imagen de referencia para que sea la región de interés. A continuación, se utilizó el
lenguaje C++ para realizar el método DIC rápido propuesto, el método RG-DIC y el método DIC
tradicional basado en algoritmo NR, y todos los cálculos se realizaron en una computadora
personal Pentium Dual E8400 con frecuencia principal de 3,0 GHz.

Para demostrar claramente la mejora de velocidad causada por el esquema de escaneo de

desplazamiento guiado por confiabilidad y el método de tabla de coeficiente de interpolación
precalculado, el método DIC rápido también se comparó con el método DIC guiado por
confiabilidad (RG-DIC) y el método DIC convencional. En el método de DIC convencional directo,
se implementó una búsqueda de desplazamiento de píxel entero en puntos dentro de un rango
de búsqueda de 50 a 50 píxeles para proporcionar una estimación inicial para cada punto de
interés. Mientras está en el método RG-DIC, la búsqueda de desplazamiento entero solo se realiza
para el punto inicial. En cuanto al resto de los puntos de cálculo, la búsqueda de desplazamiento
entero se evita adoptando el esquema de transferencia de conjetura inicial guiada por fiabilidad
[20]. Sin embargo, el método de tabla de búsqueda del coeficiente de interpolación precalculado
no se utiliza en el método RG-DIC.

Fig. 3. Imagen de referencia (izquierda) e imagen deformada (derecha) capturada en un

experimento de flexión de tres puntos.

Fig. 4. Desplazamiento- u calculado (izquierda) y desplazamiento- v (derecha) para la prueba de

flexión de tres puntos.

La Fig. 4 muestra el desplazamiento computarizado en u y en dirección v del ROI utilizando el

método DIC rápido con un subconjunto de 21x21 píxeles y un paso de cuadrícula de 5 píxeles. Los
contornos de los campos de desplazamiento extraídos se imponen sobre la imagen deformada
para dar un aspecto intuitivo. En este caso, se analizaron totalmente 11421 (=81x 121) puntos y
el tiempo total de cálculo fue igual a 2.11 s, correspondiente a una velocidad de cálculo de 5489
puntos/s. Aunque no se muestra aquí, se debe tener en cuenta que el RG-DIC y el DIC tradicional
basado en algoritmo NR arrojan resultados idénticos, ya que son matemáticamente equivalentes,
es decir, ambos calculados Eq. (3) La velocidad computacional del método DIC rápido propuesto
es comparable con la del software comercial DIC (Vic-2009, Correlated Solutions, Inc., Columbia,
EE. UU.) [31], mientras que los principios básicos de este último no nos son claros. La Fig. 5
muestra las velocidades computacionales del DIC rápido, el RG-DIC y el DIC basado en algoritmo
NR convencional en diferentes tamaños de subconjuntos. En comparación con el método DIC
tradicional, el método DIC rápido y el método RG-DIC aumentan la velocidad computacional en
175-199 veces y 32-38 veces, respectivamente, dependiendo del tamaño del subconjunto
utilizado. Los resultados que se muestran en la figura 5 demuestran que ambos enfoques
propuestos en este trabajo son capaces de aumentar significativamente la velocidad de cálculo
del algoritmo NR directo, pero el enfoque de la tabla de coeficientes de interpolación precalculada
es más eficiente. También, como se puede ver en la Fig. 5, la velocidad computacional de los tres
algoritmos disminuye de manera constante con el aumento del tamaño del subconjunto utilizado.
Por ejemplo, a medida que el tamaño del subconjunto aumenta de 21x21 a 61x61 píxeles, la
velocidad de cálculo del método DIC rápido disminuye de 5489 a 659 puntos/s. Sin embargo, el
método rápido de DIC sigue siendo 175 veces más rápido que el del método convencional en este
caso. Esto se puede explicar por el hecho de que un subconjunto más grande implica más píxeles
para analizar. Aunque los coeficientes de interpolación de cada bloque de interpolación son
necesarios solo una vez, el tiempo necesario para la reconstrucción de gradientes de intensidad e
intensidad en ubicaciones subpíxel es linealmente proporcional al número total de píxeles que se
procesarán.

Fig. 5. Comparación de velocidad computacional del método DIC tradicional, RG-DIC método y el
método DIC rápido utilizando varios tamaños de subconjuntos. Los números en cada barra
denotan las razones de velocidad computacional del método RG-DIC y el método DIC rápido para
el método DIC tradicional.
La iteración promedio y el tiempo computacional detallado de los tres algoritmos NR usados se
dan en la Tabla 1. En comparación con la estimación inicial en términos de desplazamiento de
enteros estimada mediante la implementación de un esquema de búsqueda simple utilizado en
el método DIC basado en algoritmo NR tradicional, las conjeturas iniciales proporcionar por el
esquema de escaneo de desplazamiento guiado por confiabilidad son más precisos, lo que lleva a
una velocidad de convergencia rápida con menos número de iteración. Como se muestra en la
Tabla 1, la iteración promedio del método de DIC rápido es solo la mitad de la del método
convencional. La velocidad de convergencia rápida indica claramente las ventajas del esquema de
escaneo de desplazamiento guiado por confiabilidad.

La Fig. 6 compara las velocidades computacionales del método DIC rápido, el método RG-DIC y el
método DIC convencional en diferentes pasos de la grilla, que varían de 5 a 20 píxeles, para un
tamaño de subconjunto fijo de 41 a 41 píxeles. Como se muestra, la velocidad computacional del
algoritmo NR directo es casi invariable al paso de la grilla usado; mientras que la velocidad
computacional del método RG-DIC y en particular el método DIC rápido disminuyen a medida que
aumenta el tamaño del paso de la grilla. En otras palabras, la eficiencia del método de DIC rápido
disminuye cuando se usa un paso de grilla grande para el cálculo. Esto se debe principalmente a
las superposiciones de subconjuntos reducidos cuando aumenta el paso de la grilla. Sin embargo,
cuando no hay solapamiento entre subconjuntos de referencia consecutivos (es decir, el paso de
la cuadrícula equivale al tamaño del medio subconjunto), la eficacia computacional del método
de DIC rápido es todavía sustancialmente mayor que la del método convencional.
Específicamente, el método DIC rápido es aproximadamente 120 veces más rápido que el método
convencional, cuando el paso de la cuadrícula se establece en 20 píxeles (es decir, la mitad del
tamaño del subconjunto).

Fig. 6. Comparación de la velocidad computacional del método DIC tradicional, el método RG-DIC
y el método DIC rápido usando varios pasos de cuadrícula. Los números en cada barra indican las
relaciones de velocidad computacional del método RG-DIC y el método DIC rápido para el método
DIC tradicional.
Tabla 1

Comparación de la iteración promedio y el tiempo computacional del método DIC rápido, el

método RG-DIC y el método DIC tradicional utilizando varios tamaños de subconjuntos.

5. Observaciones finales

En este trabajo se propone un método rápido de DIC rápido basado en el algoritmo Newton-
Raphson de alta precisión para una medición de deformación rápida y precisa. Mediante el uso
de un esquema de seguimiento de desplazamiento guiado por confiabilidad, se puede lograr una
transferencia de conjetura inicial confiable y precisa entre puntos de interés consecutivos. Como
resultado, en el método DIC rápido propuesto se evita por completo el desplazamiento de enteros
que requiere mucho tiempo en el método DIC convencional. Además, construyendo una tabla de
consulta para los coeficientes de interpolación de cada bloque de interpolación de 2 × 2 píxeles
en la imagen deformada, el cálculo de interpolación subpíxel redundante puede reducirse
drásticamente en el método DIC rápido propuesto. Los resultados experimentales revelan que el
método DIC rápido propuesto es aproximadamente 120-200 veces más rápido que el método DIC
basado en algoritmo NR convencional sin perder su precisión de medición, lo que permite una
medición de deformación de alta precisión a un bajo costo computacional.

Expresiones de gratitud

Este trabajo es apoyado por la Fundación Nacional de Ciencias Naturales de China (NSFC) bajo las
concesiones 11002012 y 10902066, el Fondo de Ciencia del Laboratorio Clave Estatal de Seguridad
y Energía Automotriz bajo la concesión KF10041, el Fondo de Investigación Especializado para el
Programa de Doctorado de Educación Superior bajo concesión 20101102120015 y los Fondos
Fundamentales de Investigación para las Universidades Centrales.