CN108020680A - 基于piv的流体测量装置及方法 - Google Patents
基于piv的流体测量装置及方法 Download PDFInfo
- Publication number
- CN108020680A CN108020680A CN201610957350.6A CN201610957350A CN108020680A CN 108020680 A CN108020680 A CN 108020680A CN 201610957350 A CN201610957350 A CN 201610957350A CN 108020680 A CN108020680 A CN 108020680A
- Authority
- CN
- China
- Prior art keywords
- mrow
- piv
- density
- mfrac
- fluid
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000012530 fluid Substances 0.000 title claims abstract description 19
- 238000005259 measurement Methods 0.000 title claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 239000002245 particle Substances 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000010219 correlation analysis Methods 0.000 claims abstract description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 235000013350 formula milk Nutrition 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 abstract description 5
- 238000011160 research Methods 0.000 description 6
- 238000007621 cluster analysis Methods 0.000 description 5
- 238000000917 particle-image velocimetry Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
- G01P5/18—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the time taken to traverse a fixed distance
- G01P5/20—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the time taken to traverse a fixed distance using particles entrained by a fluid stream
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Aviation & Aerospace Engineering (AREA)
- Image Processing (AREA)
Abstract
本发明的一种基于PIV的流体测量装置及方法，在传统的非接触流场PIV图像技术的基础上，采用了流体水槽，在流体水槽侧面用激光照射，而在流体水槽正面用高速相机捕获图像，并将数据传入计算机，最后由计算机对相关图像做相应的处理；在PIV图像处理中提出了利用小波变换和密度聚类分析的方法对图像中的粒子密度进行分类，通过对流场图像的互相关分析获取流场运动信息，最后得到流体速度矢量分布图。此发明方法和装置很好的解决了粒子分布不均匀的问题，取得了良好的实验结果，为进一步完善二维处理技术提供了良好的基础。
Description
技术领域
本发明涉及基于PIV的流体测量装置及方法，属于图像处理和流体力学应用的领域。
背景技术
粒子图像测速技术是一种新型的流场测量技术，可用于显示与测量气体或液体的流场分布。
流场测试同时具有整体性和瞬时性的特点，可定量测量出流场中某一被测截面上所有点的速度分布，并且能达到与单点测量仪器相当的空间分辨率；测量结果同时也是流场瞬间状态的反映，因此能够获得流场在快速变化过程中的细节。综合了激光技术、数字信号处理技术、芯片技术、计算机技术、图像处理技术等多种新技术，是研究涡流、湍流等复杂流动结构的有力工具，并且可获得传统测试技术无法观察到的一些流场的瞬态结构。在技术中，由于各种因素包括示踪粒子分布不均匀、图像变形或扭曲、图像噪音的存在，会对技术的测试精度产生重大影响，而测试精度的高低直接关系到技术的准确性，因此，如何提高技术的测试精度已成为研究中的一个热点，此项研究也具有重要的理论意义和应用价值。数据聚类分析是一个正在蓬勃发展的领域。聚类分析所涉及的领域包括数据挖掘、统计学、机器学习、空间数据库技术、生物学和市场学等。由于各应用数据库所包含的数据量越来越大，聚类分析己成为数据挖掘研究中一个非常活跃的研究课题。
发明内容
针对现有的测量方法和装置的不足，本发明的基于PIV的流体测量装置及方法采用聚类是一个将数据集划分为若干组或类的过程，并使得同一个组内的数据对象具有较高的相似度而不同组中的数据对象是不相似的。相似或不相似的描述是基于数据描述属性的取值来确定的。通常就是利用各对象间距离来进行表示的。在许多常见的领域中，包括数据挖掘、统计学和机器学习都会发现有关聚类研究和应用。
将一组物理的或抽象的对象，根据它们之间的相似程度，分为若干组其中相似的对象构成一组，这一过程就称为聚类过程。一个聚类就是由彼此相似的一组对象所构成的集合不同聚类中对象是不相似的，就是从给定的数据集中搜索数据项之间所存在的有价值联系。
本发明采用小波变换进行降噪，离散小波变换的滤波方法明显优于传统的滤波处理方法，是现在图像预处理中的一种很好的选择。变换公式如下：
其中，ψa,b(x)称为连续小波，α为尺度因子，b为平移因子
从而，对于属于函数空间的任意函数f(x)的连续小波变换则为
本发明采用的是一个基于密度的聚类算法。该算法通过不断生长足够高密度区域来进行聚类，它能从含有噪声的空间数据库中发现任意形状的聚类。方法将一个聚类定义为一组“密度连接”的点集。
本算法利用类的高密度连通性，快速发现任意形状的类。其基本思想是对于一个类中的每个对象，在其给定半径的领域中包含的对象不能少于某一给定的最小数目。其算法的基本思想是：
(1)一个给定对象的ε半径内的近邻就称为该对象的ε近邻；
(2)若一个对象的ε近邻至少包含一定数目的对象，该对象就称为核对象；
(3)给定一组对象集D，若对象p为另一个对象q的ε近邻且为核对象，那么就说p是从q可以直接密度可达；
(4)对于一个ε而言，一个对象p是从对象q可密度可达；一组对象集D有一定数目个对象；若有一系列对象p1,p2,…pn，其中p1＝q且pn＝p，从而使得对于ε和一定数目pi+1是从可pi直接密度可达。其中有pi∈D，1≤i≤n；
(5)对于ε和一组对象来讲，若存在一个对象o，o∈D，使得o从密度可达对象p和对象q，对象p是密度连接对象q。
在流体测试过程中，如果流体场内部存在较剧烈的梯度变化，或者由于设备的曝光不当、示踪粒子偏离聚焦平面和散播不均匀以及噪音干扰等各种原因，会导致分析结果中存在一些错误矢量或空白。利用简单的方法对实验图像进行预处理，可以降低和出现较少的错误矢量，但仍然不能完全避免错误或无效矢量的存在，在矢量场的局部还会存在部分错误或无效矢量，因此有必要对矢量场作进一步的处理。对错误或无效矢量的修正直接影响技术的分析精度和可靠性，适量的有效性判断、空白数据的修补以及错误矢量的修正。本发明采用掩模矩阵的空域平滑算法。
附图说明
图1是本发明PIV测量装置外观图，其中的1是液体槽、2是激光器、3是高速相机、4是计算机。
图2是本发明聚类算法流程图。
具体实施方式
结合附图，下面具体测量的方法和装置情况。
由于光学系统偏差、电路噪音或操作人员的失误等原因，图像质量在形成、传输和记录过程中可能会有所下降，产生图像失真、图像模糊或附加噪音等现象。造成图像质量下降的原因很多，如光学镜头的变形、光学系统的像差、背景光噪音、成像系统与拍摄景物之间的相对运动造成的运动模糊等。
实验图像质量的降低必然会对技术的分析精度产生重大的影响，而分析精度的高低直接关系到技术的准确性和可靠性，因此要在进行互相关分析之前对实验图像进行预处理。本发明的空域平滑算法采用掩模矩阵的形式，掩模法直接利用公式g(x,y)＝f(x,y)*h(x,y)对图像进行平滑滤波处理，消除图像中的随机加性噪音。
掩模矩阵的作用域为3*3，有包括中心像素在内的9个像素的灰度值参加运算，用运算结果来代替中心像素的像素灰度值。掩模矩阵的基本特点是其元素值和与其前面的系数相乘的结果为1，从而保证了平滑处理结果的像素灰度值不超过允许的像素最大灰度值。
本算法首先从小波变换和聚类分析的概念、分类出发，并探讨了其应用领域，然后把这种小波变换和聚类分析的算法与粒子测速技术相结合，从而获得了一种新的粒子图像处理方法。
这种方法其主要优点就是将图像中不同粒子密度的区域划分出来，不同的密度区域对应着不同的处理方法。由于这种聚类分析的方法计算量比较大，所以本发明在聚类分析前先用平均密度法进行简单的处理，这样就减少了一部分的运算量，得到了更好的实验结果。
Claims (3)
1.一种基于PIV的流体测量装置及方法，其特征是：在传统的非接触流场PIV图像技术的基础上，采用了流体水槽，在流体水槽侧面用激光照射，而在流体水槽正面用高速相机捕获图像，并将数据传入计算机，最后由计算机对相关图像做相应的处理；在PIV图像处理中提出了利用小波变换和密度聚类分析的方法对图像中的粒子密度进行分类，通过对流场图像的互相关分析获取流场运动信息，最后得到流体速度矢量分布图。
2.根据权利要求1所述的基于PIV的流体测量装置及方法，其特征是：其小波变换是采用离散小波变换，并用于滤波，其变换公式如下：
<mrow>
<msub>
<mi>&psi;</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<mi>a</mi>
</msqrt>
</mfrac>
<mi>&psi;</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mi>b</mi>
</mrow>
<mi>a</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
<mo>&Element;</mo>
<mi>R</mi>
<mo>,</mo>
<mi>a</mi>
<mo>&NotEqual;</mo>
<mn>0</mn>
</mrow>
其中，ψa,b(x)称为连续小波，α为尺度因子，b为平移因子，
从而，对于属于函数空间的任意函数f(x)的连续小波变换则定义为：
<mrow>
<msub>
<mi>W</mi>
<mi>f</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<mi>a</mi>
</msqrt>
</mfrac>
<msub>
<mo>&Integral;</mo>
<mi>R</mi>
</msub>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>&psi;</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mi>b</mi>
</mrow>
<mi>a</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mo>.</mo>
</mrow>
3.根据权利要求1所述的基于PIV的流体测量装置及方法，其特征是：其密度聚类分析算法是：
(1)一个给定对象的ε半径内的近邻就称为该对象的ε近邻；
(2)若一个对象的ε近邻至少包含一定数目的对象，该对象就称为核对象；
(3)给定一组对象集D，若对象p为另一个对象q的ε近邻且为核对象，那么就说p是从q可以直接密度可达；
(4)对于一个ε而言，一个对象p是从对象q可密度可达；一组对象集D有一定数目个对象；若有一系列对象p1,p2,…pn，其中p1＝q且pn＝p，从而使得对于ε和一定数目pi+1是从可pi直接密度可达。其中有pi∈D，1≤i≤n；
(5)对于ε和一组对象来讲，若存在一个对象o，o∈D，使得o从密度可达对象p和对象q，对象p是密度连接对象q。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610957350.6A CN108020680A (zh) | 2016-11-03 | 2016-11-03 | 基于piv的流体测量装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610957350.6A CN108020680A (zh) | 2016-11-03 | 2016-11-03 | 基于piv的流体测量装置及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108020680A true CN108020680A (zh) | 2018-05-11 |
Family
ID=62083980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610957350.6A Pending CN108020680A (zh) | 2016-11-03 | 2016-11-03 | 基于piv的流体测量装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108020680A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108593254A (zh) * | 2018-05-21 | 2018-09-28 | 三峡大学 | 一种基于piv技术追踪测量粒子轨迹和涡流强度的装置 |
| CN113466489A (zh) * | 2021-06-07 | 2021-10-01 | 中国计量大学 | 一种低粒子密度的单相机粒子图像测速方法 |
-
2016
- 2016-11-03 CN CN201610957350.6A patent/CN108020680A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108593254A (zh) * | 2018-05-21 | 2018-09-28 | 三峡大学 | 一种基于piv技术追踪测量粒子轨迹和涡流强度的装置 |
| CN113466489A (zh) * | 2021-06-07 | 2021-10-01 | 中国计量大学 | 一种低粒子密度的单相机粒子图像测速方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | A rail surface defect detection method based on pyramid feature and lightweight convolutional neural network | |
| CN105574527B (zh) | 一种基于局部特征学习的快速物体检测方法 | |
| US20210090230A1 (en) | System and method for efficiently scoring probes in an image with a vision system | |
| Liu et al. | Optimal matching problem in detection and recognition performance evaluation | |
| Jin et al. | Internal crack detection of castings: a study based on relief algorithm and Adaboost-SVM | |
| Xiao et al. | Development of a CNN edge detection model of noised X-ray images for enhanced performance of non-destructive testing | |
| Halder et al. | Correction of geometrically distorted underwater images using shift map analysis | |
| Cheminet et al. | Particle image reconstruction for particle detection in particle tracking velocimetry | |
| Mikheev et al. | Enhanced particle-tracking velocimetry (EPTV) with a combined two-component pair-matching algorithm | |
| CN108020680A (zh) | 基于piv的流体测量装置及方法 | |
| Valente et al. | Holistically Nested Edge Detection and particle filtering for subtle vibration extraction | |
| Zhou et al. | An adaptive clustering method detecting the surface defects on linear guide rails | |
| Qu et al. | 3D particle field reconstruction method based on convolutional neural network for SAPIV | |
| CN117351063A (zh) | 测量微纳器件尺寸的方法、装置、设备及存储介质 | |
| Feuge-Miller et al. | A-contrario structural inference for space object detection and tracking | |
| Huang et al. | On the access fairness of the DQDB MAN protocol | |
| Liang et al. | Relative saliency model over multiple images with an application to yarn surface evaluation | |
| Girault et al. | Algorithm for the precise detection of single and cluster cells in microfluidic applications | |
| CN107992876A (zh) | 基于piv的流体聚类分析方法及装置 | |
| Lu et al. | A deep transfer learning model for packaged integrated circuit failure detection by terahertz imaging | |
| He et al. | CBAM‐YOLOv5: A promising network model for wear particle recognition | |
| Ji et al. | Faster region-based convolutional neural network method for estimating parameters from Newton’s rings | |
| Kheirkhah et al. | Histogram non-linear transform for sperm cells image detection enhancement | |
| Peters et al. | Anisotropic wavelet-based image nearness measure | |
| Zhong et al. | Detection of oxidation region of flexible integrated circuit substrate based on topology mapping |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180511 |