CN107633104A - 一种流场可视化方法 - Google Patents
一种流场可视化方法 Download PDFInfo
- Publication number
- CN107633104A CN107633104A CN201610570499.9A CN201610570499A CN107633104A CN 107633104 A CN107633104 A CN 107633104A CN 201610570499 A CN201610570499 A CN 201610570499A CN 107633104 A CN107633104 A CN 107633104A
- Authority
- CN
- China
- Prior art keywords
- streamline
- flow field
- characteristic parameter
- characteristic
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种流场可视化方法,通过计算流线的空间复杂性作为描述流线的特征向量,然后针对提取出的复杂性特征,利用聚类的算法对流线进行聚类,将空间复杂性高的流线归为一类,并从大量流线中抽离出来单独展示,从而观察流场内部的关键信息。该方法不仅不会受到流线位置信息的影响,而且对平移、旋转、缩放都不敏感,具有一定的普遍性,很好地解决了三维流场可视化过程中,流线放置易受到平移、旋转、缩放的影响的问题。
Description
技术领域
本发明涉及流场可视化领域,尤其涉及一种流场可视化方法。
背景技术
流场是科学与工程模拟中产生的重要的数据场,比如大气海洋的模拟,飞机与汽车的数值模拟以及燃烧的模拟等等,对流场的可视化能够使这些数据模拟更加直观的被理解,而流场可视化也一直是科学可视化的热点与难点。
其中,通过提取流线的几何特征,并根据流线的几何特征来对相似的流线进行聚类,是一种实现流场可视化的重要方法之一。而聚类的效果与所提取的流线的几何特征有着密切关系。
目前,许多关于曲线相似性的衡量都是依据两条曲线的点之间的距离,包括对应点的距离的平均值,最近点距离的平均,有限制的平均距离,加权归一化的最小距离的和,首尾点的距离,豪斯多夫距离,弗雷歇距离等。这些距离在衡量两条曲线之间的相似性时,固然能够起到一定的作用,但是会受到曲线平移,旋转,缩放的影响。而且在现实工程中,流场是复杂多样的,单单是相等长度的流线就很难保证,更何况在三维空间中存在各种流线的复杂扭曲。因此这些距离对于多样的流场很难保证其有效性。
发明内容
本发明的目的是提供一种流场可视化方法,解决在流场可视化过程中,流线放置易受到平移、旋转、缩放影响的问题。
为更有效地实现上述目的,本发明提供了一种流场可视化方法,技术方案如下:
一种流场可视化方法,包括:
生成用于描述流场的流线;
提取流线的特征参数;
将所述特征参数组成用于表示流线的特征向量;
根据所述特征向量将流线进行复杂性聚类并展示。
优选的,所述特征参数包括曲率和、挠率和、扭曲度和、转角和、空间填充率和流线信息熵。
优选的,所述曲率和为流线上所有点的曲率之和;所述挠率和为流线上所有点的挠率之和;所述扭曲度和为流线上所有点的扭曲度之和;所述转角和为流线上采样点扭转的角度之和。
优选的,所述流线信息熵包括流线的方向熵。
优选的,所述流线信息熵还包括流线的角度熵。
优选的,所述特征参数组成用于表示流线的特征向量,包括:
对所述特征参数进行相关性分析;
将所述各个特征参数的值根据流线长度平均到每一点上;
将所述特征参数进行归一化处理;
将所述归一化处理后的特征参数组成用于表示流线的特征向量。
根据所述流线的特征向量对流线进行聚类并展示。
优选的,采用种子点放置方法放置种子点时,适当地将种子点规模扩大生成相对大量的流线,比如,使临界点对应的种子点模板放大,生成相对大量的流线,或者,以流场数据中每一个采样点为种子点生成流线。
优选的,采用kmeans聚类算法或者谱聚类算法,根据所述流线的特征向量对所述流线进行聚类并展示。
通过采用本发明提供的以上技术方案,可以解决在流场可视化过程中,流线放置时易受到平移、旋转、缩放等影响的问题。这是因为本方案所提取的流线特征参数,如曲率和、挠率和、扭曲度和、转角和、空间填充率,以及流线的方向熵和角度熵,这些特征都具有普遍性,且和流线位置信息无关,以及对平移,旋转、缩放等操作不敏感,能够很好的避免直接用曲线上的点的坐标衡量曲线距离带来的缺陷;
其次,本方案在提取流线的特征参数,组成特征向量的过程中,先对特征参数进行相关性分析,是防止了特征参数的冗余,避免了冗余特征参数对流线聚类效果的影响,实施过程表明,本方案所提取的参数都是相互独立的变量;
此外,由于流场的多种多样,同一流场中绘制的流线多种多样,长短不一,本方案将流线的各个特征参数值根据流线的长度平均到每个点上,消除了由于流线长度不一而带来的影响;再者,由于流线特征参数计算的方式各不相同,计量单位也不一样,因此,本方案将各个特征参数进行归一化处理,防止了量纲不同而带来的影响;
另外,在生成用于描述流场的流线这一过程中,由于种子点选取放置的种子点有限,且种子点的放置规模不易把控,不能保证所生成的流线涵盖流场中的所有信息,因此本方案在放置种子点的时,适当的将种子点规模扩大生成大量的流线,比如临界点对应的种子点模板放大,即可生成相对大量的流线,或者以流场数据中每一个采样点为种子点生成流线;
最后,本方案根据流线的特征向量对所述流线进行聚类并展示的过程,采用kmeans聚类算法或者谱聚类算法,是因为kmeans算法对于凸数据集可以实现良好的效果和很高的效率,而谱聚类对于非凸数据集也可以实现很好的效果,且可以达到降维的作用。
附图说明
图1为本发明公开的一种流场可视化方法的流程示意图;
图2为实施例一中生成的用于描述风车流场的流线示意图;
图3为本发明公开的流场可视化中组成流线特征向量的流程示意图;
图4为图2所示的流线分离聚类后的组图;
图5为图4中第(5)张图的放大图;
图6为图4中第(6)张图的放大图;
图7为图6的局部放大图;
图8为实施例二中生成的用于描述汽车流场的流线示意图;
图9为图8所示的流线分离聚类后的组图;
图10为将图9中第(5)张图所示流线聚类后的流线示意图
图11为实施例三中生成的用于描述飓风流场的流线示意图;
图12为将图11所示流线分离聚类后的组图;
图13为实施例四中生成的用于描述火车流场的流线示意图;
图14为将图13所示流线分离聚类后的组图;
图15为火车流场的流线经聚类后不同视角的流场立体图组图。
具体实施方式
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
实施例一
如图1所示,为本发明的流场可视化方法的流程示意图,在本实施例中,具体为:
S1:生成用于描述流场的流线:
本实施例中选择风车流场作为实施可视化的对象。首先,基于种子点放置方法采用流场区域信息熵与临界点检测结合的方法,适当地将种子点规模扩大并生成如图2所示的,相对大量的用于描述风车流场的流线;从图2中可以看出先进的种子点放置方法可以保证将种子点自动地放置到风车附近比较复杂的区域进行绘制流线,但是在种子点规模放置较大的情况下,所有的流线纠缠在一起,很难看清在风车附近更加细致的,且较为重要的流线;
为了能更细致观察风车附近复杂区域的流线,获得重要的信息,需通过如下后续步骤逐步实现。
S2:提取流线的特征参数:
提取风车附近每一条流线的特征参数:曲率和、挠率和、扭曲度和、转角和、空间填充率和流线信息熵,所述流线信息熵包括流线的方向熵和流线的角度熵;其中,各个特征参数的说明和提取方法如下:
曲率和:用κ表示,指流线上所有点的曲率之和;曲率是用于衡量几何体弯曲程度的量;
挠率和:用τ表示,指流线上所有点的挠率之和;挠率是用于度量曲线拧出曲面程度的量;
扭曲度和:用t表示,指流线上所有点的扭曲度之和;扭曲度是用于描述一条曲线脱离相应直线的程度的量;
转角和:用αω表示,指流线上采样点扭转的角度之和;转角和通常可作为检测流场中是否存在漩涡的几何方法,若转角和大于2kπ或者小于-2kπ,则存在漩涡;
空间填充率:用B表示,用于衡量流线充满整个空白区域的能力;B值越小,说明流线越曲折,复杂性越高;计算流线的空间填充率,具体为:
若用边长为r的正方形网格去覆盖流线C需要用到Nr个格子,若用边长为2r的正方形网格去完全覆盖该流线需要用N2r个格子,那么该流线C的空间填充率为:
流线的方向熵:用Ed表示,用于描述流线上的点的方向向量的不确定性。具体为,首先将单位球体平均分成若干小区域,然后统计一条流线上所有点上的方向向量分别指向哪个区域,从而建立统计模型,计算流线的方向熵;如:令N表示单位球体划分的区域数量,Mi表示流线上的点的方向落在第i个区域的数量,则表示流线的统计模型,则流线的信息熵为:
流线的角度熵:用EA表示,用于描述与上一个方向与下一个旋转方向之间夹角的不确定性;不同于流线方向熵的是角度熵主要关注的是下一个时刻方向偏离上一时刻方向的角度,而方向熵只关注当前点的方向,而与前后时刻无关;流线的角度熵的计算公式为:
其中m为将流线划分的片段数量,Ai表示第i个点处的方向与上一个点处的方向的夹角,LA表示所有片段处点夹角的和,也就是所有Ai的和。
按照以上参数的提取方法,提取风车流场附近每条流线的特征参数。
S3:将所述特征参数组成用于表示流线的特征向量;
如图3所示,将步骤S2所提取的特征参数通过以下步骤组成每条流线的特征向量:
S31:分别对每一条流线的特征参数κ、τ、t、αω、B、Ed、EA进行相关性分析;
经过分析后,每一条流线的各个特征参数变量之间,除了各参数自身与自身呈正相关,且系数为1外,各个特征之间并没有显示出强烈的相关关系,因此这些特征之间并不存在冗余的变量;
S32:将每一条流线的各个特征参数的值根据流线长度平均到每一点上;
这是由于流场的多种多样,同一流场中绘制的流线多种多样,长短不一,所以须将流线的各个特征参数值根据流线的长度平均到每个点上,消除由于流线长度不一而带来的影响;
S33:将所述特征参数进行归一化处理;
由于流线特征参数计算的方式各不相同,计量单位也不一样,因此,须将各个特征参数进行归一化处理,避免量纲不同而带来的影响;
S34:将归一化处理后的特征参数组成流线的特征向量如下:
X=(κ,τ,t,αω,B,Ed,EA);
S4:根据所述特征向量将流线进行复杂性聚类并展示;
如图4所示,经过以上步骤S2、S3后,根据得风车附近各条流线的特征向量X=(κ,τ,t,αω,B,Ed,EA),将图2所示的流线给分离并聚类,得到如图4中的组图(1)至(6)所示的流线,其中图4—(5)和图4—(6)相对更加贴近风车,更加复杂曲折一些;将图4—(5)单独放大细节,得到如图5所示的流线,将图4—(6)单独放大细节得到图6所示的流线;从图5和图6中可以相对清楚的看到风车附近的流场信息,比如图6中黑色方框中的一个漩涡图,在图4中是无法清楚地看到的,而经本方案进行流线的复杂性聚类之后,复杂性高的流线被分离出来就出现了图6中的情况,如图7所示的,就是图6中黑色方框里的流线的具体细节。
实施例二
基于实施例一,同样地,通过步骤S1至步骤S4,本实施例对汽车流场中的流线进行复杂性聚类。图8所示为执行步骤S1时所生成的汽车流场的流线。经过步骤S2至步骤S4后,将图8所示的流线分离并聚类,得到如图9中的组图(1)至(5)所示的流线。从图9—(5)中可以看到流线更加曲折更加复杂,从大量流线中剥离出来后,聚类成如图10所示的流线,可以清楚的看到运动的汽车周围形成的流场的重要信息。
实施例三
基于实施例一,通过步骤S1至步骤S4,本实施例对飓风流场中的流线进行复杂性聚类。与实施例一不同的是:在步骤S1中,本实施例所用的种子点放置方法,采用的是切片的方式,在中间切片上均匀放置种子点,从而生成如图11所示的飓风流场的流线。将如图11所示的流线经分离聚类后,得到如图12中的组图(1)至(3)所示的流线。从结果看,复杂性聚类能够将飓风漩涡中心给分离出来,这正是流场中特别受关注的信息。
实施例四
基于实施例一,同样地,通过步骤S1至步骤S4,本实施例对火车流场中的流线进行复杂性聚类。图13所示为步骤S1所生成的火车流场的流线。其中,将图13所示的流线进行复杂性聚类后,如图14中的组图(1)至(6)所示的流线。从图14中的组图(1)-(6)可以看出,流线复杂性分类逐渐从列车周围向列车附近靠拢的流线呈现出越来越复杂的情况,其中图14-(6)是所有类别中最复杂的;图15是图14-(6)所示的流线从不同视角看到的细节信息,可以较为清晰的看到列车周围的流线走向。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种流场可视化方法,其特征在于,包括以下步骤:
生成用于描述流场的流线;
提取流线的特征参数;
将所述特征参数组成用于表示流线的特征向量;
根据所述特征向量将流线进行复杂性聚类并展示。
2.根据权利要求1所述的方法,其特征在于,所述特征参数包括曲率和、挠率和、扭曲度和、转角和、空间填充率和流线信息熵中的一种或多种。
3.根据权利要求2所述的方法,其特征在于,所述曲率和为流线上所有点的曲率之和;所述挠率和为流线上所有点的挠率之和;所述扭曲度和为流线上所有点的扭曲度之和;所述转角和为流线上采样点扭转的角度之和。
4.根据权利要求2或3所述的方法,其特征在于,所述流线信息熵包括流线的方向熵。
5.根据权利要求4所述的方法,其特征在于,所述流线信息熵还包括流线的角度熵。
6.根据权利要求1、2、3、5任一权利要求所述的方法,其特征在于,所述特征参数组成用于表示流线的特征向量,包括:
对所述特征参数进行相关性分析;
将所述各个特征参数的值根据流线长度平均到每一点上;
将所述特征参数进行归一化处理;
将所述归一化处理后的特征参数组成用于表示流线的特征向量。
7.根据权利要求6所述的方法,其特征在于,采用种子点放置方法放置种子点时,使临界点对应的种子点模板放大,生成流线。
8.根据权利要求6所述的方法,其特征在于,采用种子点放置方法放置种子点时,以流场数据中每一个采样点为种子点生成流线。
9.根据权利要求7或8所述的方法,其特征在于,采用kmeans聚类算法,根据所述流线的特征向量对所述流线进行聚类并展示。
10.根据权利要求7或8所述的方法,其特征在于,采用谱聚类算法,根据所述流线的特征向量对所述流线进行聚类并展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610570499.9A CN107633104A (zh) | 2016-07-19 | 2016-07-19 | 一种流场可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610570499.9A CN107633104A (zh) | 2016-07-19 | 2016-07-19 | 一种流场可视化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107633104A true CN107633104A (zh) | 2018-01-26 |
Family
ID=61113050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610570499.9A Pending CN107633104A (zh) | 2016-07-19 | 2016-07-19 | 一种流场可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107633104A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102171600B1 (ko) * | 2019-12-30 | 2020-10-29 | 한국과학기술정보연구원 | 유동해석 데이터 처리장치 및 그 장치에서 각 기능을 실행시키기 위해 매체에 저장된 컴퓨터 프로그램 |
CN114117948A (zh) * | 2020-08-31 | 2022-03-01 | 中国石油化工股份有限公司 | 基于数据挖掘的可视化流场表征方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5459820A (en) * | 1992-09-10 | 1995-10-17 | General Electric Company | Method for graphical display of three-dimensional vector fields |
CN1841409A (zh) * | 2005-03-28 | 2006-10-04 | 中国科学院自动化研究所 | 一种基于傅立叶-梅林变换的遥感图像粗定位方法 |
US20120191432A1 (en) * | 2011-01-26 | 2012-07-26 | Schlumberger Technology Corporation | Visualizing fluid flow in subsurface reservoirs |
CN102663222A (zh) * | 2011-12-27 | 2012-09-12 | 中国科学院生态环境研究中心 | 开敞水体突发污染事件动态污染场计算方法 |
CN103440650A (zh) * | 2013-08-26 | 2013-12-11 | 中国人民解放军国防科学技术大学 | 一种基于模糊测度的流场涡特征检测方法 |
CN105653881A (zh) * | 2016-03-04 | 2016-06-08 | 天津大学 | 基于多密度层次的流场可视化方法 |
-
2016
- 2016-07-19 CN CN201610570499.9A patent/CN107633104A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5459820A (en) * | 1992-09-10 | 1995-10-17 | General Electric Company | Method for graphical display of three-dimensional vector fields |
CN1841409A (zh) * | 2005-03-28 | 2006-10-04 | 中国科学院自动化研究所 | 一种基于傅立叶-梅林变换的遥感图像粗定位方法 |
US20120191432A1 (en) * | 2011-01-26 | 2012-07-26 | Schlumberger Technology Corporation | Visualizing fluid flow in subsurface reservoirs |
CN102663222A (zh) * | 2011-12-27 | 2012-09-12 | 中国科学院生态环境研究中心 | 开敞水体突发污染事件动态污染场计算方法 |
CN103440650A (zh) * | 2013-08-26 | 2013-12-11 | 中国人民解放军国防科学技术大学 | 一种基于模糊测度的流场涡特征检测方法 |
CN105653881A (zh) * | 2016-03-04 | 2016-06-08 | 天津大学 | 基于多密度层次的流场可视化方法 |
Non-Patent Citations (3)
Title |
---|
TONY MCLOUGHLIN ETAL: ""Similarity Measures for Enhancing Interactive Streamline Seeding"", 《IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS》 * |
YIFEI LI等: ""Streamline Similarity Analysis Using Bag-of-Features"", 《VISUALIZATION AND DATA ANALYSIS 2014》 * |
巴振宇等: ""一种基于特征信息种子点选取的多层次流线可视化"", 《计算机辅助设计与图形学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102171600B1 (ko) * | 2019-12-30 | 2020-10-29 | 한국과학기술정보연구원 | 유동해석 데이터 처리장치 및 그 장치에서 각 기능을 실행시키기 위해 매체에 저장된 컴퓨터 프로그램 |
CN114117948A (zh) * | 2020-08-31 | 2022-03-01 | 中国石油化工股份有限公司 | 基于数据挖掘的可视化流场表征方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493308B (zh) | 基于条件多判别生成对抗网络的医疗图像合成与分类方法 | |
CN107657279B (zh) | 一种基于少量样本的遥感目标检测方法 | |
Xu et al. | An information-theoretic framework for flow visualization | |
CN103177446B (zh) | 基于邻域和非邻域平滑先验的图像前景精准提取方法 | |
CN111563841A (zh) | 一种基于生成对抗网络的高分辨率图像生成方法 | |
CN104063706B (zh) | 一种基于surf算法的视频指纹提取方法 | |
CN106203430A (zh) | 一种基于前景聚集度和背景先验的显著性物体检测方法 | |
CN109671070A (zh) | 一种基于特征加权和特征相关性融合的目标检测方法 | |
CN103903013A (zh) | 一种无标记平面物体识别的优化算法 | |
CN103971115A (zh) | 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法 | |
CN103020971A (zh) | 从图像中自动分割目标对象的方法 | |
Zhang et al. | Feature pyramid network for diffusion-based image inpainting detection | |
Song et al. | Unsupervised PolSAR image classification and segmentation using Dirichlet process mixture model and Markov random fields with similarity measure | |
CN107066959B (zh) | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 | |
CN105718942A (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
CN106548445A (zh) | 基于内容的空域图像通用隐写分析方法 | |
CN107729926A (zh) | 一种基于高维空间变换的数据扩增方法、机器识别系统 | |
CN103593853A (zh) | 基于联合稀疏表达的遥感影像多尺度面向对象分类方法 | |
CN103390170A (zh) | 一种基于多光谱遥感图像纹理元的地物类型纹理分类方法 | |
Xu et al. | LMO-YOLO: A ship detection model for low-resolution optical satellite imagery | |
CN104933719B (zh) | 一种积分图块间距离检测图像边缘方法 | |
CN110210500A (zh) | 一种基于多尺度局部特征嵌入的点云分类方法 | |
CN101533475A (zh) | 一种基于形状自适应邻域的遥感图像特征提取方法 | |
CN107633104A (zh) | 一种流场可视化方法 | |
Dong et al. | Area extraction and spatiotemporal characteristics of winter wheat–summer maize in Shandong Province using NDVI time series |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180126 |