Determinación Del Mapa de Deformaciones en Probetas Planas Mediante El Método de Correlación Digital de Imágenes - Rubén Castañeda

SEP SES TNM
INSTITUTO TECNOLÓGICO DE CHIHUAHUA II
“Determinación del mapa de deformaciones en

probetas planas mediante el método de correlación
digital de imágenes”
TESIS
PARA OBTENER EL GRADO DE
MAESTRO EN SISTEMAS COMPUTACIONALES
PRESENTA
ING. RUBÉN CASTAÑEDA BALDERAS

DIRECTOR DE TESIS
DR. HERNÁN DE LA GARZA GUTIÉRREZ
CO-DIRECTOR DE TESIS
DR. ALBERTO DÍAZ DÍAZ
CHIHUAHUA, CHIH. A 17 DÍAS DEL MES DE JUNIO DEL AÑO 2016

CONTENIDO
CONTENIDO....................................................................................................................................... 1
ÍNDICE DE FIGURAS ....................................................................................................................... 3
ÍNDICE DE TABLAS ......................................................................................................................... 8
CAPÍTULO I. INTRODUCCIÓN ....................................................................................................... 9
1.1 Introducción. .......................................................................................................................................9

1.2 Planteamiento del problema.............................................................................................................15
1.3 Alcances y Limitaciones .....................................................................................................................16
1.3.1 Alcances .....................................................................................................................................16
1.3.2 Limitaciones...............................................................................................................................16
1.4 Justificación .......................................................................................................................................17
1.5 Objetivos ...........................................................................................................................................18
1.5.1 Objetivo General .......................................................................................................................18
1.5.2 Objetivos específicos .................................................................................................................18
CAPÍTULO II. ESTADO DEL ARTE. ............................................................................................. 20
CAPÍTULO III. MARCO TEÓRICO ................................................................................................ 23
3.1 Transformación de un cuerpo ...........................................................................................................23

3.2 Campo de desplazamiento ................................................................................................................24
3.3 Campo de deformación. ....................................................................................................................25
3.4 Deformaciones principales. ...............................................................................................................27
3.5 Método de Correlación Digital de Imágenes (DIC) ............................................................................28
3.5.1 Preparación de las probetas ......................................................................................................28
3.5.2 Región de Interés y mallado ......................................................................................................30
3.5.3 Facetas y área de búsqueda ......................................................................................................31
3.5.4 Criterio de correlación y cálculo del desplazamiento a nivel Pixel ...........................................33
3.5.5 Cálculo del desplazamiento a nivel Sub-Pixel............................................................................37
3.5.6 Algoritmo rápido y guiado para la determinación de movimiento a nivel pixel y parámetros
iniciales de nivel Sub-Pixel.........................................................................................................................39
3.5.7 Cálculo de resultados ................................................................................................................40
POSGRADO/MSC Página 1
CAPÍTULO IV. DESARROLLO ...................................................................................................... 41
4.1 Modelo de negocio............................................................................................................................41

4.2 Determinación de requerimientos ....................................................................................................42
4.3 Análisis y diseño ................................................................................................................................47
4.4 Interfaz gráfica...................................................................................................................................49
4.5 Implementación ................................................................................................................................61
4.5.1 Procedimiento de captura de imagen base desde dispositivo de almacenamiento ................61
4.5.2 Procedimiento de captura de imágenes deformadas desde dispositivo de almacenamiento .64
4.5.3 Procedimiento de captura de imagen base desde dispositivo cámara .....................................65
4.5.4 Procedimiento selección de área de interés o ROI ...................................................................70
4.5.5 Procedimiento de mallado ........................................................................................................73
4.5.6 Procedimiento de correlación digital de imágenes ...................................................................74
4.5.7 Procedimiento de graficación de resultados. ............................................................................81
CAPÍTULO V. RESULTADOS Y DISCUSIÓN .............................................................................. 83
5.1 Pruebas de validación del sistema. ...................................................................................................83

5.2 Esquema de pruebas de validación. ..................................................................................................85
5.3 Resultados y discusión.......................................................................................................................88
CAPÍTULO VI. CONCLUSIONES ................................................................................................ 112
VII.BIBLIOGRAFÍA ....................................................................................................................... 114
ANEXO A ........................................................................................................................................ 117
ANEXO B ........................................................................................................................................ 119
ÍNDICE DE FIGURAS
Figura No. 1. Cálculo de la deformación utilizando la lectura de la máquina universal. .................. 10
Figura No. 2. Probeta instrumentada con una galga extensiométrica. ............................................... 11
Figura No. 3. Gráfica de la variación del factor de galga con respecto al cambio de temperatura. ... 12
Figura No. 4. Zona útil de una galga extensiométrica. ...................................................................... 12
Figura No. 5. a) Campos de desplazamiento en las direcciones x, y, b) Campos de deformación en el
sentido x, y (x,y). ............................................................................................................................ 14
Figura No. 6. a) Fotografía de la viga de concreto reforzado b) Esquema de la distribución de
fracturas en la probeta. c) Esfuerzo de Von Mises durante la prueba de flexión. .............................. 14
Figura No. 7. Ejemplo de mapa de deformaciones utilizando el método de correlación digital de
imágenes presentada en (Jérémie Dautriat, 2011). ............................................................................. 21
Figura No. 8. Transformación de un cuerpo. ..................................................................................... 24
Figura No. 9. Transformación rígida de un cuerpo. ........................................................................... 25
Figura No. 10. Deformación de un cuerpo. ........................................................................................ 26
Figura No. 11. Problema de identificación del desplazamiento considerando únicamente el pixel sin
su entorno. .......................................................................................................................................... 28
Figura No. 12. Ejemplos de patrones de moteados ideales (Michael A. Sutton, 2009). .................... 29
Figura No. 13. Mallado virtual de la región de interés. ..................................................................... 31
Figura No. 14. Faceta centrada en un punto P cualquiera de la malla. .............................................. 32
Figura No. 15. En a) se puede observar la imagen original, en b) se puede observar el área de
búsqueda en la imagen deformada. .................................................................................................... 33
Figura No. 16. Cálculo del valor de escala de grises en cada faceta. ................................................. 36
Figura No. 17. Cálculo de desplazamiento a nivel pixel. ................................................................... 37
Figura No. 18. Diagrama de flujo de la búsqueda a nivel sub-pixel. ................................................. 38
Figura No. 19 Fundamento del algoritmo rápido y guiado. ............................................................... 40
Figura No. 20 Diagrama de objetivos del sistema de mapas de deformaciones a través del uso de
método de correlación digital de imágenes. ....................................................................................... 42
Figura No. 21 Diagrama de casos de uso de funciones del sistema. .................................................. 44
Figura No. 22 Menú de opciones estilo Microsoft Office.................................................................. 45
Figura No. 23 Diagrama de actividades del sistema .......................................................................... 46
Figura No. 24 Diagrama de clases del sistema................................................................................... 47
Figura No. 25 Diagrama de clases TMatriz, TMalla.......................................................................... 48
Figura No. 26 Pantalla principal del software. ................................................................................... 51
Figura No. 27 Ventana de configuración, opción de captura desde dispositivo de almacenamiento. 52
Figura No. 28 Ventana de configuración, opción de captura desde cámara. ..................................... 52
Figura No. 29 Sistema utilizando la opción de captura con cámara. ................................................. 53
Figura No. 30 Carga de archivo base. ................................................................................................ 54
Figura No. 31 Visualización de la imagen base en la interfaz gráfica. .............................................. 55
Figura No. 32 Barra de imágenes deformadas. .................................................................................. 56
Figura No. 33 Zona de trabajo. .......................................................................................................... 57
Figura No. 34 Dimensionamiento real del área de interés. ................................................................ 58
Figura No. 35 Mallado Fino. .............................................................................................................. 58
Figura No. 36 Mallado Normal. ......................................................................................................... 59
Figura No. 37 Mallado Burdo. ........................................................................................................... 60
Figura No. 38 Mallado Personalizado. ............................................................................................... 60
Figura No. 39 Opción de correlacionar. ............................................................................................. 61
Figura No. 40 Código del TRadioButton de la opción captura desde dispositivo de almacenamiento.
............................................................................................................................................................ 62
Figura No. 41 Código para la carga de archivo base. ........................................................................ 63
Figura No. 42 Método interno de conversión de la clase TIMatriz. .................................................. 63
Figura No. 43 Evento execute de la opción Deformadas. .................................................................. 64
Figura No. 44 Directivas de compilación........................................................................................... 65
Figura No. 45 Creación de la estructura de datos para la imagen base. ............................................. 66
Figura No. 46 Método para la creación de una imagen tipo BMP a partir de una estructura antes
creada. ................................................................................................................................................ 67
Figura No. 47 Evento OnClick para visualizar la cámara. ................................................................. 68
Figura No. 48 Procedimiento de captura de instantánea. ................................................................... 69
Figura No. 49 Procedimiento de dimensionamiento real. .................................................................. 70
Figura No. 50 Procedimiento de captura y procesamiento del evento OnClick del mouse. .............. 71
Figura No. 51 Evento MouseMove. ................................................................................................... 72
Figura No. 52 Procedimiento en el evento MouseUp. ....................................................................... 73
Figura No. 53 Procedimiento de mallado........................................................................................... 74
Figura No. 54 Función principal del método de correlación. ............................................................. 76
Figura No. 55 Función para el cálculo a nivel pixel. ......................................................................... 79
Figura No. 56 Búsqueda a nivel sub-pixel. ........................................................................................ 80
Figura No. 57 Cálculo de la matriz Hessiana. .................................................................................... 81
Figura No. 58 Cálculo desplazamiento o deformación pixel a pixel. ................................................ 82
Figura No. 59 Imagen con señal senoidal. ......................................................................................... 85
Figura No. 60 Imagen con moteado aleatorio. ................................................................................... 86
Figura No. 61 Resultado de error relativo máximo en la medición de la deformación du/dx con valor
nominal de 0.001 (imagen con fuente senoidal). ............................................................................... 89
Figura No. 62 Resultado de error relativo máximo en la medición de la deformación du/dy con valor
nominal de 0.003 (imagen con fuente senoidal). ............................................................................... 89
Figura No. 63 Resultado de error relativo máximo en la medición de la deformación dv/dx con valor
nominal de -0.001 (imagen con fuente senoidal). .............................................................................. 90
Figura No. 64 Resultado de error relativo máximo en la medición de la deformación dv/dy con valor
nominal de -0.002 (imagen con fuente senoidal) ............................................................................... 90
Figura No. 65 Mapa de desplazamientos u obtenidos con la proporción T/M que presenta menores
errores (imagen con fuente senoidal, primera configuración de deformaciones). ............................. 91
Figura No. 66 Mapa de desplazamientos v obtenidos con la proporción T/M que presenta menores
Figura No. 67 Mapa de deformación du/dx obtenida con la proporción T/M que presenta menores
Figura No. 68 Mapa de deformación du/dy obtenida con la proporción T/M que presenta menores
Figura No. 69 Mapa de deformación dv/dx obtenida con la proporción T/M que presenta menores
Figura No. 70 Mapa de deformación dv/dy obtenida con la proporción T/M que presenta menores
nominal de 0.01 (imagen con fuente senoidal). ................................................................................. 94
nominal de 0.03 (imagen con fuente senoidal). ................................................................................. 94
nominal de -0.01 (imagen con fuente senoidal). ................................................................................ 95
nominal de -0.02 (imagen con fuente senoidal). ................................................................................ 95
Figura No. 75 Mapa de desplazamientos de u obtenidos con la proporción T/M que presenta
menores errores (imagen con fuente senoidal, segunda configuración de deformaciones). .............. 96
Figura No. 76 Mapa de desplazamientos de v obtenidos con la proporción T/M que presenta
Figura No. 77 Mapa de deformaciones de du/dx obtenidas con la proporción T/M que presenta
Figura No. 78 Mapa de deformaciones de du/dy obtenidas con la proporción T/M que presenta
Figura No. 79 Mapa de deformaciones de dv/dx obtenidas con la proporción T/M que presenta
Figura No. 80 Mapa de deformaciones de dv/dy obtenidas con la proporción T/M que presenta
nominal de 0.001 (imagen con moteado aleatorio). .......................................................................... 99
nominal de 0.003 (imagen con moteado aleatorio). ........................................................................... 99
nominal de -0.001 (imagen con moteado aleatorio). ........................................................................ 100
nominal de -0.002 (imagen con moteado aleatorio). ........................................................................ 100
menores errores (imagen con moteado aleatorio, primera configuración de deformaciones). ........ 101
menores errores (imagen con moteado aleatorio, primera configuración de deformaciones). ........ 101
errores (imagen con moteado aleatorio, primera configuración de deformaciones). ....................... 102
nominal de -0.01 (imagen con moteado aleatorio). .......................................................................... 105
nominal de -0.02 (imagen con moteado aleatorio). .......................................................................... 105
menores errores (imagen con moteado aleatorio, segunda configuración de deformaciones). ........ 106
menores errores (imagen con moteado aleatorio, segunda configuración de deformaciones). ........ 106
errores (imagen con moteado aleatorio, segunda configuración de deformaciones). ...................... 107
Figura No. 101 Explicación gráfica de la minimización de errores conforme aumenta la resolución
de las imágenes (resultado de du/dy con valor nominal de 0.02 en imagen con moteado aleatorio).
.......................................................................................................................................................... 109
Figura No. 102 Porcentajes de errores máximos en la medición de las deformaciones con imágenes
con fuente senoidal, en función de la resolución de la imagen ( a) primera configuración de
deformaciones, b) segunda configuración de deformaciones). ........................................................ 110
Figura No. 103 Porcentajes de errores máximos en la medición de las deformaciones con imágenes
con moteado aleatorio, en función de la resolución de la imagen ( a) primera configuración de
deformaciones, b) segunda configuración de deformaciones). ........................................................ 111
ÍNDICE DE TABLAS
Tabla 1 Criterios comúnmente utilizados de correlación cruzada o CC. ........................................... 34

Tabla 2 Criterios comúnmente utilizados de sumatoria de diferencias cuadradas o SSD. ................ 35
Tabla 4. Tamaño de las imágenes generadas. .................................................................................... 86
Tabla 5. Valores de deformación aplicada a las imágenes artificiales. .............................................. 87
Tabla 6. Valores que tomaran las variables propias del método de correlación. ............................... 87
Tabla 7. Valores de la zona de interés y la separación en el mallado. ............................................... 88
CAPÍTULO I. INTRODUCCIÓN
1.1 Introducción.
Los diseñadores de estructuras y los estudiosos del área de los materiales tienen como meta común
predecir el comportamiento de sus productos para garantizar la calidad de los mismos. Para ello es
importante caracterizar el material y determinar sus propiedades mecánicas. Entre las propiedades
más significativas desde el punto de vista mecánico se encuentran el Módulo de Young (módulo
elástico ) y el Coeficiente de Poisson (relación que existe entre la deformación longitudinal y la
deformación transversal de un material ).
La importancia de este trabajo de caracterización radica en que en toda construcción de ingeniería,

las partes conocidas como componentes de una estructura o máquina se le deben de asignar tamaños
físicos definidos. Estas partes deben de ser adecuadamente proporcionadas para que tengan la
rigidez o flexibilidad adecuadas. Así por ejemplo, entre otros, las paredes de un recipiente a presión
deben sostener la presión interior sin presentar deformaciones considerables, los pisos de un edificio
deben ser suficientemente rígidos para el fin a que están destinados, la flecha o árbol en una
máquina debe ser de tamaño adecuado para poder transmitir el par de torsión requerido con poca
deformación angular, la deflexión del ala de un avión debe ser calculada cuando está sometida a
cargas aerodinámicas que se presentan durante el despegue, el vuelo y el aterrizaje, etc. (Egor P.
Popov, 2000).
El trabajo normal de caracterización mecánica se lleva a cabo a través de máquinas denominadas

universales. Estos equipos adoptan su nombre a la capacidad de realizar distintas pruebas, las más
comunes son: tensión, compresión y flexión. Cuentan entre sus características más importantes la
regulación de la fuerza, el control de desplazamientos, además de contener con un software que en
todo momento está adquiriendo los datos de desplazamiento y fuerza. Con los datos adquiridos se
puede calcular el esfuerzo y deducir de forma indirecta la deformación sufrida por la muestra de
material (por convención se le conoce a dicha muestra como probeta). La gráfica más importante en
la caracterización mecánica es la gráfica de esfuerzo contra deformación, con ella se puede
determinar el módulo de Young por medio de la pendiente de la zona elástica del material y el
coeficiente de Poisson, utilizando la proporción entre la deformación transversal y la deformación
axial.
El software de la máquina universal tiene la capacidad de estimar las deformaciones de las probetas,
mediante la fórmula:
D (1)
L0
donde D es el desplazamiento del cabezal y L0 la longitud inicial de la probeta. (ver Figura No. 1).
La fórmula supone que los componentes de la máquina son indeformables en todo momento
(cabezal, mordazas, celda de carga, etc.) y que todo el desplazamiento proviene de la deformación
de la probeta. No obstante, la realidad es muy diferente a lo esperado, en algunas ocasiones la
máquina llega a contribuir en los resultados, de tal manera que la deformación estimada es la suma
de los desplazamientos de la probeta, más la contribución de los desplazamientos propios de los
componentes del equipo, razón por lo cual la estimación se puede considerar de muy mala calidad.
Figura No. 1. Cálculo de la deformación utilizando la lectura de la máquina universal.
Para evitar este tipo de problemas, se tiene por alternativa el uso de “strain gages” o galgas
extensiométricas. Este último es un dispositivo que se utiliza para la medición electrónica de
deformación (Sosa). La galga es un sensor que se coloca directamente en el cuerpo de la probeta y
que conforme se van deformando la pieza y la galga, la resistencia eléctrica de esta última varía
proporcionalmente a la deformación. Mediante un puente de Wheatstone se puede transformar esta
variación de resistencia en un voltaje proporcional y así deducir la deformación de la probeta en la
dirección en que fue colocada la galga. En la Figura No. 2 se puede observar una galga
instrumentada en el cuerpo de la probeta.
Figura No. 2. Probeta instrumentada con una galga extensiométrica.
Las galgas cuentan con virtudes y defectos, no resuelven todos los problemas de caracterización de
los materiales. En condiciones ideales, el sensor puede dar buenos resultados (microdeformaciones),
no obstante estos dispositivos deben trabajar bajo ciertos rangos de temperatura controlada. Fuera de
rangos óptimos, la deformación propia del material con el que están construidas las galgas, interfiere
directamente con los valores de deformación que se pueden deducir para la probeta además de que
este material puede degradarse a altas temperaturas. En la Figura No. 3 se puede observar un gráfico
que muestra la variación del factor de galga a diferentes temperaturas (el gráfico proviene de los
reportes de prueba de uno de los más reconocidos proveedores de sensores de este tipo a nivel
mundial (VISHAY, s.f.)).
Figura No. 3. Gráfica de la variación del factor de galga con respecto al cambio de temperatura.
Las mediciones obtenidas con galgas son consideradas como puntuales, ver Figura No. 4. Una más
de las características de los sensores, es el hecho de que son desechables, al deformarse la probeta
también lo hace el dispositivo, lo cual invalida su uso para posteriores trabajos de caracterización.
Figura No. 4. Zona útil de una galga extensiométrica.
Existen en el mercado dos tipos principales de galgas en relación a su costo y uso. El primero es el
tipo académico, el segundo es el tipo industrial. El primer tipo, como su nombre lo indica, está
limitado para fines académicos y sólo se venden a instituciones educativas, las cuales presentan
entre sus programas de estudio, materias relacionadas con la caracterización de materiales. La
segunda opción es el tipo industrial, las cuales se vende a cualquier empresa que lo requiera. Su
adquisición va directamente relacionada al tipo de estudio y material a caracterizar. Existen galgas
especializadas en concretos, polímeros, metales, “altas temperaturas” (por lo general son rangos de
temperatura no muy elevados, debido a que finalmente se trata de un componente electrónico), etc.
(VISHAY).
Cuando se presentan medios poco favorables para el uso de galgas, se buscan nuevos métodos de
caracterización. Uno de los más efectivos es el método de correlación digital de imágenes,
comúnmente conocido como DIC, por sus siglas en inglés (digital image correlation). Este método
aparece en múltiples publicaciones como la solución para determinar el campo de desplazamiento y
deformaciones en la superficie de una probeta. Se le considera no invasivo, preciso y con uso en
múltiples campos, entre ellos la microscopía, la medicina, etc.
El método de correlación digital de imágenes tiene grandes aplicaciones en el área de los materiales,
tiene la capacidad de determinar el campo de desplazamientos y deformaciones en la superficie de
una probeta (ver Figura No. 5). En algunos casos, si el equipo (máquina universal) lo permite, se
pueden crear curvas de esfuerzo contra deformación para determinar las propiedades mecánicas de
un material. El método también tiene impacto en el área de la mecánica de la fractura, puesto que
permite dar seguimiento puntual a las deformaciones presentadas en el borde de la grieta. En el año
2013 en la revista Indian Academy of Sciences se presentó un artículo titulado “Application of
digital image correlation method for analysing crack variation of reinforced concrete beams”, en el
que se utiliza el método de correlación de imágenes para observar la propagación de grietas en vigas
de concreto reforzado (Ming-Hsiang Shih, August 2013). En la Figura No. 6 se pueden observar los
resultados de la deformación de Von Mises (criterio de falla) en una probeta de concreto utilizando
el método de correlación de imágenes.
Figura No. 5. a) Campos de desplazamiento en las direcciones x, y, b) Campos de deformación en el sentido x, y (x,y).
Figura No. 6. a) Fotografía de la viga de concreto reforzado b) Esquema de la distribución de fracturas en la probeta. c)
Esfuerzo de Von Mises durante la prueba de flexión.
El método de correlación digital de imágenes puede ser empleado en aquellos laboratorios donde se
requiera la caracterización de materiales, ya sea en pruebas donde los medios sean poco favorables
para el uso de las galgas extensiométricas o simplemente donde se desee conocer el mapa de
deformaciones del material. El Centro de Investigación en Materiales Avanzados S.C. (CIMAV),
cuenta con múltiples laboratorios con esas características. Está por demás decir que estos
laboratorios se verían beneficiados con la implementación de un software de este estilo.
1.2 Planteamiento del problema.
Las propiedades mecánicas de un material permiten predecir su comportamiento, ya sea que forme
parte de una estructura o que trabaje de forma aislada. Para determinar sus propiedades es necesario
realizar una caracterización mecánica, sometiendo el material a pruebas de tensión, compresión,
flexión, torsión o cualquier combinación de éstas. El tipo de prueba depende directamente de las
condiciones bajo las cuales el material trabaja normalmente. Las pruebas permiten obtener y analizar
gráficas de esfuerzo contra deformación para determinar propiedades mecánicas.
Una solución confiable para obtener datos de deformación, es el uso de sensores llamados galgas
extensiométricas. Sin embargo, en ambientes poco favorables, por ejemplo con altas y bajas
temperaturas, las galgas no arrojan un resultado de buena calidad, por ello es necesario encontrar
una solución que muestre las virtudes del uso de estos sensores, es decir que tengan buena precisión
y que vaya más allá presentando la deformación en un mapa representativo del cuerpo de la probeta.
Después de analizar las técnicas existentes en el área de visión computacional, se ha optado por
desarrollar un software capaz de crear el mapa de deformaciones basado en la captura y análisis de
información, en una serie de imágenes, mediante el uso del método de correlación digital de
imágenes en dos dimensiones 2D-DIC.
1.3 Alcances y Limitaciones
1.3.1 Alcances
 El sistema es capaz de controlar el dispositivo de adquisición de imágenes (cámara digital), para

extraer las fotografías en tiempos establecidos dentro del software. Por ejemplo: una imagen por
segundo, tres imágenes por minuto, etc.
 El programa tiene la capacidad de aplicar el método de correlación digital de imágenes en
fotografías cargadas directamente al sistema, sin el uso del dispositivo de adquisición.
 El software permite determinar el área de interés y el mallado de puntos donde el usuario desea
implementar el mapa de deformaciones.
 El sistema presenta los resultados mediante el uso de mapas de colores para las deformaciones y
desplazamientos sufrida por la probeta en el momento del ensayo.
1.3.2 Limitaciones
 El programa sólo está habilitado para utilizar el método de 2D-DIC, es decir está limitado a
manejar las deformaciones y desplazamientos en superficies planas, es por ello que solamente
será útil para probetas planas.
 El método de correlación digital de imágenes consume recursos computacionales, por lo que el
tiempo de respuesta dependerá directamente del equipo donde sea instalado.
 El software no podrá determinar el módulo de Young, debido a que la curva de esfuerzo contra
deformación no puede ser construida sin los datos directos de la lectura de fuerza de la máquina
universal.
1.4 Justificación
Se ha demostrado que los materiales deben probarse en las condiciones reales. Incluso, si las
condiciones permiten el uso de metodología tradicional para la caracterización de un material, como
lo son las strain gages, los extensómetros, el desplazamiento propio del equipo de prueba, etc., la
caracterización no debería de ser un problema. Sin embargo cuando las condiciones ambientales
para los sensores están fuera del rango de trabajo (altas, bajas temperaturas, pruebas en medios
corrosivos, pruebas de propagación de grietas etc.), o cuando se busca que la información de
censado no se centre en un solo punto, sino en una zona específica, se debe buscar una alternativa o
simplemente desistir en la caracterización del material.
Una alternativa de solución es el uso de sensores especializados, útiles en condiciones extremas.

Otra posible opción es utilizar sensores comunes, aumentando su número sobre la probeta. La
solución es útil cuando es necesario censar una zona y no un punto en particular. Aun así las
posibles soluciones no siempre son viables, ya sea por costo o simplemente porque no es posible
abarcar una zona del material.
En estos casos, una solución viable es la aplicación del método de correlación digital de imágenes
(DIC por sus siglas en inglés). Este método se aplica sobre fotografías obtenidas por medio de una
cámara digital, permitiendo la estimación del mapa de deformaciones, de aquí que DIC se presente
como una técnica no invasiva y poco influenciable por el entorno de prueba.
Con la información de carga que proviene de la celda incorporada en la máquina universal Instron y
los mapas de deformación calculados a través del método de correlación, fácilmente se pueden
construir las curvas de esfuerzo contra deformación para el cálculo del módulo de Young, con las
deformaciones longitudinal y transversal el coeficiente de Poisson, propiedades importantes en todo
material. Además implementar el método ampliaría el rango de pruebas de caracterización mecánica
que puede ofrecer el Centro de Investigación en Materiales Avanzados S.C a clientes y alumnos.
1.5 Objetivos
1.5.1 Objetivo General
Desarrollar un software capaz de leer una serie de imágenes (a través de dispositivo de

almacenamiento o cámara digital). Realizar el cálculo de desplazamiento y deformación utilizando
el método de correlación digital de imágenes 2D. Presentar los resultados en gráficas estilo mapa de
colores.
1.5.2 Objetivos específicos
 Desarrollo del módulo de captura de imágenes automáticas: El sistema cuenta con una cámara
capaz de ser controlada por medio de USB, de aquí la importancia de contar con un módulo que
se especialice en el control de los disparos de la cámara y la captura de la imagen de forma
automática. Así mismo, el módulo se encargará de cargar aquellas imágenes conducidas desde
un dispositivo de almacenamiento.
 Implementación del método de correlación digital de imágenes y todos sus subprocesos. El tema
central de la tesis es la aplicación del método. En este caso 2D-DIC es aplicado en cada punto de
la malla de trabajo y en cada imagen que entre al sistema de comparación.
 Programación del módulo de resultados. Con los resultados obtenidos en la etapa de correlación
digital de imágenes, se presentan las gráficas del mapa de desplazamientos y deformación en
cada uno de los instantes (imágenes que representan el paso del tiempo). Esto último se realiza
mediante el uso de gráficas de colores, donde cada color representa un valor de desplazamiento o
deformación, todo esto dentro de una escala de colores de mínimos y máximos locales
representativos de la prueba.
 Validación del sistema realizando pruebas comparativas entre los resultados que este último
arroja y las imágenes creadas con deformaciones predefinidas. Utilizando fórmulas matemáticas
es posible crear imágenes con deformaciones conocidas, para así realizar comparaciones y
evaluar sus diferencias numéricas.
 Desarrollo de una interfaz gráfica amigable donde todos los módulos y procesos se presentan al
usuario de manera sencilla. Un software de calidad siempre está provisto de una interfaz gráfica
amigable e intuitiva, esto último ayudará a que un gran número de usuarios utilicen la
herramienta en sus estudios de caracterización de manera cotidiana, tanto dentro como fuera del
Centro de Investigación en Materiales Avanzados S.C.
CAPÍTULO II. ESTADO DEL ARTE.
Los primeros artículos que aparecieron sobre el tema van relacionados con la posibilidad del uso de
la correlación digital de imágenes dentro del campo de la caracterización de materiales. Los
principales trabajos se enfocan en el área de mecánica de materiales y mecánica de la fractura. En el
año de 1984 Friedrich Ackermann (Ackermann, Octuber 1984), presentó una publicación donde
daba a conocer los posibles usos de la correlación digital de imágenes dentro de la fotogrametría.
Posteriormente en el año de 1985 (T.C. Chu, September 1985) se presenta el método utilizado
directamente para realizar experimentación en el área mecánica.
Dentro del área de la mecánica de la fractura, el método ha tenido gran aceptación, permitiendo
observar el crecimiento de grietas, determinar sus desplazamientos, así como trabajar con los
parámetros que permiten determinar los diferentes valores de propagación (G. La Rosa, Luglio
2013). La mayoría de las investigaciones en esta área se centran en estudios de concreto (Jorge
Abanto-Bueno, 2002) (Loukili, 2010) (Ming-Hsiang Shih, August 2013) (Wafa, 2013), pero existen
también trabajos relacionados con la madera y los adhesivos (Sandhya Samarasinghe, 1997) (R.
Fedele, 2012).
Existe un buen número de publicaciones relacionadas con la caracterización de materiales mediante

la técnica DIC. Todos los trabajos tienen como fin común determinar las propiedades mecánicas y
presentar los mapas de desplazamientos y deformaciones (ver Figura No. 7), (E. López-Alba, 2010)
(H.J.K. Lemmen, 2008) (Hild, 2006) (Hung, 2003) (Jinlong Chen, 2005) (Jun Zhang, 2011)
(Jérémie Dautriat, 2011) (L. P. Canal, 2010) (Metwalli, 1987) (R. Roncella, 2012) (Yaofeng Sun,
2006) (Zili Sun, 1997).
Figura No. 7. Ejemplo de mapa de deformaciones utilizando el método de correlación digital de imágenes presentada en
(Jérémie Dautriat, 2011).
Hoy en día, existen ramas de investigación enfocadas en mejorar el método de correlación digital de
imágenes. Ejemplo de ello es la investigación de modelos centrados en encontrar algoritmos cada
vez más rápidos, pero sin pérdida de precisión, utilizando esquemas de ventanas gaussianas auto-
adaptativas para la búsqueda a nivel sub-pixel (Yuan Yuan, 2014) (J. Huang, 2013), permitiendo
con esto una disminución en el área de búsqueda, iteración tras iteración.
Otras investigaciones apuntan a la eliminación de cálculos repetitivos en los algoritmos de

búsqueda, como lo puede ser la construcción continua de coeficientes de interpolación y la búsqueda
a nivel pixel. Este tipo de investigación está presente en la publicación titulada A fast digital image
correlation method for deformation measurement (Bing Pang, 2011), en la que se proponen dos
esquemas de optimización de cálculo. En el primero se propone generar la interpolación bicúbica en
una sola ocasión por zona de búsqueda y no por iteración. En el segundo se considera el concepto de
deformaciones continuas, donde dos pixeles de interés comparten una faceta común, por lo tanto se
puede hacer una primera estimación de desplazamientos y deformación, para uno de estos puntos,
utilizando información de cálculo del otro, con ello se puede evitar la búsqueda a nivel pixel y se
inicializan los valores de búsqueda a nivel sub-pixel.
En el año 2009 la editorial científica Springer presentó un libro titulado “Image Correlation for
Shape, Motion and Deformation Measurements” (Michael A. Sutton, 2009), en la cual los autores
hicieron una búsqueda exhaustiva en Science Citation Index sobre el tema de 2D-DIC (Correlación
digital de imágenes para 2D) y encontraron más de 400 artículos sobre el tema, todos ellos dentro
del periodo comprendido entre el año 2000 al 2007. Esto deja ver que existe una gran aceptación del
método para múltiples disciplinas y que se trabaja constantemente en su mejora.
Finalmente, en los últimos años las propuestas se centran en resolver el método de correlación de
imágenes en 3D. Este tipo de método permite generar mapas de deformación en tres dimensiones a
través de dos equipos de captura simultánea. El algoritmo se deriva directamente del cálculo
realizado para el mapeo 2D.
CAPÍTULO III. MARCO TEÓRICO
3 [ADD1]Transformación de un cuerpo
Para el estudio de la transformación de un sólido S en el espacio tridimensional, partimos de que

éste tiene un estado inicial. Dicho sólido está constituido por un conjunto de puntos geométricos en
el espacio, dentro de un sistema de ejes (0,𝑒𝑥 , 𝑒𝑦 ,𝑒𝑧 ), que forman un volumen denominado Ω0 .
Debido a que la transformación de dicho cuerpo ocurre a través del tiempo, el estado inicial, también
conocido como configuración de referencia, ocurre en el instante de tiempo 𝑡0 . Por tanto la
transformación del sólido S ocurre en un instante 𝑡 modificando el volumen de Ω0 a Ω.
Consideremos un punto material que ocupaba un punto geométrico 𝑀0 de coordenadas (𝑋, 𝑌, 𝑍)

perteneciente al sólido 𝑆 en el instante 𝑡0 y que en el instante 𝑡 ocupa el punto geométrico 𝑀 de
coordenadas (𝑥, 𝑦, 𝑧) tal y como lo muestra la Figura No. 8. Entonces podemos definir el campo
vectorial de transformación 𝑇 en el instante de tiempo 𝑡, que a todo punto 𝑀0 perteneciente al
volumen Ω0 le asocia el vector 𝑂𝑀. Esto se puede expresar de la siguiente manera:
𝑇(𝑀0 ) = 𝑂𝑀 (2)
Es decir,
𝑥 = 𝑇𝑥 (𝑋, 𝑌, 𝑍) (3)
𝑇(𝑋, 𝑌, 𝑍) = ( 𝑦 = 𝑇𝑦 (𝑋, 𝑌, 𝑍) )
𝑧 = 𝑇𝑧 (𝑋, 𝑌, 𝑍)
donde 𝑇𝑥 , 𝑇𝑦 y 𝑇𝑧 son tres campos escalares.
Figura No. 8. Transformación de un cuerpo.
3.2 Campo de desplazamiento
El desplazamiento del punto material que ocupaba el punto geométrico 𝑀0 de coordenadas iniciales
(𝑋, 𝑌, 𝑍) y que ahora se encuentra en el punto geométrico 𝑀 de coordenadas (𝑥, 𝑦, 𝑧), está dado por
el vector 𝑀0 𝑀 = 𝑂𝑀 − 𝑂𝑀0 . De esto se desprende el campo de desplazamiento 𝑈, que asocia a
cualquier punto 𝑀0 perteneciente al volumen Ω0 el vector 𝑀0 𝑀, a través de las siguientes fórmulas:
(4)
𝑈(𝑀0 ) = 𝑈 (𝑂𝑀0 ) = 𝑈(𝑋, 𝑌, 𝑍) = 𝑀0 𝑀 = 𝑂𝑀 − 𝑂𝑀0 = 𝑇 (𝑂𝑀0 ) − 𝑂𝑀0
Por lo tanto
𝑈𝑥 (𝑋, 𝑌, 𝑍) = 𝑇𝑥 (𝑋, 𝑌, 𝑍) − 𝑋 (5)
𝑈(𝑋, 𝑌, 𝑍) = (𝑈𝑦 (𝑋, 𝑌, 𝑍) = 𝑇𝑦 (𝑋, 𝑌, 𝑍) − 𝑌)
𝑈𝑧 (𝑋, 𝑌, 𝑍) = 𝑇𝑧 (𝑋, 𝑌, 𝑍) − 𝑍
3.3 Campo de deformación.
Si la distancia entre dos puntos materiales y/o los ángulos entre dos vectores materiales, que
pertenecen al sólido S, varían entre los instantes 𝑡0 y 𝑡, se puede deducir que el sólido S ha sufrido
una deformación. Si cualquier distancia y ángulo no sufren cambios a través de la transformación, se
dice entonces que se tiene una transformación rígida o movimiento rígido. Los movimientos rígidos
son translaciones y rotaciones.
Si consideramos los puntos 𝑀0 , 𝑁0 y 𝑃0 , que pertenecen al volumen Ω0 , y sus correspondientes

puntos 𝑀, 𝑁 y 𝑃 de Ω, una forma de detectar alguna deformación es calcular la diferencia entre
productos puntos en la configuración de referencia y en la configuración actual:
𝑀𝑁 ∙ 𝑀𝑃 − 𝑀0 𝑁0 ∙ 𝑀0 𝑃0 (6)
Para una transformación rígida o la no deformación en el volumen Ω0 se tiene un valor cero (ver
Figura No. 9). Por lo tanto cualquier resultado diferente a cero denota una deformación en el
volumen Ω0 (ver Figura No. 10).
Figura No. 9. Transformación rígida de un cuerpo.
Figura No. 10. Deformación de un cuerpo.
Consideremos dos vectores de materiales de tamaño infinitesimal 𝑑𝑀0 y 𝑑𝑀0´ que pertenecen al
volumen Ω0 y sus correspondientes 𝑑𝑀 y 𝑑𝑀´ pertenecientes al volumen Ω, se puede obtener que :
(7)
𝑑𝑀 ∙ 𝑑𝑀´ − 𝑑𝑀0 ∙ 𝑑𝑀0´ = 2𝑑𝑀0 ∙ (𝑒̿ ∙ 𝑑𝑀0´ )
donde 𝑒̿ es el tensor de Green-Lagrange y está definido por:
1 ̿̿̿̿̿̿̿̿𝑡 (8)
𝑒̿ = (𝑔𝑟𝑎𝑑 𝑇 ∙ ̿̿̿̿̿̿̿
𝑔𝑟𝑎𝑑 𝑇 − 1̿)
2
Cuando el movimiento es rígido dicho tensor es igual a 0̿ , caso contrario, si el tensor de Green-
Lagrange presenta valores no nulos en algún punto de coordenada (𝑋, 𝑌, 𝑍) perteneciente a Ω0 ,
existen deformaciones.
El tensor de Green-Lagrange se puede simplificar bajo la hipótesis de pequeñas perturbaciones o de

transformaciones infinitesimales, es decir transformaciones en las cuales la magnitud de
desplazamientos es despreciable delante de las dimensiones del cuerpo. Esto se hace principalmente
para evitar la aparición de términos no lineales en la expresión del tensor de deformación. Bajo esta
hipótesis, el tensor de Green-Lagrange es aproximado por el tensor de deformaciones de Green-
Cauchy definido por:
1 (9)
̿̿̿̿̿̿̿ 𝑈 + ̿̿̿̿̿̿̿̿
𝜀̿ = (𝑔𝑟𝑎𝑑 𝑔𝑟𝑎𝑑 𝑡 𝑈)
2
Es pertinente resaltar que la matriz de deformaciones es una matriz simétrica.
𝜀𝑥𝑥 𝜀𝑥𝑦 𝜀𝑥𝑧 ( 10 )

𝜀
𝜀̿ = ( 𝑥𝑦 𝜀𝑦𝑦 𝜀𝑦𝑧 )
𝜀𝑥𝑧 𝜀𝑦𝑧 𝜀𝑧𝑧
donde los coeficientes son campos escalares. Las deformaciones 𝜀𝑥𝑥 , 𝜀𝑦𝑦 , y 𝜀𝑧𝑧 indican si hay una
dilatación o contracción en las direcciones 𝑒𝑥 , 𝑒𝑦 y 𝑒𝑧 respectivamente y las deformaciones 𝜀𝑥𝑦 , 𝜀𝑥𝑧 ,
y 𝜀𝑦𝑧 indican si hay deformaciones angulares.
3.4 Deformaciones principales.
Puesto que la matriz 𝜀̿ es simétrica, existe un sistema de ejes ortonormal en el cual la matriz de
deformación es una matriz diagonal:
𝜀𝑝1 0 0 ( 11 )
𝜀̿ = ( 0 𝜀𝑝2 0)
0 0 𝜀𝑝3
donde los elementos diagonales son llamados las deformaciones principales.
3.5 Método de Correlación Digital de Imágenes (DIC)
El método de correlación digital de imágenes requiere de una sucesión de pasos para obtener
resultados confiables. Estos van desde la preparación del material hasta la configuración de
parámetros y cálculo de desplazamiento y deformación.
A continuación se presentan uno a uno los pasos y las razones por las cuales son importantes:
3.5.1 Preparación de las probetas
La preparación de las probetas nace como consecuencia de una serie de problemas presentes dentro
del método de correlación, el primero de ellos se deriva principalmente del hecho de que es poco
probable no encontrar repetido el valor de un pixel en escala de gris (valores que van desde 0 a 255)
entre imágenes (el tamaño de una imagen fácilmente supera los 256 pixeles, por lo tanto es casi
seguro que algún valor de escala de gris se repita en varias posiciones en la matriz de pixeles, ver
Figura No. 11).
Figura No. 11. Problema de identificación del desplazamiento considerando únicamente el pixel sin su entorno.
La solución a este problema es el uso de una vecindad, es decir se toman una serie de pixeles
alrededor del pixel de interés, esto aporta mejor y mayor información con la cual trabajar (E. López-
Alba, 2010) (Michael A. Sutton, 2009). Con el uso de la vecindad de pixeles se soluciona el
problema de correspondencia única, siempre y cuando no exista otra vecindad idéntica dentro de la
imagen.
Este nuevo problema se resuelve contando con una superficie anisotrópica, es decir, sin orientación
predefinida, con texturizados aleatorios que no provoquen errores de registros idénticos. Lo ideal es
contar con materiales que tengan superficies que cumplan con dicha descripción, de no ser así, una
solución consistiría en aplicar un texturizado sobre la superficie conocido comúnmente como
moteado. El moteado se adhiere directamente en la probeta y como consecuencia de ello éste se
trasforma y deforma a la par del objeto, por lo tanto no existe pérdida de correspondencia.
Una de las características clave de los buenos patrones de moteado es su alto contenido de
información. Dado que toda la superficie está texturizada, la información para el patrón está
disponible en todas partes de la superficie y no sólo en una pequeña zona. Esto último permite el uso
de una ventana de búsqueda relativamente pequeña alrededor de la posición original del pixel a
buscar para encontrar coincidencias. En la Figura No. 12 se pueden observar imágenes de patrones
de moteados ideales en el uso del método de la correlación digital de imágenes.
Figura No. 12. Ejemplos de patrones de moteados ideales (Michael A. Sutton, 2009).
3.5.2 Región de Interés y mallado
La segunda etapa del método se basa en el trabajo que se realiza sobre las imágenes que son
obtenidas desde la cámara digital o de un dispositivo de almacenamiento. En esta parte del trabajo,
se tiene una secuencia de imágenes que van desde el estado inicial de la probeta hasta el estado final
de deformación de la misma.
La técnica de correlación de imágenes permite calcular el movimiento de cada uno de los pixeles
que forman el patrón de moteado, este proceso se realiza comparando la imagen en el instante cero
t0 , contra la imagen de un tiempo en particular de la prueba.
El primer paso para calcular el movimiento consiste en seleccionar una región de interés (en inglés
se le conoce a esta zona como ROI o region of interest), esta selección se debe principalmente a dos
problemas presentes en el método DIC. A continuación se detallan cada uno de estos problemas en
particular:
1. Eliminar zonas ajenas a la prueba: No siempre se puede evitar captar ciertas porciones de
imagen ajenas a la probeta (fondo, pequeñas porciones de la máquina universal, etc.), puesto
que delimitar una zona permite dejar fuera dichos espacios innecesarios para el cálculo.
2. Impedir cálculos innecesarios: Aún y cuando el total de la imagen fuese únicamente la

probeta, no siempre es necesario conocer el mapa de desplazamientos y deformaciones en su
totalidad, por ello es importante delimitar una zona que evite cálculos innecesarios ya que el
método en sí requiere de bastante tiempo de cómputo.
Una vez que la zona ha sido elegida, el área que la compone es dividida uniformemente mediante
una malla o grid, en cuyos puntos de intersección de cada línea horizontal y vertical se hará el
análisis de correlación (ver Figura No. 13). Se recomienda que estas subdivisiones sean de forma
cuadrada y con un espacio pequeño entre pixeles, algunas publicaciones como (Bing Pang, 2011)
refuerzan este concepto.
Figura No. 13. Mallado virtual de la región de interés.
3.5.3 Facetas y área de búsqueda
Para evitar problemas de correspondencia única se utilizan vecindades de pixeles (facetas) y no un

valor de pixel por separado, debido a esto, en el proceso de correlación digital de imágenes, cada
faceta de la imagen no deformada es comparada una a una contra las facetas de la imagen
deformada, calculando un criterio de correlación. Dicho de otro modo, para un punto P cualquiera
que forma la malla, se selecciona una faceta cuadrada de dimensiones 2M  1  2M  1 de pixeles
centrada en el punto P  x0 , y0  de la imagen inicial (ver Figura No. 14). Posteriormente se toma un
 
punto P  x ' , y ' en la imagen deformada y se crea una faceta de la misma dimensión de la utilizada
en el punto de la imagen original, con estas dos facetas se calcula un criterio de correlación para
determinar su similitud. Hay que tomar en cuenta que el área de búsqueda que se establece en la
imagen deformada tiene un tamaño de 2M  1  L  2M  1  L centrada en las coordenadas
del punto P , esto permite restringir la búsqueda en una pequeña área y no en la totalidad de la
imagen (ver Figura No. 15). Expliquemos qué son 𝑀 y 𝐿:
 Dentro de los cálculos, la variable M provee el tamaño de la faceta. Un valor de M pequeño
permite cálculos muy rápidos, implicando un posible riesgo en la tarea de hacer únicas a las
facetas y obteniendo posiciones erróneas. Por otro lado un M grande garantiza facetas
únicas, su parte negativa radica en costos computacionales elevados. Por lo general el
tamaño de esta variable se define en base a la experiencia del usuario respecto al método y al
moteado utilizado. En algunos trabajos como en (V. Álvarez, 2010) se busca generar
algoritmos capaces de encontrar el tamaño óptimo de esta variable M .
 Por otra parte, la variable L permite delimitar una zona de búsqueda alrededor de la faceta,
evitando con esto procesar la totalidad de pixeles de las imágenes. Una L pequeña permite
hacer cálculos relativamente rápidos, sin embargo se puede dar el caso que el punto
desplazado quede por fuera de la zona delimitada por el valor de dicha variable. Una L muy
grande garantiza que la búsqueda no deje fuera al punto desplazado, su contraparte es que
origina un alto costo computacional.
Figura No. 14. Faceta centrada en un punto P cualquiera de la malla.
Figura No. 15. En a) se puede observar la imagen original, en b) se puede observar el área de búsqueda en la imagen
deformada.
3.5.4 Criterio de correlación y cálculo del desplazamiento a nivel Pixel
El cálculo del desplazamiento a nivel pixel trata del proceso y la optimización del cálculo del vector
de desplazamientos a nivel discreto, para ello se pueden emplear diversos criterios de correlación
que permiten determinar la similitud entre una faceta de la imagen base y otra de la imagen
deformada; de las más comunes se pueden mencionar la correlación cruzada (Cross-Correlation CC)
y la sumatoria de diferencias cuadradas (Sum of Squared Differences SSD). Estos criterios y sus
variantes están escritos en la Tabla 1 y en la Tabla 2. Los criterios de CC en realidad están
relacionados con los criterios de SSD. Ejemplo de ello es el criterio correlación cruzada cero
normalizada (ZNCC) que se puede deducir a partir de la sumatoria de diferencias cuadradas cero
normalizada (ZNSSD), la deducción detallada se puede encontrar en (Bing Pang, 2011) y la relación
siguiente se presenta como CZNSSD  p   21  CZNCC  p  .
Los criterios de correlación cruzada (CC) y la suma de diferencias cuadradas (SSD) son sensibles a
los todas las fluctuaciones de iluminación. Por esto, si se desea utilizar este par de criterios es
necesario contar con equipos que controlen en todo momento la iluminación de la prueba. Por
encima de este par de criterios se sitúan la correlación cruzada normalizada (NCC) y la sumatoria de
diferencias cuadradas normalizada (NSSD), este par de criterios son insensibles a la escala lineal de
equipo de iluminación pero sensibles al desfase luminoso. De los criterios comúnmente utilizados, la
correlación cruzada cero normalizada (ZNCC) y la sumatoria de diferencias cuadradas cero
normalizada (ZNSSD) son los más robustos ante situaciones de ruido de prueba e insensibles ante
cualquier situación de iluminación, con lo que se vuelven los mejores criterios a implementar en
todo momento.
Tabla 1 Criterios comúnmente utilizados de correlación cruzada o CC.
Correlación Cruzada (Cross-Correlation CC)
   f x , y g x , y 
M M
( 12 )
CCC  i j
'
i
'
j
i  M j  M
Correlación Cruzada Normalizada (Normalized Cross-Correlation NCC)
M M  f xi , y j g xi' , y 'j  ( 13 )

CNCC   
j  M  fg

i  M 
   f x , y 
M M
f  i j
2
i  M j  M
  g x , y 
M M
2
g '
i
'
j
i  M j  M
Correlación Cruzada Cero Normalizada (Zero-Normalized Cross-Correlation ZNCC)
M M 
  f xi , y j   f m  g xi' , y 'j   g m   ( 14 )
CZNCC   
j  M  fg

i  M 
 f x , y 
M M
2M  12 i 
1
fm  i j
M j  M
 g x , y 
M M
2M  12 i 
1
gm  '
i
'
j
M j  M
  f x , y   f 
M M
f  i j m
2
i  M j  M
 g x , y   g 
M M
2
g  '
i
'
j m
i  M j  M
Tabla 2 Criterios comúnmente utilizados de sumatoria de diferencias cuadradas o SSD.
Sumatoria de Diferencias Cuadradas (Sum of Squared Differences SSD)
  f x , y g x , y 
M M
2 ( 15 )
CSSD  i j
'
i
'
j
i  M j  M
Sumatoria de Diferencias Cuadradas Normalizada (Normalized Sum of Squared Differences NSSD)
M M  f xi , y j  g xi' , y 'j  ( 16 )

CNSSD    f  g 
j  M 
i  M 
   f x , y 
M M
f  i j
2
i  M j  M
  g x , y 
M M
2
g '
i
'
j
i  M j  M
Sumatoria de Diferencias Cuadradas Cero Normalizada (Zero-Normalized Sum of Squared

Differences ZNSSD)
M M  f xi , y j   f m g xi' , y 'j   g m  ( 17 )
CZNSSD     f
j  M 

g

i  M 
 f x , y 
M M
2M  12 i 
1
fm  i j
M j  M
 g x , y 
M M

1
gm  ' '
2M  12 i  M j  M
i j
  f x , y   f 
M M
f  i j m
2
i  M j  M
 g x , y   g 
M M
2
g  '
i
'
j m
i  M j  M
   
En todos los criterios expuestos se emplean las funciones f xi , y j y g xi' , y 'j , dichas funciones
corresponden al cálculo del valor en la escala de grises de los pixeles contenidos en cada faceta de
estudio tanto en la imagen de referencia como en la imagen deformada, realizando una evaluación
en cada pixel de la fila i y columna j en la faceta cuadrada de lado M (ver Figura No. 16).
Figura No. 16. Cálculo del valor de escala de grises en cada faceta.
El criterio de correlación elegido se calcula pixel a pixel en el área de búsqueda determinada por la
fórmula presentada en la sección anterior. Posteriormente se busca el pixel cuyo criterio de
correlación tenga el valor máximo dentro de la región, la ubicación de este pixel en la imagen
deformada se le conoce como el cálculo de desplazamiento a nivel pixel (ver Figura No. 17), donde
se puede determinar a u0 y v0 (desplazamiento en x y y respectivamente) donde u0  x  x y
v0  y  y  .
Figura No. 17. Cálculo de desplazamiento a nivel pixel.
3.5.5 Cálculo del desplazamiento a nivel Sub-Pixel
La etapa anterior permite obtener los desplazamientos del pixel en un nivel discreto, es decir con
números enteros, sin embargo en la realidad la deformación que sufre la probeta no está coordinada
con el instante en que es tomada la imagen, por consecuencia es natural que la ubicación real del
punto buscado haya quedado entre un par de pixeles, es decir a nivel sub-pixel.
Para este cálculo se requiere utilizar un método iterativo que permita encontrar la solución de un
sistema de ecuaciones no lineales. En este caso se utiliza el método de Newton–Raphson, en donde
se tiene que encontrar la solución P  u, u / x, u / y, v, v / x, v / y de la ecuación siguiente
T
(Bing Pan K. Q., 2009) (Michael A. Sutton, 2009):
 
p k 1  p k  Cc p k  Cc p k 
1 ( 18 )
 H  p  C  p 
1
 pk k
c
k
donde p0  u0 ,0,0, v0 ,0,0 , u0 es el desplazamiento en X a nivel pixel, v0 es el desplazamiento en
T
Y a nivel pixel, Cc es el criterio de correlación elegido y H es conocida como la matriz Hessiana.
Esta solución minimiza el criterio de correlación empleado Cc .
En el cálculo a nivel pixel el valor de g x, y  era tomado directamente del valor en escala de gris de
la imagen deformada, en el nivel sub-pixel tanto la posición como el valor deben de ser calculados.
Para la posición se utiliza una función de transformación ( 19 ) y para el valor en escala de gris se
utiliza la interpolación bicúbica formada a partir de una faceta de la imagen deformada ( 20 ).
 1  ( 19 )
 x   X  u u / x u / y   
 y    Y    v v / x v / y   X  X 0 
      Y  Y 
 0 
3 3 ( 20 )
g x, y   mn x m y n
m 0 n  0
En la Figura No. 18 se puede observar de manera gráfica la manera en que funciona el método de
correlación digital de imágenes a nivel sub-pixel.
Figura No. 18. Diagrama de flujo de la búsqueda a nivel sub-pixel.
Una vez terminado el cálculo a nivel sub-pixel se puede contar con el desplazamiento y deformación
en el punto P , para la dirección x y y . Sin embargo el método tiene inconvenientes relativos al uso
de método de Newton-Raphson, donde iteración a iteración se tiene que cuidar la convergencia,
introduciendo límites entre los valores que pueden tener cada una de las seis incógnitas.
3.5.6 Algoritmo rápido y guiado para la determinación de movimiento a nivel pixel y parámetros
iniciales de nivel Sub-Pixel
En el subcapítulo que habla específicamente de la búsqueda de desplazamientos a nivel pixel se

menciona que es necesario repetir la acción de búsqueda a través de una región o vecindad y que en
cada pixel se realiza un cálculo comparativo mediante el uso de un criterio de correlación, sin
embargo, en el año 2011 Bing Pan y Kai Li presentaron un novedoso método que permite predecir
de manera rápida dicho desplazamiento con un cálculo a través de los resultados del pixel de interés
anterior (Bing Pang, 2011). Dichos cálculos se basan en el modelo de aproximación gaussiana (ver
Figura No. 19). Dado que el punto Q se encuentra dentro de la faceta de referencia y asumiendo que
los desplazamientos entre la imagen base y deformada no han tenido un cambio considerable (quiere
decir que este método tiene validez con imágenes con desplazamientos pequeños y controlados), se
puede predecir el valor de desplazamiento a nivel pixel de Q con los valores resultantes del cálculo
de P ' mediante la siguiente fórmula:
u u ( 21 )
xi'  x0  xi  u  xi  y j
x y
v v ( 22 )
y 'j  y0  y j  v  xi  y j
x y
donde x0 y y0 son las coordenadas del punto P , xi es la distancia entre las coordenadas x de los
u u
puntos P y Q , y j es la distancia entre las coordenadas y de los puntos P y Q , u , v , , ,
x y
v v
y son los resultados de desplazamientos y deformaciones calculados en el punto P . Con el
x y
uso de la fórmula anterior se puede prescindir de realizar la búsqueda a nivel pixel del punto Q
 T
inyectando los resultados en el vector p de la siguiente manera: p 0  xi' ,0,0, y 'j ,0,0 , además se
puede dejar de lado la suposición de que los valores de deformación inician en un valor 0 utilizando
como punto de partida los valores de deformación del punto anterior de la siguiente manera:
 T
p 0  xi' , u / x, u / y, y 'j , v / x, v / y , ello basta para hacer más rápido el método sin perder
precisión.
Figura No. 19. Fundamento del algoritmo rápido y guiado.
3.5.7 Cálculo de resultados
Una vez que se tienen todos los puntos del grid o malla, se cuenta con suficiente información para
determinar los desplazamientos y deformaciones en los puntos intermedios de la misma. Éstos se
pueden realizar simplemente empleando la interpolación bicúbica, utilizando como base la
información de los puntos calculados. Con ello es posible generar una serie de coeficientes capaces
de predecir el valor intermedio de cualquier pixel que se encuentre dentro del rango de valores de la
región de interés.
CAPÍTULO IV. DESARROLLO
4.1 Modelo de negocio
El objetivo principal del desarrollo de esta tesis de maestría, es dotar al laboratorio de pruebas
mecánicas e integridad estructural del Centro de Investigaciones en Materiales Avanzados S.C.
(CIMAV por sus siglas) de una herramienta capaz de estimar el mapa de desplazamientos y
deformaciones de probetas planas.
El laboratorio de pruebas mecánicas e integridad estructural está dotado de una máquina universal
electromecánica Instron, con una celda de carga de 10 toneladas de capacidad la cual es capaz de
efectuar pruebas de tensión, compresión, flexión de tipo monotónico o cíclico, así como pruebas
compuestas agregando factores externos como pueden ser la temperatura o inclusive la inducción de
corriente o voltaje en las probetas de ensayo. Dicho equipo se utiliza regularmente en las pruebas
que realizan los alumnos de maestría y doctorado en ciencia de los materiales del centro de
investigación, así como en pruebas de caracterización mecánica de proyectos con la industria.
Las normativas indican que las pruebas de caracterización se deben hacer bajo las condiciones de
trabajo normal de los materiales, es decir si los materiales están sometidos a altas o bajas
temperaturas es necesario acondicionar el equipo con dispositivos de manejo y control de
temperatura. Debido a esto, es que el software de mapeo de deformaciones en probetas planas toma
una gran utilidad apoyando en la caracterización de materiales en condiciones poco favorables para
otro tipo de instrumentación especializada en la determinación de deformaciones como el de galgas
extensiométricas.
Bajo estas premisas se realizó un diagrama de objetivos donde se puede visualizar el trabajo que
debe de efectuar el sistema para que pueda ser implementado dentro del trabajo de caracterización
de materiales que normalmente se hace en el laboratorio antes mencionado (ver Figura No. 20).
Figura No. 20. Diagrama de objetivos del sistema de mapas de deformaciones a través del uso de método de correlación
digital de imágenes.
4.2 Determinación de requerimientos
La etapa de determinación de requerimientos consiste en organizar la información obtenida a través

del diagrama de objetivos del modelado de negocios, los objetivos específicos, los alcances y
limitaciones del sistema, para con ello poder determinar cuáles son las exigencias que debe de
cumplir el sistema para que garantice el éxito en su funcionamiento y utilidad.
En base a estos datos se establecen los siguientes requerimientos con los que debe de cumplir el
software en todo momento:
 El éxito de un software se garantiza basado en su funcionamiento y fácil uso, por ello es
importante que este sistema cuente con una interfaz gráfica sencilla de utilizar e intuitiva,
que permita al usuario conocer todas sus herramientas sin necesidad de un estudio
exhaustivo del manual de funcionamiento. Para ello es necesario que los nombres de los
comandos y los íconos sean representativos al proceso del método de correlación digital de
imágenes que se vaya a invocar.
 El sistema debe de proveer dos opciones para obtener las imágenes para la correlación, esto
va a depender directamente del tipo de prueba y usuario del sistema. Para usuarios que
cuenten con el software y una cámara instalados en un mismo equipo de cómputo, podrán
configurar el sistema para que adquiera las imágenes en lapsos de tiempo específicos. Por
otra parte, para usuarios que hayan obtenido las imágenes por otros medios ajenos a la
captura automática del sistema, podrán cargar las imágenes siempre y cuando cumplan con
estándares de compatibilidad de tamaños y formato.
 Una implementación exitosa del método implica que las etapas de la correlación estén
separadas y puedan ser configurables para que el usuario pueda cambiar ciertos parámetros a
su gusto, por ejemplo poder modificar la zona de interés para el estudio, el tamaño de malla
o separación de puntos de muestreo, dimensionamiento real de las imágenes a utilizar,
configuración de variables de búsqueda y muestreo como lo son el tamaño de vecindad y el
área de búsqueda, etc.
 El post-procesamiento debe contar con capacidad para generar mapas de deformaciones por
medio de colores en diferentes direcciones para ser analizados por el usuario.
 El sistema debe de tener una respuesta en un tiempo deseable, es decir el método no puede
durar demasiado tiempo como para pasar de ser un beneficio a una carga de trabajo no
deseada.
 Los resultados deben de contar con un factor de exactitud, esto se logra validando el sistema
contra imágenes predefinidas con deformaciones controladas, esto garantiza que los
resultados puedan ser utilizados dentro de una investigación sobre un material en particular.
Del análisis de los puntos anteriores podemos presentar el diagrama de casos de uso de la Figura No.
21, en donde ponemos observar las diferentes funciones con las que debe de contar el software.
Figura No. 21. Diagrama de casos de uso de funciones del sistema.
A partir de lo anterior, se puede considerar que la expresión adecuada para presentar la información
es mediante una interfaz gráfica muy simple con la que se pueda acceder directamente a cada una de
las opciones desde menús del estilo de Microsoft Office (ver Figura No. 22), para con ello lograr
cambiar la configuración en todo momento, sin necesidad de pasar por todas las etapas del proceso,
todo esto a través de cuadros de diálogos sencillos, cajas de texto editables, etc.
Figura No. 22. Menú de opciones estilo Microsoft Office
Aprovechando que el Centro de Investigación en Materiales Avanzados cuenta con licencias de

RAD STUDIO XE, es posible que el sistema sea completamente desarrollado bajo esta plataforma.
Además, este entorno de desarrollo presenta una serie de componentes que facilitan la programación
de la interfaz gráfica.
Para finalizar la etapa de requerimientos, se presenta el diagrama de actividades de la Figura No. 23,
que permite establecer de manera visual el flujo de información al que se debe de apegar el sistema
de acuerdo a los requerimientos y el diagrama de casos de uso antes expuesto.
Figura No. 23. Diagrama de actividades del sistema
4.3 Análisis y diseño
La etapa de análisis y diseño consiste en traducir los requisitos a una especificación o modelado que
describe cómo implementar el sistema. En el caso particular del sistema de correlación digital de
imágenes en 2D, se tomó la decisión de utilizar un modelo basado en el paradigma orientado a
objetos que permita el manejo de las imágenes como un objeto con características y métodos
comunes. A continuación se presentan los diagramas de clases propuestos para el manejo de las
imágenes, el mallado y las matrices para el cálculo de desplazamientos en la Figura No. 24 y en la
Figura No. 25.
Figura No. 24. Diagrama de clases del sistema.
Figura No. 25. Diagrama de clases TMatriz, TMalla.
El diagrama de clases presenta la forma en que se describen las relaciones entre cada uno de los
objetos que serán creados a través de la implementación de las mismas. La lista de imágenes tiene en
su interior un objeto de tipo TIMatriz. Dicho objeto tiene como finalidad guardar los valores de la
matriz de escala de grises que compone la imagen, la imagen como tal y provee de una serie de
métodos donde se realizan algunos de los cálculos del método de correlación digital de imágenes.
La clase TListaP tiene como finalidad almacenar objetos de tipo TP, dichos objetos a su vez guardan
los valores de deformación de cada punto de la malla (recordando, los cálculos del método se
realizan en pixeles específicos de la imagen y no en la totalidad de éstos) donde
P  u, u / x, u / y, v, v / x, v / y . Por lo tanto un objeto de tipo TListaP almacenara tantos
objetos P como puntos de mallado.
La función de la clase TMapa, es formar objetos capaces de determinar los valores de pixeles
intermedios respecto de aquellos que son parte de la malla, dicho de otra forma, utilizando los
valores de P de cada pixel de malla se pueden crear coeficientes de interpolación. Con dichos
coeficientes se pueden estimar los valores de pixel que no forman parte de la malla.
Observando el diagrama de la Figura No. 24, y una vez leídas las explicaciones de los párrafos
anteriores, se puede deducir que creando un objeto de tipo TListaImagenes se pueden almacenar
cada una de las imágenes, los puntos que forman la malla y los coeficientes para determinar los
valores intermedios.
En el diagrama de la Figura No. 25 se pueden observar un par de clases, la primera de ellas llamada
TMatriz; esta tiene como función principal crear objetos al estilo de una matriz convencional. Se
puede pensar en prescindir de esta clase ya que normalmente se pueden generar matrices dinámicas
con C++, sin embargo utilizar, el método de correlación digital de imágenes implica generar una de
estas matrices por cada faceta e iteración de búsqueda, con lo cual contar con una clase que puede
generar objetos de tipo matriz de manera transparente es muy útil.
Finalmente se muestra una clase TMalla, como su nombre lo indica utilizando esta clase es posible
crear un objeto en donde se almacenan las coordenadas del mallado, es decir las coordenadas de
cada pixel donde existe una intersección entre las líneas vertical y horizontal de la malla. A
diferencia de las otras clases el sistema, esta sólo necesita uno de estos objetos para manejar las
distintas imágenes deformadas de la prueba mecánica.
4.4 Interfaz gráfica
Bajo la premisa de las etapas antes presentadas y de los objetivos específicos del desarrollo del
proyecto, se deduce que el diseño de la interfaz gráfica, debe contar entre sus principales
características, la facilidad de uso, una curva de aprendizaje corta, permitiéndole al usuario intuir los
pasos a seguir sin la necesidad de leer en todo momento un manual de operación. Estas
características por lo general se logran siguiendo un estándar de diseño, en el cual se determina que:
1. Los nombres utilizados para presentar las opciones, menús y sub-menús, deben estar
asociadas directamente con las funciones que realizan. Ejemplo de ello es que en interfaces
bien diseñadas difícilmente se tiene la posibilidad de cargar un archivo junto a la opción de
ayuda del sistema.
2. Las opciones deben de estar separadas de acuerdo al contexto de funcionamiento y por lo
general separadas en distintos menús o grupos de trabajo.
3. Los íconos son una ayuda visual asociada a la función que representa, deben de tener un
tamaño pequeño que permita la incorporación de diversas funciones, pero a la vez su tamaño
debe permitir observar correctamente la imagen que se desea presentar.
4. Aún y cuando en la mayoría de los casos el lenguaje de programación permite el libre

albedrío en la configuración de tonalidades que maneja la interfaz gráfica, lo óptimo es
apegarse directamente a la paleta de colores dependiente del sistema operativo, con lo cual,
si el sistema operativo cambia de paleta de colores, estos se adaptarán al sistema
automáticamente.
5. Es importante que los componentes visuales utilizados en el sistema (TLabel, TEdit,

TCombobox, etc.) mantengan un mismo rango de tamaño, además es necesario que se
aplique y se mantenga en todo momento un esquema de alineación de los mismos. Si no se
respeta esta característica se puede provocar que el usuario lleve su mirada de un lugar a
otro, sin poder determinar cómo hacer funcionar correctamente el sistema.
6. En la mayoría de los lenguajes visuales los componentes cuentan con un indexado de

tabulación, este permite, entre otras cosas, navegar entre componentes utilizando
únicamente la tecla TAB, por ello es importante revisar este índice para que concuerde con
la posición del componente dentro de la ventana, llevar al usuario de un lugar a otro sin un
flujo definido, causa conflicto en lugar de ser una ayuda práctica de llenado.
7. Toda interfaz gráfica debe contar con un blindaje de procesos, es decir, es necesario que
dentro de los códigos se permita verificar que las entradas correspondan en todo momento al
tipo de dato solicitado y en lo posible tener habilitadas las ayudas visuales de contexto para
cada componente.
Respetando las reglas anteriores, se presenta el diseño propuesto para el sistema de correlación
digital de imágenes. En primer lugar, en la pantalla principal de la Figura No. 26, las opciones están
divididas en distintas secciones dependiendo de la función que realiza.
Figura No. 26. Pantalla principal del software.
La primera sección denominada Proyecto, tiene como función principal el manejo de cada una de las
pruebas mecánicas. Las opciones de esta sección son:
 Proyecto nuevo: Esta opción permite iniciar un proyecto en el momento en el que el usuario
lo desee. Dentro de sus funciones está resetear las variables de configuración y de presentar
la opción del tipo de captura de imágenes que se desea utilizar, en donde se puede elegir
entre dos diferentes opciones. La primera opción es llamada Captura desde dispositivo de
almacenamiento (ver Figura No. 27), donde el sistema permite cargar las imágenes a través
de archivos almacenados en la computadora o cualquier otro dispositivo de almacenamiento
como disco duro externo o memoria USB. La segunda opción, denominada Captura desde
cámara (ver Figura No. 28) permite al usuario configurar la captura de imágenes
automáticamente a través de un dispositivo óptico, la configuración se hace colocando el
número total de imágenes a capturar por unidad de tiempo. Esta opción está limitada
directamente por el hardware del dispositivo óptico con el que se esté trabajando.
Figura No. 27. Ventana de configuración, opción de captura desde dispositivo de almacenamiento.
Figura No. 28. Ventana de configuración, opción de captura desde cámara.
En el caso particular de la Captura desde cámara, la interfaz provee al usuario, a través del
botón de Captura Imagen Base, la posibilidad de observar en tiempo real lo que el
dispositivo óptico está captando. En la Figura No. 29 se puede ver una prueba donde se
encuentra una cámara conectada a través del puerto USB al equipo de cómputo y en la que la
interfaz del sistema proyecta sobre el TImage lo que capta este dispositivo óptico en tiempo
real. Cabe mencionar que el sistema no está limitado a un dispositivo óptico en particular, sin
embargo la cámara debe de cumplir con los estándares mínimos de controladores para correr
sobre el sistema operativo donde sea instalado el software.
Figura No. 29. Sistema utilizando la opción de captura con cámara.
 Cargar proyecto: Como su nombre lo indica, esta opción de la interfaz permite al usuario
cargar un proyecto anteriormente analizado, que da lugar para ir directamente a observar los
resultados sin pasar por el proceso de cálculo.
 Guardar: Esta opción de la interfaz gráfica permite al usuario guardar los cálculos realizados
a las imágenes en un archivo con extensión .txt, pero con un formato propio al sistema. Cabe
mencionar que a la par de los cálculos se guardan las imágenes utilizadas, sobre todo la
imagen no deformada.
La segunda sección denominada Configuración, tiene dos procedimientos o funciones dentro del
sistema. El primero es llamado Cargar Imagen y tiene implementado dos procedimientos distintos
de acuerdo al tipo de captura que se haya seleccionado con anterioridad. El segundo se denomina
Deformadas, el cual implementa las rutinas para cargar las imágenes a partir del inicio de la prueba
de caracterización.
Si se utiliza el procedimiento Cargar Imagen en conjunto con la opción de Captura desde

dispositivo de almacenamiento, la interfaz gráfica provee al usuario de un TDialog de tipo carga de
archivo (ver Figura No. 30), en donde el usuario puede navegar a través de las carpetas del sistema
operativo para seleccionar el archivo de la imagen que se considera como base o estado inicial. El
método de correlación digital de imágenes permite hacer los cálculos de fotografías en distintos
formatos, sin embargo en la literatura se sugiere que se utilice siempre el formato tif.
Figura No. 30. Carga de archivo base.
Una vez seleccionada la imagen, es cargada para su visualización en un TImage en la pantalla
principal (ver Figura No. 31), esto garantiza que el usuario tenga la posibilidad de poder observar si
su imagen efectivamente corresponde al estado no deformado o estado inicial de prueba. A su vez la
interfaz gráfica provee de un mecanismo de confirmación a través de la visualización del nombre de
archivo, éste se puede observar en la parte inferior de la imagen mostrada.
Figura No. 31. Visualización de la imagen base en la interfaz gráfica.
Por otra parte, si se utiliza Cargar Imagen después de haber seleccionado la opción de Captura
desde cámara, el procedimiento se encarga de tomar la fotografía, convertirla al formato necesario y
recargarla al sistema para poder continuar con el proceso normal de la correlación digital de
imágenes.
La segunda opción de la sección Configuracción, denomida Deformadas, sólo tiene utilidad si es
utilizada en conjunto con la opción Captura desde dispositivo de almacenamiento, permitiendo
ingresar por medio de archivos las imágenes del proceso de deformación de la muestra. Una vez
que las imágenes son cargadas, la interfaz permite observar en una barra una a una las fotografías
(ver Figura No. 32). Cabe mencionar que el sistema de correlación debiera de tener en orden
cronológico las imágenes y esto es responsabilidad directa del usuario final del software.
Figura No. 32. Barra de imágenes deformadas.
La tercera sección de la interfaz gráfica es denominada Geometría, dentro de ella se encuentran dos
opciones del proceso de correlación, la primera es la Zona de trabajo, esta función hace hincapié en
una parte esencial del proceso de correlación digital de imágenes que se describe en el marco teórico
de este mismo documento denominada zona de interés o ROI (ver Figura No. 33), en donde el
usuario tienen la posibilidad de delimitar el área donde le interesa sean calculados los mapas de
deformaciones y desplazamientos, eliminando con ello las partes de la probeta o el fondo de la
imagen que no son relevantes, teniendo una repercusión directa en los tiempos de trabajo.
Figura No. 33. Zona de trabajo.
El segundo procedimiento de esta sección es llamado Dimensiones, permite al sistema tener una
relación real entre los pixeles de la imagen en la zona de interés. Para ello, el usuario es auxiliado
por la interfaz gráfica en donde puede seleccionar entre un sistema particular de unidades para
posteriormente ingresar el ancho que delimita el área a calcular (ver ¡Error! No se encuentra el
origen de la referencia.).
Figura No. 34. Dimensionamiento real del área de interés.
La siguiente sección tiene como nombre Mallado, su función principal radica en tener opciones
acordes con el tipo de malla que desea el usuario sea aplicado a su estudio. La primera de ellas es el
mallado Fino (ver Figura No. 35), éste tiene la peculiaridad de contar con separaciones de 5 pixeles
tanto horizontal como vertical, en la mayoría de los artículos publicados se comenta que es el
número más recomendable de separación ya que permite en el proceso de construcción de mapas
determinar los pixeles intermedios con una mayor cantidad de datos de respaldo. Sin embargo tiene
la desventaja de generar los procesos de correlación más tardados.
Figura No. 35. Mallado Fino.
Posteriormente se presenta la opción de Normal y Burdo (ver Figura No. 36 y Figura No. 37), al
igual que el fino respeta una separación homogénea tanto en lo horizontal como vertical, en el
primer caso la separación es llevada a los 10 pixeles y en el segundo a 15 pixeles. Sus ventajas son
mayor velocidad de cálculo, su desventaja es menor número de datos para reconstruir los valores en
los pixeles intermedios. Quizás para un usuario que tenga la necesidad de hacer estimaciones rápidas
estas opciones son una excelente manera de presentar información.
Figura No. 36. Mallado Normal.
Figura No. 37. Mallado Burdo.
La última opción de esta sección presenta el mallado Personalizado (ver Figura No. 38), la cual
permite al usuario determinar el número de elementos que desea de separación tanto horizontal
como vertical. Cabe mencionar que al no ser forzosa una separación uniforme puede que los
resultados se vean afectados, sin embargo le da la posibilidad al usuario determinar un mallado
acorde a sus necesidades de precisión y tiempo de cálculo.
Figura No. 38. Mallado Personalizado.
La última sección tiene como propósito poner en marcha el proceso de correlación digital de
imágenes: la opción Correlacionar, por medio de una ventana propia se puede elegir a cuál de las
imágenes deformadas se le aplica el método o en su defecto se puede elegir la opción de correr el
cálculo en todas las imágenes cargadas en el sistema (ver Figura No. 39).
Figura No. 39. Opción de correlacionar.
4.5 Implementación
Esta etapa tiene como objetivo principal presentar parte del código que permite el funcionamiento
correcto de las opciones presentadas en la sección anterior acerca de la interfaz gráfica. Es
importante resaltar que no se presenta el código en su totalidad sino sólo aquellas partes que se
consideran relevantes para el funcionamiento correcto de las opciones que se analizarán.
4.5.1 Procedimiento de captura de imagen base desde dispositivo de almacenamiento
En el procedimiento de captura desde dispositivo de almacenamiento intervienen dos unidades,

tipoproyecto y Principal, las dos incluyen sus respectivas formas, archivos cpp y h. El primero de
ellos tiene como función principal mostrar los dos tipos de captura que puede manejar el sistema, los
cuales se describieron con detalle en la etapa de interfaz gráfica. Sin embargo, su trabajo principal
consiste, mediante el evento de Click de un TRadioButton, habilitar y deshabilitar los componentes
referentes al otro tipo de captura que existe dentro del sistema. Esto se puede visualizar claramente
en la Figura No. 40 donde se muestra el código que realiza tal labor.
Figura No. 40. Código del TRadioButton de la opción captura desde dispositivo de almacenamiento.
Dada la naturaleza del TRadioButton de contar con un atributo llamado Checked que indica si la
opción está o no elegida, no es necesario tener una variable de estatus específica para verificar el
tipo de procedimiento para la toma de imágenes, basta solamente con acceder a este atributo ya sea
para la opción de almacenamiento o por medio de la cámara.
En la Figura No. 41, se puede observar parte del código de la opción de cargar imagen que forma
parte del procedimiento de capturar una imagen base a través de un dispositivo de almacenamiento,
para ello primeramente se utiliza un componente estándar de diálogo de apertura de archivos
llamado TOpenDialog el cual permite abrir una ventana a través de la cual un usuario puede navegar
a través del sistema operativo para seleccionar un archivo de tipo imagen. Posteriormente este
archivo es cargado en un TImage para filtrarlo tanto en tamaño como en el tipo de configuración,
este filtro permite escribir sobre el componente, logrando crear el efecto visual del área de interés y
mallado.
Es importante señalar que dentro de este procedimiento se crea un objeto de tipo TIMatriz al cual,
mediante parámetros pasados a través de su métodos transforma la imagen en una matriz de valores
en escala de gris (ver Figura No. 42). Hay que aclarar que el método de correlación digital de
imágenes requiere de valores en escala de gris y no en formato RGB.
La literatura no sugiere en qué momento hacer la conversión de una imagen con formato de color a
una en escala de grises. Sin embargo implementaciones anteriores del método, sugieren hacer la
conversión en el momento mismo de la carga.
Figura No. 41. Código para la carga de archivo base.
Figura No. 42. Método interno de conversión de la clase TIMatriz.
4.5.2 Procedimiento de captura de imágenes deformadas desde dispositivo de almacenamiento
El procedimiento está ligado directamente con el caso anterior de la imagen base, ello se debe
principalmente a que el sistema no puede tener una combinación en cuanto a la adquisición de sus
imágenes de trabajo, dicho de otra manera, es imposible que la imagen base se capture desde una
cámara y que posteriormente las imágenes deformadas lo hagan a través de archivos en un
dispositivo de almacenamiento y viceversa, no es posible capturar una imagen base desde un
dispositivo de almacenamiento y que las subsecuentes imágenes deformadas se hagan a través del
dispositivo óptico.
El procedimiento se puede observar en la Figura No. 43, donde se aprecia que lo primero es crear un
objeto nuevo de tipo TIMatriz en donde se capturan los valores de escala de gris de cada imagen
deformada en particular, se hace un filtrado para que puedan aparecer en el tamaño adecuado de la
barra de imágenes deformadas y posteriormente se agrega al objeto ListaImagenes que es de la clase
TListaImagenes, este objeto hace la tarea de ser un repositorio de imágenes deformadas, tanto en un
formato propio de imagen como en valores de escala de gris.
Figura No. 43. Evento execute de la opción Deformadas.
4.5.3 Procedimiento de captura de imagen base desde dispositivo cámara
En este procedimiento intervienen las dos unidades centrales del procedimiento desde dispositivo de
almacenamiento, tipoproyecto y Principal, las dos incluyen sus respectivas formas, archivos cpp y
h.
En la primera unidad se definen una serie de directivas de compilación que se pueden observar en la
Figura No. 44, dichas variables permiten al software hacer llamados a los recursos de dispositivos
propios conectados al sistema operativo, en el caso particular del sistema éstas permiten acceder a
una cámara a través del puerto USB.
Figura No. 44. Directivas de compilación.
A la par de la definición anterior se crearon tres procedimientos, el primero de ellos denominado

CreateBitmapInfoStruct (ver Figura No. 45), éste tiene como función principal generar una
estructura de datos compatible con el formato BMP. En este caso la rutina elabora una matriz con la
información y los valores de la imagen actual, con ello se logra tener la información lista en un
primer nivel de lógica para que posteriormente se pueda hacer esa transformación de matriz a pixel.
Figura No. 45. Creación de la estructura de datos para la imagen base.
Una vez que se cuenta con la estructura necesaria se hace un segundo llamado esta vez a la rutina
denominada CreateBMPFile (ver Figura No. 46), que permite tomar la estructura antes elaborada y
transformarla en información de pixel de acuerdo al formato nativo de la extensión BMP. Se podría
pensar que no era necesario tener por separado estas rutinas, sin embargo por complejidad y
depuración de errores esta forma de proceder se consideró una opción óptima. Este par de rutinas
utilizan tipos de datos íntimamente relacionados con las directivas de compilación que se hicieron
presentes en la cabecera de nuestra unidad.
Figura No. 46. Método para la creación de una imagen tipo BMP a partir de una estructura antes creada.
Los métodos anteriores se complementan con el evento de OnClick del botón “Captura Imagen
Base”, el código de este evento se puede observar en la Figura No. 47, en donde se aprecia que se
hacen llamados al sistema operativo, primeramente le indicamos al controlador de la cámara donde
va a desplegar la imagen en tiempo real, seguido de esta acción realizamos la conexión al
dispositivo óptico, se continua entonces con la instrucción para obtener las imagenes,
posteriormente se le configura al sistema el “refresh” de imagen, el tamaño que va a manejar, etc.
Esto permite que una vez que se hace click en dicha opción, el sistema pueda ver en tiempo real las
imágenes provenientes de la cámara.
Figura No. 47. Evento OnClick para visualizar la cámara.
Hasta este momento los procedimientos del software permiten observar la imagen en tiempo real
proveniente del dispositivo óptico, sin embargo es necesario incluir un procedimiento que obtenga
una instantánea de la cámara para con ello poder configurar las siguientes etapas del método (ver
Figura No. 48). En algún software de tipo comercial se permite la configuración sin dejar de
monitorear el dispositivo, sin embargo a nuestra consideración la mejor opción es tomar una
fotografía, convertirla en un archivo, almacenar dicho archivo, crear y cargar la información en un
objeto de tipo TIMatriz y continuar con las posteriores etapas. Proceder de esta manera permite al
sistema compartir la mayoría de los métodos existentes entre las distintas opciones de captura que se
le permiten al usuario, con lo que el sistema se hace menos complejo y fácil de depurar.
Figura No. 48. Procedimiento de captura de instantánea.
4.5.4 Procedimiento selección de área de interés o ROI
Como ya se ha expuesto en anteriores capítulos de este documento el área de interés impacta

directamente en el número de cálculos que tiene que realizar la computadora para determinar el
desplazamiento de los pixeles. Esto consiste principalmente en eliminar zonas de la imagen base que
no proporcionan información valiosa como lo puede ser el fondo de la toma o simplemente una zona
de la probeta con poca probabilidad de romperse.
El procedimiento tiene dos funciones principales, la primera de ellas se encarga del

dimensionamiento real de la imagen y la segunda permite utilizar los eventos del mouse. En el caso
particular del dimensionamiento, podemos suponer que no todas las fotografías se pueden ajustar al
tamaño del TImage de la pantalla principal, en el proceso de carga sea cual sea la opción utilizada
hay un redimensionamiento de salida. El procedimiento cambia las propiedades de Stretch y
AutoSize; con esto la imagen obtiene su tamaño real, cargando nuevamente la imagen en el TImage
para su visualización (ver Figura No. 49).
Figura No. 49. Procedimiento de dimensionamiento real.
La segunda parte del procedimiento se lleva a cabo a través de un Frame, este formato de forma
permite tener la imagen cargada y utilizar los eventos del mouse para determinar el área que desea
seleccionar el usuario. El evento que desencadena todo es el MouseDown para obtener las
coordenadas de inicio de la ROI (ver Figura No. 50). Primeramente, se prepara el lienzo del Canvas
con un tamaño, estilo y color de línea para la brocha de pintado, así mismo se cambia el tipo de
cursor que normalmente se utiliza para seleccionar por uno de tipo selección de regiones como lo es
el tipo Cross. Posteriormente, se hace la captura de las coordenadas en donde se oprimió el mouse,
con ciertas consideraciones que van ligadas al tamaño del TImage que se usa en pantalla, para ello
se utiliza el control por medio de los ScrollBar. Si la coordenada pasa cierto umbral, tiene el valor
de la propiedad Width del TImage, si no a la coordenada actual se le suma un sesgue de movimiento
para calcular la posición real en pixeles de la imagen, esto sucede en ambas direcciones vertical y
horizontal.
Figura No. 50. Procedimiento de captura y procesamiento del evento OnClick del mouse.
Otro de los eventos del mouse utilizados dentro del sistema es el denominado MouseMove (ver
Figura No. 51). Este evento permite ir pintando un cuadro con las características de brocha
configuradas en el canvas, con coordenadas iniciales provenientes de la función anterior y actual del
movimiento mismo. La implementación hecha tiene entre sus virtudes poder visualizar de manera
instantánea el área seleccionada aún y cuando ésta sobrepase el marco original del TImage, haciendo
un desplazamiento automático con el control del ScrollBar. Entre sus desventajas se puede
mencionar un ligero parpadeo en el repintado.
Figura No. 51. Evento MouseMove.
Finalmente la opción que cierra el ciclo es la ligada al evento de MouseUp (ver Figura No. 52),
donde se capturan las coordenadas finales y se pinta el cuadro de manera estática en el canvas sobre
la imagen original, permitiendo observar la zona de interés de manera fácil y precisa. Cabe
mencionar que tanto las coordenadas x y y finales serán utilizadas en posteriores funciones del
software, principalmente en el mallado que se liga con este procedimiento.
Figura No. 52. Procedimiento en el evento MouseUp.
4.5.5 Procedimiento de mallado
Este procedimiento es sencillo en comparación con el resto del programa ya que su única
complicación radica en el tipo de mallado seleccionado por el usuario, dato que acompañado con las
coordenadas de inicio y fin de zona se genera una serie de líneas horizontales y verticales con un
desplazamiento definido, permitiendo visualmente formar una serie de cuadros representando una
malla (ver Figura No. 53). Dejando de lado la parte visual, es en este momento que se genera un
objeto de tipo TMalla ya antes expuesto, para guardar las coordenadas de los puntos a calcular.
Figura No. 53. Procedimiento de mallado.
4.5.6 Procedimiento de correlación digital de imágenes
Este procedimiento es el centro y razón de ser de todo el programa, su implementación se basa en la

metodología presentada en el apartado de marco teórico, en la programación de las clases expuestas
en la etapa de análisis y diseño. A continuación se desglosarán cada una de las partes o funciones
que conforman la correlación y el aporte que le dan al método.
El método inicia una vez que la función principal es invocada (ver Figura No. 54), esta función
trabaja bajo ciertos requerimientos de parámetros. El primero de los requerimientos es M, que
determina el tamaño de las facetas de búsqueda y cálculo. Como ya se expuso, un tamaño muy
grande implica tener un porcentaje alto de vecindades únicas pero tiene tiempos de cálculos
excesivos. El siguiente parámetro es L que proporciona el tamaño de la zona de búsqueda, al igual
que M, en dimensiones muy grandes garantiza resultados óptimos pero tiempos extremadamente
altos, sin embargo la teoría nos indica que si tenemos desplazamientos controlados y relativamente
lentos podemos asumir que los pixeles no se desplazan más allá de este umbral. Los siguientes tres
parámetros son objetos, el primero de ellos está relacionado con la imagen base, posteriormente se
presenta el objeto que contiene a las imágenes deformadas y finalmente el objeto de tipo TMalla con
los puntos de interés.
Figura No. 54. Función principal del método de correlación.
El procedimiento se centra en una estructura cíclica, que permite estar iterando cada una de las
imágenes deformadas respecto a la imagen original, en cada iteración se selecciona un objeto del
contenedor, se obtiene la primera coordenada de la malla a calcular y se genera el primer objeto de
tipo TListaP, para poder guardar en éste último los datos de desplazamiento y deformación en cada
una de las etapas.
Una vez obtenidos estos datos, se mandan a una función denominada DIC2DPix (ver Figura No. 55)
que tiene como finalidad realizar el cálculo a nivel pixel, etapa descrita en la sección del marco
teórico del presente documento. Cabe mencionar que debido a que este proceso conlleva mucho
tiempo computacional, se optó por implementar una serie de estrategias que permiten agilizar el
cálculo, como lo son el uso de hilos para paralelizar el proceso a nivel procesador, así como el uso
del algoritmo rápido y guiado para estimar el cálculo a nivel pixel utilizando los resultados del pixel
contiguo.
En el caso particular de la implementación de hilos se determinó mediante pruebas que el número

adecuado de hilos estuviera relacionado directamente con el número de núcleos lógicos del
procesador. Cada uno de los hilos es generado e inicializado para que ocupe cada uno de los
procesadores, los cálculos se subdividen en rangos o sub-zonas de búsqueda, recordemos que a nivel
pixel se compara cada faceta de la imagen original versus todas las facetas pixel a pixel de la zona
de búsqueda en la imagen deformada. Esto permite llenar una matriz con cada uno de los valores del
criterio de correlación para finalmente buscar el que tenga el valor más alto o cercano a 1. Es lógico
pensar que conforme se avance el proceso de correlación digital de imágenes y se vayan cargando
las imágenes deformadas de mayor avance en la prueba mecánica este criterio irá en decremento, sin
embargo siempre encontraremos un valor máximo que nos permita determinar el desplazamiento a
nivel pixel.
Una vez encontrado o estimado el desplazamiento, será cargado en el objeto tipo TP, en las
posiciones de u y v que simbolizan el movimiento en dirección x y y respectivamente. El resto de los
valores depende directamente del número de punto de interés a analizar, en el caso particular del
primer punto, éste es inicializado con los valores en 0, en el caso de cualquier otro punto éste es
inicializado con los valores del punto de interés adjunto.
Figura No. 55. Función para el cálculo a nivel pixel.
Una vez que se obtiene el resultado a nivel pixel y se inicializan los valores de desplazamientos y
deformaciones en el vector p , se procede a encontrar la solución a nivel sub-pixel por medio del
método de Newton-Rapshon, ya expuesto en el marco teórico (ver Figura No. 56). Esta función
continúa con la filosofía de utilizar los recursos de la computadora de la manera más óptima posible,
para ello se implementaron una secuencia de hilos que permiten el cálculo en paralelo del vector de
coeficientes así como la matriz Hessiana.
Como todo método iterativo por control de error se procedió a utilizar un número máximo de
pasadas antes de deducir que no había una buena solución, en este caso 200 iteraciones como límite
superior y se utilizó un error de 1.0E-5 para detener el proceso y dar por buena la solución. El error
utilizado va de acuerdo a los artículos leídos donde se indica que el método de correlación
difícilmente alcanza niveles por debajo de las microdeformaciones debido principalmente al número
de pixeles manejados actualmente por las cámaras digitales.
Figura No. 56. Búsqueda a nivel sub-pixel.
El cálculo de cada uno de los coeficientes tanto del vector de soluciones como el de la matriz
Hessiana se hace mediante la primera y segunda derivada parcial de cada coeficiente del vector p
(ver Figura No. 57), todo esto ya presentado en el marco teórico de este documento.
Figura No. 57. Cálculo de la matriz Hessiana.
Una vez que cada error de los seis coeficientes esté por debajo del error máximo permitido por el
sistema, el objeto p es actualizado en la lista de objetos para posteriormente pasar a evaluar el
siguiente punto de interés generado en el mallado.
4.5.7 Procedimiento de graficación de resultados.
En la etapa de correlación cada punto de interés finalizado pasa a formar parte de un mapa de
estimación de resultados. Recordemos que en el mallado no se toma en cuenta la totalidad de los
pixeles de la imagen, por lo tanto para presentar un mapa de deformación o desplazamiento en la
totalidad de los pixeles del área de interés hay que poder estimar la solución de los pixeles no
calculados directamente.
Para el cálculo de dichos resultados se ha optó por utilizar una solución de tipo interpolación
bicúbica, en la que los valores de los puntos de interés permiten generar una serie de coeficientes
que llevan a estimar un valor intermedio de pixel no calculado. Por lo tanto el sistema sólo tiene que
recorrer pixel a pixel la zona de interés para poder estimar con dichos coeficientes el valor de
deformación o desplazamiento requerido ver Figura No. 58.
Figura No. 58. Cálculo desplazamiento o deformación pixel a pixel.
CAPÍTULO V. RESULTADOS Y DISCUSIÓN
5.1 Pruebas de validación del sistema.
Debido a la naturaleza del problema, se presentaron una serie de inconvenientes para precisar si la
solución propuesta está dentro de los parámetros de aceptación. A continuación se muestran una
serie de escenarios formulados para analizar la calidad del software de deformaciones desarrollado
en el proyecto.
 Mapa de deformaciones versus prueba de caracterización mecánica en tensión, compresión

o flexión: Este escenario se vislumbra como metodología más óptima a la cual recurrir, esto
se debe a que el objetivo principal del software es resolver el problema de caracterización
mecánica. Sin embargo, los resultados de una prueba mecánica utilizando métodos
ordinarios presentan una serie de inconvenientes para poder ser utilizadas en una
comparación directa con el mapa de deformaciones.
En una primera instancia, utilizando el valor proporcionado por el equipo de caracterización

mecánica (Máquina Universal Instron, por dar un ejemplo) se pueden obtener
desplazamientos y deformaciones, estos datos provienen directamente del mecanismo de
movimiento del equipo y no de la probeta en sí misma. Para poder establecer una
comparativa entre el sistema y la máquina, es necesario tomar en cuenta algunas
consideraciones y limitaciones.
La consideración más importante consiste en conocer el factor de error presente en el

mecanismo de movimiento del equipo, una máquina sin calibración o mordazas con mucha
tolerancia mecánica entre sus partes, puede enmascarar el resultado real de la prueba de
caracterización.
Por otro lado, su mayor limitación proviene del hecho de que los datos del equipo reflejan
una deformación uniforme o promedio del material, por lo tanto para poder hacer una
comparativa de resultados y análisis de eficiencia del mapa de deformaciones del software,
se debe limitar el resultado a una aproximación promedio del área de estudio, en cuyo caso
pierde la relevancia de poder tener un mapa completo de deformaciones en comparación a
deformaciones promedio.
Por otro lado, utilizando galgas extensiométricas se evita el problema subyacente de

determinar la deformación real de la probeta versus el desplazamiento de la máquina. El
resultado obtenido por el uso de este método garantiza que los datos están siendo calculados
directamente en el material. En su contra esta el tamaño de la región de censado, por lo
general las galgas ocupan una muy pequeña área comparada con el cuerpo del material, por
lo tanto se puede hacer la conjetura de que el valor obtenido sigue siendo un valor puntual y
no una serie de valores en la zona, así pues la comparativa versus el sistema tendría que
hacerse en una especie de promedio, misma problemática de la metodología anterior donde
pierde relevancia el mapeo completo que proporciona la metodología de correlación.
 Determinación del mapa de deformaciones sobre imágenes generadas artificialmente con

control en los desplazamientos y deformaciones: Una de las soluciones empleadas para
determinar la eficiencia en los nuevos algoritmos de correlación digital de imágenes,
presentes en la mayoría de las publicaciones, es el uso de imágenes creadas artificialmente
donde se pueda tener un control de los desplazamientos y deformaciones en cada pixel. El
uso de imágenes artificiales tiene la cualidad de poder medir la eficiencia en cada pixel de la
imagen en la región de interés. En contraparte, a las cualidades de las imágenes artificiales se
encuentra la dificultad de generar un algoritmo robusto capaz de imitar los requisitos
óptimos presentes en un moteado, como lo es la aleatoriedad, el tamaño y la textura.
Conociendo las alternativas que existen para validar el funcionamiento del sistema basado en los
resultados, la opción de crear imágenes artificiales con conocimiento de las deformaciones reales
aplicadas, es la utilizada para para dar certidumbre al trabajo desarrollado durante esta tesis.
5.2 Esquema de pruebas de validación.

Para validar el sistema se plantearon una serie de pruebas bajo el siguiente esquema de trabajo:
 Creación de imágenes base: Se desarrollaran dos tipos de imágenes, la primera de ellas bajo
un esquema de una señal senoidal con valores suavizados (en el ANEXO A se puede
observar el código con el cual fueron generadas estas imágenes, su implementación se hizo
en el software Scilab), este tipo de imágenes permite determinar cómo influyen pixeles
vecinos en las ventanas o facetas (ver Figura No. 59).
Figura No. 59. Imagen con señal senoidal.
La segunda imagen se basa en hacer un algoritmo de moteado (en el ANEXO B se puede

observar el código con el cual fueron generadas estas imágenes, su implementación se hizo
en el software Scilab). El cual crea motas de tamaños establecidos en un rango y las
distribuye aleatoriamente sobre la superficie de la imagen. Cabe mencionar que dicha
imagen es semejante a lo que pudiésemos encontrar en una prueba real. El esquema de
construcción de este tipo de imagen se basa principalmente en los trabajos de validación
propuestos en los algoritmos de correlación presentes en la mayoría de las publicaciones del
área (ver Figura No. 60).
Figura No. 60. Imagen con moteado aleatorio.
Además de todo lo anterior las imágenes tienen una variación de tamaño para comprobar si
la resolución es un factor importante en los resultados obtenidos, en la Tabla 3 se pueden
observar los tamaños a utilizar para las pruebas.
Tabla 3. Tamaño de las imágenes generadas.
Imagen base tipo 1 401x401(Pixeles) 801x801(Pixeles) 1201x1201(Pixeles) 1601x1601(Pixeles) 2001x2001(Pixeles)
Imagen base tipo 2 401x401(Pixeles) 801x801(Pixeles) 1201x1201(Pixeles) 1601x1601(Pixeles) 2001x2001(Pixeles)
 Creación de imágenes deformadas: Basado en los esquemas de la imagen base o no

deformada se generan imágenes con el mismo principio pero aplicando deformaciones
controladas y homogéneas, en el caso de las pruebas para este proyecto existen dos distintos
valores de deformaciones ver Tabla 4:
Tabla 4. Valores de deformación aplicada a las imágenes artificiales.
u u v v
x y x y
Imagen deformada tipo 1 0.001 0.003 -0.001 -0.002
Imagen deformada tipo 2 0.01 0.03 -0.01 -0.02
 Configuración de variables propias del método de correlación: El método de correlación

digital de imágenes utiliza una serie de variables que pueden ser configuradas de acuerdo a
los requerimientos de la prueba. En la mayoría de las publicaciones se expresa que dichas
variables pueden tener un impacto directo en los resultados, es por ello que es importante
realizar las pruebas teniendo un rango de maniobrabilidad en los valores para poder inferir
con ello lo susceptible del sistema ante la variación de las mismas. En el caso particular de
las imágenes a probar se sugieren distintos valores de M y L, recordando que la primera
define el tamaño de la faceta de búsqueda y la segunda el área alrededor de la cual se busca
encontrar la correlación a nivel pixel. En la Tabla 5 se pueden observar los valores
propuestos.
Tabla 5. Valores que tomaran las variables propias del método de correlación.
M (Pixeles) L (Pixeles)
20 30
40 15
60 5
 Configuración del mallado y zona de interés: Para que las pruebas sean consistentes sin
importar el cambio de tamaño de la imagen las pruebas se realizarán variando la zona de
interés a partir del punto central de la imagen y la distancia entre los puntos en la malla. En
la Tabla 6 se pueden observar los valores utilizados.
Tabla 6. Valores de la zona de interés y la separación en el mallado.
Tamaño de imagen 401x401 801x801 1201x1201 1601x1601 2001x2001

Zona de interés (Pixeles) 20x20 40x40 60x60 80x80 100x100
Distancia entre puntos interés en el mallado (Pixeles) 5 10 15 20 25
5.3 Resultados y discusión.

La naturaleza de las pruebas permiten inferir un tamaño de material a través de las distintas
configuraciones, esto se logra haciendo una relación directa entre el tamaño de imagen (T) y el
tamaño de faceta (M), esta nomenclatura será utilizada en los valores del eje x.
En el eje y se presentan los valores del porcentaje de error máximo (escala logarítmica) existente
para cada prueba y mapa de deformación. Sobre los puntos de interés calculados para cada
configuración utilizada, se busca el que mayor error representa y éste es el dato presentado en las
gráficas que a continuación se van a poder observar para así observar el peor de los escenarios.
 Imágenes tipo uno: Los resultados de las imágenes tipo uno o senoidal se presentan en una
serie de gráficas de acuerdo al tipo y valor de deformación calculada, iniciando con las
configuraciones artificiales de deformación u / x  0.001, u / y  0.003 ,
v / x  0.001 , v / y  0.002 acompañadas de los mapas de desplazamientos y
deformación de la configuración que se considera más fiable o con menor error de cálculo
(ver Figura No. 61 a la ¡Error! No se encuentra el origen de la referencia.). Posteriormente
se presentan aquellas configuraciones de deformación u / x  0.01, u / y  0.03 ,
v / x  0.01 , v / y  0.02 y sus correspondientes mapas de desplazamiento y
deformación en la configuración de menor error de cálculo (ver Figura No. 71 a la ¡Error!
No se encuentra el origen de la referencia.).
Figura No. 61. Resultado de error relativo máximo en la medición de la deformación du/dx con valor nominal de 0.001
(imagen con fuente senoidal).
Figura No. 62. Resultado de error relativo máximo en la medición de la deformación du/dy con valor nominal de 0.003
Figura No. 63. Resultado de error relativo máximo en la medición de la deformación dv/dx con valor nominal de -0.001
Figura No. 64. Resultado de error relativo máximo en la medición de la deformación dv/dy con valor nominal de -0.002
(imagen con fuente senoidal)
Observando los resultados del porcentaje de error se deduce que la mejor combinación T/M
es aquella donde M=60 y un tamaño de T=401. En las siguientes figuras se presentan los
mapas de desplazamiento y deformación obtenidos con dicha combinación.
Figura No. 65. Mapa de desplazamientos u obtenidos con la proporción T/M que presenta menores errores (imagen con
fuente senoidal, primera configuración de deformaciones).
Figura No. 66. Mapa de desplazamientos v obtenidos con la proporción T/M que presenta menores errores (imagen con
Figura No. 67. Mapa de deformación du/dx obtenida con la proporción T/M que presenta menores errores (imagen con
Figura No. 68. Mapa de deformación du/dy obtenida con la proporción T/M que presenta menores errores (imagen con
Figura No. 69. Mapa de deformación dv/dx obtenida con la proporción T/M que presenta menores errores (imagen con
Figura No. 70. Mapa de deformación dv/dy obtenida con la proporción T/M que presenta menores errores (imagen con
A continuación se presentan los resultados de las pruebas con las imágenes con fuente
senoidal pero con la segunda configuración de deformaciones artificiales (10 veces mayores
que en el caso anterior) y sus respectivos mapas de desplazamiento y deformación.
Se puede observar que de los resultados del porcentaje de error la combinación T/M que
menor error presenta es aquella donde M=60 y T=401. En las figuras 75 a 80 se presentan
los mapas de desplazamiento y deformación obtenidos con dicha combinación.
Figura No. 75. Mapa de desplazamientos de u obtenidos con la proporción T/M que presenta menores errores (imagen
con fuente senoidal, segunda configuración de deformaciones).
Figura No. 76. Mapa de desplazamientos de v obtenidos con la proporción T/M que presenta menores errores (imagen
Figura No. 77. Mapa de deformaciones de du/dx obtenidas con la proporción T/M que presenta menores errores (imagen
Figura No. 78. Mapa de deformaciones de du/dy obtenidas con la proporción T/M que presenta menores errores (imagen
Figura No. 79. Mapa de deformaciones de dv/dx obtenidas con la proporción T/M que presenta menores errores (imagen
Figura No. 80. Mapa de deformaciones de dv/dy obtenidas con la proporción T/M que presenta menores errores (imagen
 Imágenes tipo dos: Los resultados de las imágenes tipo dos con moteado aleatorio se
presentan en una serie de gráficas de acuerdo al tipo y valor de deformación calculada,
iniciando con las configuraciones artificiales de deformación u / x  0.001, u / y  0.003
, v / x  0.001 , v / y  0.002 acompañadas de los mapas de desplazamientos y
deformación de la configuración que se considera más fiable o con menor error de cálculo
(ver Figura No. 81 a la ¡Error! No se encuentra el origen de la referencia. ). Posteriormente
se presentan aquellas configuraciones de deformación u / x  0.01, u / y  0.03 ,
v / x  0.01 , v / y  0.02 y sus correspondientes mapas de desplazamiento y
deformación en la configuración de menor error de cálculo (ver Figura No. 91 a la ¡Error!
No se encuentra el origen de la referencia.).
(imagen con moteado aleatorio).

Observando los resultados del error relativo, se deduce que la mejor combinación T/M es
aquella donde M=60 y T=401, en las siguientes figuras se presentan los mapas de
desplazamiento y deformación obtenidos con dicha combinación.
con moteado aleatorio, primera configuración de deformaciones).

con moteado aleatorio, primera configuración de deformaciones).
moteado aleatorio, primera configuración de deformaciones).


A continuación se presentan los resultados de las pruebas con imágenes en la segunda

configuración de deformaciones artificiales y sus respectivos mapas de desplazamiento y
deformación.


Se puede deducir que la combinación T/M que arroja menor error es aquella donde M=60 y
T=401, en las figuras 95 a 100 se presentan los mapas de desplazamiento y deformación
obtenidos con dicha combinación.
con moteado aleatorio, segunda configuración de deformaciones).

con moteado aleatorio, segunda configuración de deformaciones).
moteado aleatorio, segunda configuración de deformaciones).


En los resultados de todas las pruebas con los distintos tipos de imágenes y combinaciones de
deformación, se puede observar una tendencia en la relación T/M. El aumento de M manteniendo T
fijo permite tener un número de pixeles que aportan mayor información de la deformación,
considerando en cada faceta una mayor cantidad de material. Si se disminuye T manteniendo fijo M
obtenemos una mayor cantidad de material por faceta. Ambos casos de configuración permiten tener
una disminución en los errores de cálculo. Sin embargo esta afirmación sólo es válida para
deformaciones homogéneas, si tuviéramos el caso de deformaciones no uniformes, el aumento de M
incrementa el error.
Si mantenemos fijo T/M podemos observar que las imágenes de mayor resolución presentan mejores
resultados (ver Figura No. 101), Sin embargo esta ganancia se obtiene a costa del costo
computacional debido al aumento de M (T/M es fijo en esta suposición). Por lo tanto podemos
afirmar que para imágenes con deformaciones homogéneas a mayor T se requiere un mayor M que
garantice contar con facetas lo suficientemente grandes para obtener resultados más confiables.

Figura No. 101. Explicación gráfica de la minimización de errores conforme aumenta la resolución de las imágenes
(resultado de du/dy con valor nominal de 0.02 en imagen con moteado aleatorio).
Sin embargo el aumento de M repercute directamente en el tiempo de cálculo del método de

correlación. Es claro que crear y caracterizar una faceta grande se vuelve una tarea
computacionalmente costosa, tanto en memoria como en tiempo de procesamiento. En pruebas
reales de caracterización mecánica a través del método de correlación, los sistemas actuales tienen
configuraciones de M que van desde los 5 a los 10 pixeles de resolución, esto se debe
principalmente a que las deformaciones no son homogéneas y por ende se requieren tamaños
pequeños que aporten información más fiable a la hora de construir el mapa de deformaciones. Ergo
esto ayuda directamente a hacer el método más rápido y eficiente en el uso de la memoria.
Entonces ¿qué hacer cuando se tienen deformaciones homogéneas? Para cualquier tipo de
deformación, lo más importante es encontrar una combinación óptima de exactitud y tiempo de
cálculo. En la Figura No. 102 y Figura No. 103 se graficó el error máximo cometido en las
mediciones de deformación en función de la resolución de imagen T para cada valor de M
considerado, y esto para los dos tipos de imágenes contemplados en esta tesis. Una de las mejores
opciones para obtener resultados de alta calidad sin elevar el tiempo computacional, es el uso de
imágenes de baja resolución y bajo valor de M (T=401 y M=20).

Figura No. 102. Porcentajes de errores máximos en la medición de las deformaciones con imágenes con fuente senoidal,
en función de la resolución de la imagen ( a) primera configuración de deformaciones, b) segunda configuración de
deformaciones).
Figura No. 103. Porcentajes de errores máximos en la medición de las deformaciones con imágenes con moteado
aleatorio, en función de la resolución de la imagen ( a) primera configuración de deformaciones, b) segunda
configuración de deformaciones).
En relación al valor de deformación se puede apreciar que para deformaciones mayores el sistema
tiene un comportamiento mejor que para deformaciones pequeñas, esto no es una buena noticia si
pensamos que el sistema se planteó en un inicio como un sustituto del procedimiento de
caracterización por medio de galgas extensiométricas, las cuales son capaces de medir
microdeformaciones. Sin embargo en la literatura se reportan avances máximos en valores de

deformación cercanos al 1e-5 lo cual nos permite inferir que nuestro sistema no esta tan lejano a
alcanzar los valores óptimos de trabajo para los cuales fue diseñado.
Finalmente podemos mencionar que las imágenes de tipo dos o moteado aleatorio presentan un
mejor comportamiento respecto al porcentaje de error comparado con las imágenes de tipo uno. Esto
se debe principalmente a la naturaleza del método y a los criterios de correlación, en donde para
encontrar valores óptimos de deformación a nivel sub-pixel es necesario que nuestra faceta presente
características únicas respecto a otras facetas y esto se logra con moteados totalmente aleatorios.

CAPÍTULO VI. CONCLUSIONES
A lo largo de la presente tesis, se logró el desarrollo de un software capaz de calcular

desplazamientos y deformaciones, a través de la lectura de una serie de imágenes, aplicando sobre
éstas el método de correlación digital de imágenes 2D. El programa presenta los resultados en
gráficas estilo mapa de colores, así como los muestran usualmente los software de simulación. El
método de correlación utilizado dentro del software presenta resultados fiables, con errores máximos
cercanos al 2.9634% en casos particulares con imágenes de baja resolución (T = 401), utilizando
facetas de poco tamaño (M = 20) y con deformaciones de 1% en imágenes con moteado aleatorio.
Por lo tanto, se puede concluir que el sistema cumple con el objetivo general del proyecto, en donde
se plantea calcular el mapa de desplazamientos y deformaciones de imágenes provenientes de una
cámara o de un dispositivo de almacenamiento. El programa es confiable siempre y cuando se
manejen tamaños apropiados de M; ello implica que el usuario final del software debe contar con
conocimientos previos del funcionamiento del método de correlación digital de imágenes. Esta
situación donde el usuario necesita conocimientos previos no estaba prevista dentro de las
limitaciones del sistema y se contrapone al objetivo que apunta a que el software debe de ser
robusto, intuitivo y fácil de utilizar. Sin embargo existe evidencia en la literatura de algoritmos que
pueden determinar automáticamente un valor de M efectivo para cada par de imágenes (deformada y
no deformada) que se vayan a calcular. Se recomienda explorar el uso estos algoritmos para la
selección automática de M.
Respecto a la velocidad de procesamiento, a pesar de que el presente documento no muestre gráficas

de rendimiento, se puede decir que el procedimiento de cálculo puede ser mejorado en gran medida
utilizando nuevos esquemas o métodos, ejemplo de ello es utilizar un nuevo método de guiado en el
esquema de búsqueda a nivel sub-pixel y cambiar la forma en la que se genera la matriz Hessiana
utilizando como base las funciones y procedimientos de la interpolación bicúbica, implementar las
nuevas tecnologías de programación paralela (GPU) para acelerar los cálculos, etc.

Así mismo en el transcurso del desarrollo del proyecto se pudieron hacer ciertas observaciones en
cuanto a mejoras a futuro tanto del sistema como del método de correlación digital de imágenes,
éstas podrían derivar en una futura publicación, convirtiéndose en una línea de investigación propia
con la cual podría continuar mis estudios de posgrado y generar conocimiento de frontera.

VII.BIBLIOGRAFÍA
Ackermann, F. (Octuber 1984). Digital Image Correlation: Performance and potential appplication
in photogrammetry. Photogrammetric Record, 11(64), pp. 429-439.
Bing Pan, D. W. (2012). An active imaging digital correlation method for deformation measurement
insensitive to ambient light. Optics & Laser Technology 44, pp- 204-209.
Bing Pan, K. Q. (2009). Two-dimensional digital image correlation for in-plane displacement and
strain measurement: a review. Measurement science and technology 20.
Bing Pang, K. L. (2011). A fast digital image correlation method for deformation measurement.
Optics and Lasers in Engineering 49, pp. 841-847.
E. López-Alba, F. A.-G. (2010). Análisis de deformaciones en probetas planas mediante correlación
digital de imágenes. Asociación española de ingeniería mecánica. XVIII Congreso Nacional
de Ingeniería Mecánica.
Egor P. Popov, T. A. (2000). Mecánica de Sólidos, Segunda Edición. México: Pearson Educación
S.A.
G. La Rosa, A. M. (Luglio 2013). Fracture mechanics parameters evaluation using the digital image
correlation technique: a first approach. Convegno Nazionale IGF XXII, Roma, Italia 1-3, pp.
145-152.
H.J.K. Lemmen, R. A. (2008). The power of Digital Image Correlation for detailed elastic-plastic
strain measurements. WSEAS International Conference on ENGINEERING MECHANICS,
STRUCTURES, ENGINEERING GEOLOGY (EMESEG '08), pp. 73-89.
Hild, F. &. (2006). Digital image correlation: from displacement measurement to identification of
elastic properties–a review. Strain, 42(2), pp. 69-80.
Hung, P. C. (2003). In-plane strain measurement by digital image correlation. Journal of the
Brazilian Society of Mechanical Sciences and Engineering, 25(3), pp. 215-221.
J. Huang, X. P. (2013). Digital Image Correlation with Self-Adaptive Gaussian Windows.
Experimental Mechanics 53, pp. 505-512.
Jérémie Dautriat, M. B. (2011). Localized deformation induced by heterogeneities in porous
carbonate analysed by multi-scale digital image corelation. Tectonophysics 503, pp. 100-116.

Jinlong Chen, G. X. (2005). Two-step digital image correlation for micro-region measurement.
Optics and Lasers in Engineering 43, pp. 836-846.
Jorge Abanto-Bueno, J. L. (2002). Investigation of crack growth in funtionally graded materials
using digital image correlation. Engineering Fracture Mechanics 69, pp. 1695-1711.
Jun Zhang, Y. C. (2011). On the use of the digital image correlation method for heterogeneous
deformation measurement of porous solids. Optics and Lasers in Engineering 49, pp. 200-
209.
L. P. Canal, J. M.-A. (2010). Mecanismos de deformación en laminados de matriz polimérica:
Correlación digital de imagenes y micromecánica computacional. Iberian Conference on
Fracture and Structural Integrity 2010.
Loukili, S. Y. (2010). Application of digital image correlation to size effect tests of concrete. 7th
international conference on Fracture Mechanics of Concrete and Concrete Structures, pp.
191-197.
Metwalli, S. M. (1987). Determination of plastic stress-strain behavior by digital-image-processing
techniques. Experimental mechanics, 27(4), pp. 414-422.
Michael A. Sutton, J.-J. O. (2009). Image Correlation for Shape Motion and Deformation
Measurements. Basic Concepts, Theory and Applications. Springer Science+Businnes Media
.
Ming-Hsiang Shih, W.-P. S. (August 2013). Application of digital image correlation method for
analysing crack variation of reinforced concrete beams. Sadhana Vol. 38, Part 4 Indian
Academy of Sciences, pp. 723-741.
R. Fedele, S. S. (2012). Image Correlation-Based Identification of Fracture Parameters for Structural
Adhesives. Technische Mechanik 32, 2-5, pp. 195-204.
R. Roncella, E. R. (2012). Comparative Analysis of Digital Image Correlation Techniques for In-
Plane Displacement Measurements. 5th International Congress on Image and Signal
Processing CISP 2012, pp. 721-726.
Sandhya Samarasinghe, D. K. (1997). Study of Mode-I and Mixed-Mode Fracture in Wood using
Digital Image Correlation Method. Proceedings of International Wood Engineering
Conference, Luisiana, USA.

Schach, S. R. (n.d.). Object-oriented and classical software engineering, eigth edition. New York:
McGraw-Hill.
Shun-Fa Hwang, J.-T. H.-J. (2008). Strain measurement of SU-8 photoresist by a digital image
correlation method with a hybrid genetic algorithm. Optics and Lasers in Engineering 46,
pp. 281-289.
Sosa, J. (n.d.). Facultad de Ingeniería, Universidad de la Plata. Retrieved from
www.ing.unlp.edu.ar/electrctecnia/procesos/apuntes/Strain_Gages_1.pdf
T.C. Chu, W. R. (September 1985). Applications of Digital Image Correlation Techniques to
Experimental Mechanics. Experimental Mechanics Volume 25, Issue 3, pp. 232-244.
V. Álvarez, P. S. (2010). Determinación de los parámetros óptimos en DIC. Asociación española de
ingeniería mecánica. XVIII Congreso Nacional de Ingeniería Mecánica.
VISHAY. (n.d.). Retrieved from http://www.vishaypg.com/docs/11054/tn504.pdf
VISHAY. (n.d.). Retrieved from http://www.vishaypg.com/micro-measurements/stress-analysis-
strain-gages/
Wafa, P. A. (2013). Identification of concrete fracture parameters using digital image correlation
and inverse analysis. Electronic Theses and Dissertations , Paper 4952.
Wattrisse, B. C.-G. (2001). Analysis of strain localization during tensile tests by digital image
correlation. Experimental Mechanics, 41(1), pp. 29-39.
Yaofeng Sun, J. H. (2006). Thermal Deformation Measurement by Digital Image Correlation
Method. Thermal and Thermomechanical Phenomena in Electronics Systems, 2006.
ITHERM'06. The Tenth Intersociety Conference, pp. 921-927.
Yuan Yuan, J. H. (2014). Accurate displacement measurement via a self-adaptive digital image
correlation method based on a weighted ZNSSD criterion. Optics and Lasers in Engineering
52, pp. 75-85.
Zhengzong Tang, J. L. (2012). Large deformation measurement schemefor 3D digital image
correlation method. Optics and Lasers in Engineering 50, pp. 122-130.
Zili Sun, J. S. (1997). Measuring Microscopic Deformations with Digital Image Correlation. Optics
and Lasers in Engineering 27, pp. 409-428.

ANEXO A

ANEXO B


Determinación Del Mapa de Deformaciones en Probetas Planas Mediante El Método de Correlación Digital de Imágenes - Rubén Castañeda

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Determinación Del Mapa de Deformaciones en Probetas Planas Mediante El Método de Correlación Digital de Imágenes - Rubén Castañeda

Cargado por

Copyright:

Formatos disponibles

SEP SES TNM

INSTITUTO TECNOLÓGICO DE CHIHUAHUA II

“Determinación del mapa de deformaciones en

MAESTRO EN SISTEMAS COMPUTACIONALES

ING. RUBÉN CASTAÑEDA BALDERAS

CHIHUAHUA, CHIH. A 17 DÍAS DEL MES DE JUNIO DEL AÑO 2016

ÍNDICE DE FIGURAS ....................................................................................................................... 3

ÍNDICE DE TABLAS ......................................................................................................................... 8

CAPÍTULO I. INTRODUCCIÓN ....................................................................................................... 9

1.1 Introducción. .......................................................................................................................................9

CAPÍTULO III. MARCO TEÓRICO ................................................................................................ 23

3.1 Transformación de un cuerpo ...........................................................................................................23

4.1 Modelo de negocio............................................................................................................................41

5.1 Pruebas de validación del sistema. ...................................................................................................83

VII.BIBLIOGRAFÍA ....................................................................................................................... 114

ANEXO A ........................................................................................................................................ 117

ANEXO B ........................................................................................................................................ 119

Tabla 1 Criterios comúnmente utilizados de correlación cruzada o CC. ........................................... 34

La importancia de este trabajo de caracterización radica en que en toda construcción de ingeniería,

El trabajo normal de caracterización mecánica se lleva a cabo a través de máquinas denominadas

Figura No. 1. Cálculo de la deformación utilizando la lectura de la máquina universal.

Figura No. 2. Probeta instrumentada con una galga extensiométrica.

Figura No. 4. Zona útil de una galga extensiométrica.

1.2 Planteamiento del problema.

 El sistema es capaz de controlar el dispositivo de adquisición de imágenes (cámara digital), para

Una alternativa de solución es el uso de sensores especializados, útiles en condiciones extremas.

1.5.1 Objetivo General

Desarrollar un software capaz de leer una serie de imágenes (a través de dispositivo de

1.5.2 Objetivos específicos

Existe un buen número de publicaciones relacionadas con la caracterización de materiales mediante

Otras investigaciones apuntan a la eliminación de cálculos repetitivos en los algoritmos de

Para el estudio de la transformación de un sólido S en el espacio tridimensional, partimos de que

Consideremos un punto material que ocupaba un punto geométrico 𝑀0 de coordenadas (𝑋, 𝑌, 𝑍)

donde 𝑇𝑥 , 𝑇𝑦 y 𝑇𝑧 son tres campos escalares.

3.2 Campo de desplazamiento

cualquier punto 𝑀0 perteneciente al volumen Ω0 el vector 𝑀0 𝑀, a través de las siguientes fórmulas:

Si consideramos los puntos 𝑀0 , 𝑁0 y 𝑃0 , que pertenecen al volumen Ω0 , y sus correspondientes

Figura No. 9. Transformación rígida de un cuerpo.

volumen Ω0 y sus correspondientes 𝑑𝑀 y 𝑑𝑀´ pertenecientes al volumen Ω, se puede obtener que :

donde 𝑒̿ es el tensor de Green-Lagrange y está definido por:

El tensor de Green-Lagrange se puede simplificar bajo la hipótesis de pequeñas perturbaciones o de

Es pertinente resaltar que la matriz de deformaciones es una matriz simétrica.

𝜀𝑥𝑥 𝜀𝑥𝑦 𝜀𝑥𝑧 ( 10 )

3.4 Deformaciones principales.

donde los elementos diagonales son llamados las deformaciones principales.

3.5.1 Preparación de las probetas

2. Impedir cálculos innecesarios: Aún y cuando el total de la imagen fuese únicamente la

Figura No. 13. Mallado virtual de la región de interés.

3.5.3 Facetas y área de búsqueda

Para evitar problemas de correspondencia única se utilizan vecindades de pixeles (facetas) y no un

Figura No. 14. Faceta centrada en un punto P cualquiera de la malla.

3.5.4 Criterio de correlación y cálculo del desplazamiento a nivel Pixel

Tabla 1 Criterios comúnmente utilizados de correlación cruzada o CC.

Correlación Cruzada (Cross-Correlation CC)

Correlación Cruzada Normalizada (Normalized Cross-Correlation NCC)

M M  f xi , y j g xi' , y 'j  ( 13 )

Correlación Cruzada Cero Normalizada (Zero-Normalized Cross-Correlation ZNCC)

Tabla 2 Criterios comúnmente utilizados de sumatoria de diferencias cuadradas o SSD.

Sumatoria de Diferencias Cuadradas (Sum of Squared Differences SSD)

Sumatoria de Diferencias Cuadradas Normalizada (Normalized Sum of Squared Differences NSSD)

M M  f xi , y j  g xi' , y 'j  ( 16 )

Sumatoria de Diferencias Cuadradas Cero Normalizada (Zero-Normalized Sum of Squared

3.5.5 Cálculo del desplazamiento a nivel Sub-Pixel