基于自监督学习的散斑位移场求解方法

散斑位移场的精确求解是数字图像相关技术的核心环节，直接决定了对结构变形行为的分析质量。提出了基于自监督学习的散斑位移场求解方法，该方法以感兴趣区域坐标集作为输入，通过引入辅助任务约束预测变形图像与真实变形图像灰度函数保持一致，构建了面向散斑图像的自监督学习框架，并针对实际应用中的光照条件变化问题，在框架内嵌入了灰度线性映射模块和相对形态损失函数，这样可以不依赖于大规模有标注数据集的预训练，直接在待分析散斑图像的自我监督下进行位移场自适应求解。开展了多场景下的实验验证，将所提方法与传统方法及其他基于深度学习的方法进行对比。结果表明，所提方法对简单位移场的平均求解误差小于0.013 pixel，对复杂星形位移场的平均求解误差小于0.07 pixel，且在最大位移超过40 pixel的条件下，对旋转位移场的平均求解误差不超过1.9 pixel，取得了最高的求解精度。同时，所提方法具备光照鲁棒性，其求解结果几乎不受光照条件变化的影响，且计算效率相较传统方法更高，在数字图像相关技术中具有良好的应用前景。