YaDIC - Википедия - YaDICs

YaDICs
Оригинальный автор (ы)Кудерт Себастьен, Сегир Риан, Витц Жан-Франсуа
изначальный выпускЯнварь 2012 г.; 8 лет назад (2012-01)
Стабильный выпуск
Версия 04.14a / 27 мая 2015 г.; 5 лет назад (2015-05-27)
Репозиторийникто Отредактируйте это в Викиданных
Написано вC ++
Операционная системаLinux
Размер18,4 МБ
ТипОбработка изображений
ЛицензияGPLv2 или позже
Интернет сайтЯдиц.univ-lille1.fr/ wordpress/

YaDICs это программа, написанная для выполнения корреляция цифрового изображения на 2D и 3D томографических изображениях. Программа была спроектирована как модульная с точки зрения стратегии надстройки, и как эффективная благодаря стратегии многопоточности. Он включает в себя различные преобразования (глобальные, эластичные, локальные), стратегию оптимизации (Гаусс-Ньютон, крутой спуск), глобальные и / или локальные функции формы (движения твердого тела, однородные дилатации, модели испытаний на изгиб и бразильские испытания) ...

Теоретические основы

Контекст

В механике твердого тела корреляция цифрового изображения является инструментом, который позволяет идентифицировать поле смещений для регистрации опорного изображения (называемое в данном документе фиксированного изображением) к изображениям во время эксперимента (мобильное изображения). Например, можно наблюдать за лицевой стороной образца с нарисованной крапинкой на ней, чтобы определить его поля смещения во время Тест на растяжку. До появления таких методов исследователи обычно использовали тензодатчики для измерения механического состояния материала, но тензодатчики измеряют только деформацию в точке и не позволяют понять материал с неоднородным поведением. Можно получить полный самолет тензор деформации путем вывода полей смещения. Многие методы основаны на оптический поток.

В механике жидкости используется аналогичный метод, называемый Скорость изображения частиц (PIV); алгоритмы аналогичны алгоритмам DIC, но невозможно гарантировать сохранение оптического потока, поэтому подавляющее большинство программного обеспечения использовали нормированную метрику взаимной корреляции.

В механике поля смещения или скорости являются единственной проблемой, а регистрация изображений - лишь побочным эффектом. Есть еще один процесс, называемый регистрация изображения с использованием тех же алгоритмов (на мономодальных изображениях), но где цель состоит в том, чтобы зарегистрировать изображения и тем самым идентифицировать поле смещения, это всего лишь побочный эффект.

YaDICs использует общий принцип регистрации изображений с особым вниманием к основанию полей смещения.

Принцип регистрации изображения

YaDIC можно объяснить, используя классическую структуру регистрации изображений:[1]

Общая схема регистрации изображения

Общая идея регистрации изображений и корреляции цифровых изображений состоит в том, чтобы найти преобразование между фиксированным изображением и движущимся для заданной метрики с использованием схемы оптимизации. Хотя существует множество методов для достижения такой цели, Yadics фокусируется на регистрации изображений с той же модальностью. Идея создания этого программного обеспечения состоит в том, чтобы иметь возможность обрабатывать данные, поступающие с µ-томографа; то есть: куб данных более 1000 ³ вокселей. При таком размере невозможно использовать наивный подход, обычно используемый в двумерном контексте. Чтобы получить достаточную производительность OpenMP используется параллелизм, и данные не хранятся в памяти глобально. Поскольку подробное описание различных алгоритмов дается в.[1]

Отбор проб

В отличие от регистрации изображений, цифровая корреляция изображений нацелена на преобразование: нужно извлечь наиболее точное преобразование из двух изображений, а не просто сопоставить изображения. Yadics использует все изображение как сетку выборки: таким образом, это полная выборка.

Интерполятор

Возможен выбор между билинейная интерполяция и бикубическая интерполяция для оценки уровня серого в нецелочисленных координатах. Рекомендуется использовать бикубическую интерполяцию.

Метрики

Сумма квадратов разностей (SSD)

SSD также известен как среднеквадратичная ошибка. Уравнение ниже определяет метрику SSD:

куда фиксированное изображение, движущийся, область интеграции количество пи (vo) xels (кардинал) и преобразование, параметризованное μ

Преобразование можно записать как:

Эта метрика является основной, используемой в YaDIC, поскольку она хорошо работает с изображениями той же модальности. Нужно найти минимум этой метрики

Нормализованная взаимная корреляция

В нормализованная взаимная корреляция (NCC) используется, когда нельзя гарантировать сохранение оптического потока; это происходит в случае изменения освещения или если частицы исчезают со сцены, может происходить в велосиметрии изображений частиц (PIV).

НКЦ определяется:

куда и - средние значения фиксированных и мобильных изображений.

Эта метрика используется только для поиска местного перевода в Yadics. Эта метрика с преобразованием трансляции может быть решена с помощью методов взаимной корреляции, которые не являются итерационными и могут быть ускорены с помощью быстрого преобразования Фурье.

Классификация преобразований

Существует три категории параметризации: эластичное, глобальное и локальное преобразование. При упругих преобразованиях учитывается разделение на единицу, не создаются отверстия или поверхности, пересчитываемые несколько раз. Это обычно используется при регистрации изображений с помощью B-сплайн функции[1][2] и в механике твердого тела с конечно-элементной базой.[3][4] Глобальные преобразования задаются на всей картинке с помощью преобразования твердого тела или аффинного преобразования (что эквивалентно преобразованию однородной деформации). Можно определить более сложные преобразования, например, механические. Эти преобразования были использованы для идентификации фактора интенсивности напряжений [5][6] и для деформации штанги.[7] Локальное преобразование можно рассматривать как такое же глобальное преобразование, определенное в нескольких зонах интереса (ZOI) фиксированного изображения.

Глобальный

Реализовано несколько глобальных преобразований:

  • Жесткие и однородные (Tx, Ty, Rz в 2D; Tx, Ty, Tz, Rx, Ry, Rz, Exx, Eyy, Ezz, Eyz, Exz, Exy в 3D)
  • Бразильский [8] (Только в 2D),
  • Динамическое сгибание,

Эластичный

Четырехугольные конечные элементы первого порядка Q4P1 используются в Yadics.

Местный

Каждое глобальное преобразование можно использовать на локальной сетке.

Оптимизация

Процесс оптимизации YaDICs следует схеме градиентного спуска.

Первым шагом является вычисление градиента метрики относительно параметров преобразования.

Градиентный метод

После вычисления градиента метрики необходимо найти стратегию оптимизации.

Принцип градиентного метода объясняется ниже:

Шаг градиента может быть постоянным или обновляться на каждой итерации., позволяет выбирать между следующими методами:

  • крутой спуск,
  • Гаусс-Ньютон.

Существует множество различных методов (например, BFGS, сопряженный градиент, стохастический градиент), но поскольку самый крутой градиент и метод Гаусса-Ньютона - единственные реализованные в Yadics, эти методы здесь не обсуждаются.

Метод Гаусса-Ньютона - очень эффективный метод, который требует решения [M] {U} = {F}. На микротомографическом изображении объемом 1000³ вокселей число степеней свободы может достигать 1e6 (то есть: на сетке 12 × 12 × 12), решение такой проблемы больше зависит от ученых-математиков и требует специальной разработки (с использованием таких библиотек, как Petsc или MUMPS), поэтому мы не используем методы Гаусса-Ньютона для решения таких задач. Был разработан специальный алгоритм наискорейшего градиента с определенной настройкой скалярного параметра αk на каждой итерации. Метод Гаусса-Ньютона можно использовать в небольших задачах в 2D.

Пирамидальный фильтр

Ни один из этих методов оптимизации не может быть успешным напрямую, если применяется в последнем масштабе, поскольку методы градиента чувствительны к начальным гостям. Чтобы найти глобальный оптимум, необходимо оценить преобразование отфильтрованного изображения. На рисунке ниже показано, как использовать пирамидальный фильтр для поиска преобразования.[9]

Пирамидальный процесс, используемый в Ядиче (и ИТК).

Регуляризация

Метрики часто называют энергией изображения; люди обычно добавляют энергию, которая исходит из предположений механики, как лапласиан смещения (частный случай регуляризации Тихонова [10]) или даже задачи конечных элементов. Поскольку в большинстве случаев было решено не решать проблему Гаусса-Ньютона, это решение далеко не эффективно для ЦП. Cachier et al.[11] продемонстрировали, что проблема минимизации изображения и механической энергии может быть переформулирована при решении энергетического изображения с последующим применением фильтра Гаусса на каждой итерации. Мы используем эту стратегию в Yadics и добавляем медианный фильтр, поскольку он широко используется в PIV. Следует отметить, что медианный фильтр избегает локальных минимумов, сохраняя при этом неоднородности. Процесс фильтрации показан на рисунке ниже:

Смотрите также

Рекомендации

  1. ^ а б c S. Klein, M. Staring, K. Murphy, M. A. Viergever и J. P. W. Pluim, "Elastix: набор инструментов для регистрации медицинских изображений на основе интенсивности", Медицинская визуализация, транзакции IEEE, том. 29, вып. 1, стр. 196–205, 2010 г.
  2. ^ J. Réthoré, T. Elguedj, P. Simon и M. Correct, "Об использовании функций Нурбса для измерения производных смещения путем корреляции цифровых изображений", Experimental Mechanics, vol. 50, вып. 7. С. 1099–1116, 2010.
  3. ^ G. Besnard, F. Hild и S. Roux, "Анализ полей смещения конечных элементов из цифровых изображений: приложение к полосам Портевена-ле Шателье", Экспериментальная механика, т. 46, вып. 6. С. 789–803, 2006.
  4. ^ J. Réthoré, S. Roux и F. Hild, "От изображений к расширенным конечным элементам: расширенная корреляция цифровых изображений (x-dic)", Comptes rendus mécanique, vol. 335, вып. 3. С. 131–137, 2007.
  5. ^ Р. Хамам, Ф. Хилд и С. Ру, "Измерение коэффициента интенсивности напряжения с помощью корреляции цифрового изображения: применение при циклической усталости", "Деформация", том. 43, вып. 3. С. 181–192, 2007.
  6. ^ Ф. Хильд и С. Ру, «Измерение факторов интенсивности стресса с помощью камеры: интегрированная корреляция цифровых изображений (i-dic)», Comptes rendus mécanique, vol. 334, вып. 1. С. 8–12, 2006.
  7. ^ Ф. Хильд, С. Ру, Н. Герреро, М. Маранте и Х. Флорес-Льопес, «Калибровка конструктивных моделей стальных балок, подверженных локальному изгибу, с использованием корреляции цифровых изображений», Европейский журнал механики - a / solids , т. 30, вып. 1. С. 1–10, 2011.
  8. ^ Ф. Хильд и С. Ру, "Корреляция цифровых изображений: от измерения смещения до определения упругих свойств? Обзор" Деформация, т. 42, вып. 2. С. 69–80, 2006.
  9. ^ Т.С. Ю, MJ Ackerman, WE Lorensen, W. Schroeder, V. Chalana, S. Aylward, Dimitris Metaxas и R. Whitaker, «Разработка и разработка алгоритмов для API обработки изображений: технический отчет по itk - инструментарий Insight», ", стр. 586–592, 2002.
  10. ^ Тихонов А.Н., Гласко В.Б. Использование метода регуляризации в нелинейных задачах // Журнал вычислительной математики и математической физики. 5, вып. 3. С. 93–107, 1965.
  11. ^ П. Кашиер, Э. Бардине, Д. Дормонт, X. Пеннек и Н. Аяче, «Нестойкая регистрация на основе знаковых функций: алгоритм PASHA », Компьютерное зрение и понимание изображений, т. 89, вып. 2–3, стр. 272–298, 2003.

внешняя ссылка