CN109060290A - 基于视频和亚像素技术对风洞密度场进行测量的方法 - Google Patents
基于视频和亚像素技术对风洞密度场进行测量的方法 Download PDFInfo
- Publication number
- CN109060290A CN109060290A CN201810708350.1A CN201810708350A CN109060290A CN 109060290 A CN109060290 A CN 109060290A CN 201810708350 A CN201810708350 A CN 201810708350A CN 109060290 A CN109060290 A CN 109060290A
- Authority
- CN
- China
- Prior art keywords
- pixel
- density field
- sub
- edge
- wind
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/02—Wind tunnels
Landscapes
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于视频和亚像素技术对风洞密度场进行测量的方法,包括:S1、分别对风洞试验前及试验过程中的密度场进行图像采集,以得到对应的静态密度场测量图像及动态密度场测量图像;S2、基于亚像素定位技术对动态密度场测量图像中各圆心进行定位;S3、通过对动态密度场测量图像中各圆心坐标和静态密度场测量图像中各圆心坐标的位置变化来计算光学折射率,以此来计算得到风洞的密度场。本发明提供一种基于视频和亚像素技术对风洞密度场进行测量的方法,其能够以视频测量为基础,通过对比试验过程中和试验前背景图像圆心的位置变化来计算风洞的密度场,其相较于现有技术中的方法,有着更简单方便,精度高,测量速度快的优点。
Description
技术领域
本发明涉及一种在试验过程中对性能指标进行测量情况下使用的方法。更具体地说,本发明涉及一种基于视频和亚像素技术在风洞试验情况下的对风洞密度场进行测量的方法。
背景技术
目前,用于密度场测量的技术主要包括纹影法、阴影法、干涉测量三种技术手段。阴影法记录的是偏折位置差,反应的是折射率梯度的变化,即折射率的二阶导数,阴影法常用于密度梯度变化很大的地方,适合大尺度,相对的材料要求较低,成本最低。纹影法记录的是偏折角度差,反应的是折射率的梯度,即折射率的一阶导数。纹影系统相对来说布置比较简单,对环境震动不太敏感,成本较低,并且有比较精确的结果。干涉法记录的是光波相位差,反应的是折射率本身,干涉系统通常对环境震动比较敏感,安装复杂,可以提供定量信息,但是成本较高,只能测量较小的物体。纹影法和阴影法一般只能做观察密度场变化规律这种定性研究,不能提供定量的数据。基于相位变化的干涉测量技术是重要的气动光学测量技术,根据干涉测量结果可以提取出流动的气动光学性能参数,但用于高分辨率测量的干涉系统十分昂贵,且容易受到环境干扰,同时后处理算法复杂。
故目前的密度场测量技术应用在风洞密度场测量中,远远达不到其测量对精度和计算速度的要求。
发明内容
本发明的一个目的是解决至少上述问题和/或缺陷,并提供至少后面将说明的优点。
本发明还有一个目的是提供一种基于视频和亚像素技术对风洞密度场进行测量的方法,其能够以视频测量为基础,通过对比试验过程中和试验前背景图像圆心的位置变化来计算光学折射率,以此来计算风洞的密度场,其相较于现有技术中的纹影法、阴影法、干涉测量有着更简单方便,精度高,测量速度快的优点。
为了实现根据本发明的这些目的和其它优点,提供了一种基于视频和亚像素技术对风洞密度场进行测量的方法,包括:
S1、分别对风洞试验前及试验过程中的密度场进行图像采集,以得到对应的静态密度场测量图像及动态密度场测量图像;
S2、基于亚像素定位技术对动态密度场测量图像中各圆心进行定位;
S3、通过对动态密度场测量图像中各圆心坐标和静态密度场测量图像中各圆心坐标的位置变化来计算光学折射率,以此来计算得到风洞的密度场。
优选的是,其中,在S1中,通过设置在风洞来流方向的两侧分别设置参照用背景板及图像采集用像机,以对风洞试验前及试验过程中的密度场进行图像采集;
其中,背景板被配置为采用分布均匀,大小相同的圆形坐标点,以根据背景板圆点的坐标变化为基础,计算得到精确的密度场数据。
优选的是,其中,在S2中,所述亚像素定位技术包括:
S21、使用常规边缘检测算子对动态密度场测量图像分别进行边缘像素提取;
S22、使用边界追踪法进行计算,以分别得到动态密度场测量图像中每个圆形标记点的边缘像素点集合;
S23、运用异构计算技术,对每个圆形的每个边缘像素点进行局部区域匹配的亚像素边缘进行提取并计算;
S24、运用异构计算技术,采用可变步长的亚像素点圆形轮廓计算各圆形的圆心。
优选的是,其中,在S21中,所述常规边缘检测算子被配置为采用Canny算子,以提取密度场测量图像中的像素级边缘;
所述Canny算子被配置为包括:
通过计算卷积值以得到计算的梯度幅值和方向,以将其方向近似至水平、垂直、+45°、-45°四个方向;
通过对密度场测量图像中的像素点进行排查,以排除其上的非边缘像素,并保留一些候选边缘,实现对图像的非极大值抑制;
通过双阈值的方式对边缘进行处理和检测,以保证其边缘像素的提取精度。
优选的是,其中,通过双阈值对边缘进行处理和检测的方式包括:
使用双阈值来计算边缘,如果该像素点灰度值超过双阈值中的高阈值,则该像素点被保留为边缘像素;
如果该像素点灰度值低于双阈值中的低阈值,则该像素点被排除;
如果该像素点在两个阈值之间,则该像素仅在连接到一个高于高阈值像素点时被保留。
优选的是,其中,在S22中,所述边界追踪法被配置为采用八邻域边界追踪法,以寻找密度场测量图像中每个圆形标记点的轮廓;
其中,通过使用八邻域边界追踪法,将S21中得到的边缘像素点分成多个轮廓的边缘像素点集合,根据密度场测量图像分析圆半径的大概范围,通过设定轮廓宽度阈值范围,筛选出每个圆形标记点轮廓的边缘像素点集合。
优选的是,其中,在S23中,使用基于局部区域匹配的亚像素提取方法,被配置为对每一个圆形标记点轮廓的像素点使用基于局部匹配的分段二次项函数提取亚像素边缘,由于算法基于局部分段思想,每个边缘像素点在计算中不相互影响,采用CPU+GPU异构计算方法,对所有边缘像素点进行并行计算。
优选的是,其中,在S24中,通过计算可变步长的亚像素点,通常步长选择在0.02至0.1像素,即每个像素点提取10至50个点,采用CPU+GPU的异构计算技术,计算每个圆的圆心坐标。
优选的是,其中,所述可变步长的亚像素点计算方法被配置为对每一个圆形标记点亚像素轮廓采用最小二乘法拟合亚像素边缘,以采用CPU+GPU的异构计算技术,进而求出圆心坐标。
优选的是,其中,在S3中,将试验过程中采集图像计算得到的所有圆心坐标值与前0.1秒图像的圆心坐标基于距离对比,基于距离最近原则寻找圆心对应编号,以通过与试验前静态流场图像圆心坐标对比,计算所有圆心的矢量位移,再通过矢量位移计算出光路的偏折角及密度场。
本发明至少包括以下有益效果:
其一,本发明的风洞密度场测量方法被配置为采用基于图像处理的密度场精确定量测量,以通过计算风洞试验中与试验前的背景板图像圆点的中心位移,最后得到风洞密度场变化,其相比于现有技术中密度场测量常用的纹影法、阴影法、干涉测量法,不仅试验布置简单,并且能精确计算出密度场变化。
其二,本发明的风洞密度场测量方法被配置为基于密度场视频测量圆形标记点的精确定位以实现,具体来说,其基于图像圆形标记点像素低,试验精度要求高的要求,实现密度场视频测量圆形标记点的精确定位。常用的矩法不适用于检测小物体,插值法的定位精度不佳,拟合法难以平衡精度合和效率的需求,故本发明的密度场视频测量圆型标记点的精确定位,在基于图像圆形标记点像素低,试验精度要求高的要求,采用局部匹配的分段二次项函数,在亚像素条件下,更好的模拟圆形轨迹,提升圆点定位精度,定位精度从0.02像素提升至0.003像素。
其三,本发明的风洞密度场测量方法被配置为基于密度场视频测量圆形标记点的快速定位以实现,由于运用于风洞试验,基于运行效率的要求,实现密度场视频测量圆形标记点的快速定位,常用的矩法,拟合法,插值法都需要进行迭代计算,无法运用并行计算方法提高效率,而其计算过程包括了求导和偏微分等计算量偏大,每次计算耗时太长,难以达到在风洞运行的效率要求,故本发明的密度场视频测量圆型标记点的快速定位,其相比于矩法和拟合法的迭代计算,采用分段二次项函数的方法,每个圆型标记点像素点计算都是独立进行的,可以使用CPU和GPU异构计算,提升运行效率。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的一个实施例中密度场视频测量安装示意图;
图2为本发明的另一个实施例中密度场测量图片示意;
图3为本发明的另一个实施例中图像圆心亚像素技术方案步骤示意;
图4为本发明的另一个实施例中二次项函数局部匹配示意;
图5为本发明的另一个实施例中圆点坐标位移矢量图示意;
图6为本发明的另一个实施例中密度场分布图示意;
图7为圆形标记点图片示意;
图8为采用现有技术的Canny算法提取的圆形标记轮廓示意;
图9为本发明提出的算法提取的圆形标记轮廓示意。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
根据本发明的一种基于视频和亚像素技术对风洞密度场进行测量的方法的实现形式,其中包括:
S1、分别对风洞试验前及试验过程中的密度场进行图像采集,以得到对应的静态密度场测量图像及动态密度场测量图像,本发明以视频测量为基础,通过对比试验过程中和试验前背景图像圆心的位置变化来计算光学折射率,以此来计算密度场。相比于纹影法、阴影法、干涉测量有着更简单方便,精度高的优点。但由于需要足够数据量,密度场测量的图像上分布着上万个圆,而如何精确计算圆心位置是流场密度测量的前提和基础;
S2、基于亚像素定位技术对动态密度场测量图像中各圆心进行定位,目前常用的圆形中心定位方法主要有:形心法、灰度重心法、霍夫圆变换法和曲线拟合法;
其中,形心法和灰度重心法根据像素点的位置和像素点的灰度值计算,只能计算出像素级的精度,难以满足试验要求。霍夫圆变换法易受边缘梯度影响,计算较为繁琐,并且计算精度不高;
曲线拟合法受边缘定位精度的影响,传统的边缘检测算法,比如Roberts,Canny,Sobel算子等,这些算子形式简单,速度较快,但是精度较差,只能达到像素级,无法满足精度需求;
而为了提高图像的测量精度,出现了亚像素边缘检测算法,亚像素边缘检测的核心思想是用像素周围的灰度值对边缘进行更为精确的定位,故本发明中选择精度较高的亚像素边缘检测算法以对密度场测量中的圆心进行定位,以保证其测量精度满足风洞测量的需要;
S3、通过对动态密度场测量图像中各圆心坐标和静态密度场测量图像中各圆心坐标的位置变化来计算光学折射率,以此来计算得到风洞的密度场。采用这种方案其运用视频测量方法进行密度场测量,通过计算风洞试验中与试验前的背景板图像圆点的中心位移,最后计算出风洞密度场变化,其相比于密度场测量常用的纹影法、阴影法、干涉测量法,其只需要获取试验中的图片数据,故相比与干涉法来说,其结构可以做到很简单、易于实现,同时其不同于纹影法和阴影法,使用圆心亚像素定位方法,能提供精确的定量测量结果,为复杂流场扰动提供精确的分析依据,并且能精确计算出密度场变化,具有可实施效果好,稳定性强,精度高的有利之处。并且,这种方式只是一种较佳实例的说明,但并不局限于此。在实施本发明时,可以根据使用者需求进行适当的替换和/或修改。
如图1所示,在另一种实例中,在S1中,通过设置在风洞1如箭头所示来流方向的两侧分别设置参照用背景板2及图像采集用像机3,风洞在与背景板、相机相配合的位置上设置有对应的观测孔4,通过与像机通信连接的图像采集用计算机统终端5,所述计算机终端通过路由器6接收风洞控制台发出的主控信号,以对风洞试验前及试验过程中的密度场进行图像采集;
其中,背景板被配置为采用分布均匀,大小相同的圆形坐标点,以根据背景板圆点的坐标变化为基础,计算得到精确的密度场数据。采用这种方案将圆点背景板安装至风洞来流方向一侧,将相机安装至风洞来流方向另一侧,其安装示意图如图1所示,分别于风洞试验前与风洞试验过程中采集图像,其采集后的成像效果如图2所示,相对于现有技术对密度场测量的方法来说,本发明的密度场采集装置安装简单,是一种使用方便的密度场定量精确测量方法,具体来说,本发明由于只需要使用背景板和相机,相比与干涉法,其安装简单方便,更加易于实现,具有可实施效果好,操作简单的有利之处。并且,这种方式只是一种较佳实例的说明,但并不局限于此。在实施本发明时,可以根据使用者需求进行适当的替换和/或修改。
在另一种实例中,在S2中,所述亚像素定位技术包括:
S21、使用常规边缘检测算子对动态密度场测量图像分别进行边缘像素提取;
S22、使用边界追踪法进行计算,以分别得到动态密度场测量图像中每个圆形标记点的边缘像素点集合;
S23、运用异构计算技术,对每个圆形的每个边缘像素点进行局部区域匹配的亚像素边缘进行提取并计算;
S24、运用异构计算技术,采用可变步长的亚像素点圆形轮廓计算各圆形的圆心。
当前,亚像素边缘检测算法的研究方向主要为矩法、插值法、拟合法,矩法的基本原理是根据矩的旋转不变性,建立了理想边缘的参数化模型,运用矩的积分原理来计算目标物体的边缘信息,计算精度高,对噪声不敏感,但是计算采用模版卷积,加乘次数较多,计算复杂,其中最常用的Zernike矩法不适合检测小物体;插值法的原理是根据实际图像的灰度分布,对图像进行插值运算。该方法计算步骤简单,因此运算速度快,但定位精度不高;拟合法的原理是将灰度图的边缘领域信息应用到预先假定的边缘模型来计算亚像素边缘信息,需要预先建立边缘模型,例如高斯拟合模型,计算精度较高,但计算较为复杂,导致其运算速度偏慢;
而采用本发明这种方案中采用亚像素定位技术计算采集图像中所有圆的圆心坐标,其图像圆心亚像素定位技术方案流程如图3所示,具有可实施效果好,提取精度准,稳定性好的有利之处。并且,这种方式只是一种较佳实例的说明,但并不局限于此。在实施本发明时,可以根据使用者需求进行适当的替换和/或修改。
在另一种实例中,在S21中,所述常规边缘检测算子被配置为采用Canny算子,以提取密度场测量图像中的像素级边缘,使用Canny算子提取像素级边缘,首先按照低错误率,高定位精度,抑制虚假边缘三个准则,提取像素级边缘,需要计算计算梯度幅值和方向;
所述Canny算子被配置为包括:
通过计算卷积值以得到计算的梯度幅值和方向,以将其方向近似至水平、垂直、+45°、-45°四个方向,具体来说需要首先计算卷积值:
再使用下列公式计算梯度幅值和方向:
以将方向近似至4个方向:水平、垂直、+45°、-45°;
通过对密度场测量图像中的像素点进行排查,以排除其上的非边缘像素,并保留一些候选边缘,实现对图像的非极大值抑制;
通过双阈值的方式对边缘进行处理和检测,以保证其边缘像素的提取精度。采用这种方案以使其提取精度相对于现有技术来说,运算简单,精度可控,具有可实施效果好,稳定性强的有利之处。并且,这种方式只是一种较佳实例的说明,但并不局限于此。在实施本发明时,可以根据使用者需求进行适当的替换和/或修改。
在另一种实例中,通过双阈值对边缘进行处理和检测的方式包括:
使用双阈值来计算边缘,如果该像素点灰度值超过双阈值中的高阈值,则该像素点被保留为边缘像素;
如果该像素点灰度值低于双阈值中的低阈值,则该像素点被排除;
如果该像素点在两个阈值之间,则该像素仅在连接到一个高于高阈值像素点时被保留。采用这种方案使用双阈值来计算边缘具有可实施效果好,稳定性好,精度可控的有利之处。并且,这种方式只是一种较佳实例的说明,但并不局限于此。在实施本发明时,可以根据使用者需求进行适当的替换和/或修改。
在另一种实例中,在S22中,所述边界追踪法被配置为采用八邻域边界追踪法,以寻找密度场测量图像中每个圆形标记点的轮廓;
其中,通过使用八邻域边界追踪法,将S21中得到的边缘像素点分成多个轮廓的边缘像素点集合,根据密度场测量图像分析圆半径的大概范围,通过设定轮廓宽度阈值范围,筛选出每个圆形标记点轮廓的边缘像素点集合。采用这种方案通过设定轮廓像素宽度阈值范围,使用八邻域边界追踪法找出每个圆形标记点轮廓,具体来说使用八领域边界追踪法,将上步得到的边缘像素点分成多个轮廓的边缘像素点集合,根据密度场测量图像分析圆半径的大概范围,通过设定轮廓宽度阈值范围,筛选出每个圆形标记点轮廓的边缘像素点集合,具有可实施效果好,稳定性好的有利之处。并且,这种方式只是一种较佳实例的说明,但并不局限于此。在实施本发明时,可以根据使用者需求进行适当的替换和/或修改。
在另一种实例中,在S23中,使用基于局部区域匹配的亚像素提取方法,被配置为对每一个圆形标记点轮廓的像素点使用基于局部匹配的分段二次项函数提取亚像素边缘,由于算法基于局部分段思想,每个边缘像素点在计算中不相互影响,采用CPU+GPU异构计算方法,对所有边缘像素点进行并行计算,同时采用局部匹配的分段二次项函数,在亚像素条件下,更好的模拟圆形轨迹,提升圆点定位精度,定位精度从0.02像素提升至0.003像素。具体来说对每一个圆形标记点轮廓使用基于局部匹配的分段二次项函数提取亚像素边缘,而局部匹配假设边缘函数f(x,y)是不连续函数,每个像素点为分段函数,若像素(i,j)在边缘上,则该像素的灰度值与边缘两侧的灰度值及其面积成正比。其灰度值公式如下所示:
上式中,A和B是两侧像素的灰度,SA和SB是两侧像素灰度A,B分别在像素(i,j)所占的对应面积,h是单个像素的边长,可知h2=SA+SB;
在进行图像边缘检测时,当直线边缘斜率绝对值小于1时,选择使用5×3的像素窗口,为了更好的模拟圆形边缘,选取了二次函数作为基础算子,其表达式为y=ax2+bx+c,如图4所示;
图中x,y坐标范围分别为(-3h/2,3h/2),(-5h/2,5h/2),设图形曲线下侧灰度值为A,曲线上侧灰度值为B,定义L,M,N分别为灰度值A在左中右三列的所占面积,其公式为:
由公式(9)得到左中右三列的灰度值分别为:
将公式(6),(7),(8)带入公式(9)(10),(11),求得三个系数,即可得出该像素点的曲线表达式,系数计算公式如下:
上式中,A,B的值为5×3像素窗口中计算像素点的附近点灰度值的平均值。由图3可知,当直线斜率在0到1时,斜率上升,A的位置主要集中在右下侧,B的位置主要集中在左上侧。而当直线斜率在-1到0时,斜率下降,A的位置主要集中在左下册,B的位置主要集中在右上侧区。本算法选择使用3个像素点平均,公式如下:
而当直线边缘斜率绝对值大于1时,需要将5×3的像素窗口旋转90度,变为3×5窗口,二次函数就变为x=ay2+by+c,计算方法和斜率绝对值小于1时相同。
本发明采用这种方案不同于以前按照边缘连续的思路进行偏导微分计算的思路,本方法使用分段局部匹配的思路,每个像素点都对应一个二次项函数公式,通过假设不连续函数的方法,得到了精度更高的结果,能更好的提取出圆形亚像素轮廓。使用分段的局部匹配方法,在各像素点计算不会互相干扰,相比于背景技术使用的迭代计算,更利于后期进行异构计算,充分调用CPU,GPU的计算能力,提升计算效率,具有可实施效果好,计算精度高,且计算速度快的有利之处。并且,这种方式只是一种较佳实例的说明,但并不局限于此。在实施本发明时,可以根据使用者需求进行适当的替换和/或修改。
在另一种实例中,在S24中,通过计算可变步长的亚像素点,通常步长选择在0.02至0.1像素,即每个像素点提取10至50个点,采用CPU+GPU的异构计算技术,计算每个圆的圆心坐标。采用这种方案通过CPU+GPU技术提升其运算效率,同时通过对每个像素点提取个数进行控制,以保证其提取精度,具有可实施效果好,可操作性强的有利之处。并且,这种方式只是一种较佳实例的说明,但并不局限于此。在实施本发明时,可以根据使用者需求进行适当的替换和/或修改。
在另一种实例中,所述可变步长的亚像素点计算方法被配置为对每一个圆形标记点亚像素轮廓采用最小二乘法拟合亚像素边缘,以采用CPU+GPU的异构计算技术,进而求出圆心坐标。对每一个圆形标记点亚像素轮廓使用最小二乘法拟合亚像素边缘,求出圆心坐标;
最小二乘法使用实际值和计算值的差值的平法来反映计算值和实际值的差异,将轮廓边缘坐标点使用最小二乘法计算,使得到的数据与实际数据之间误差的平方和偏差最小。由于标记点为圆形,选用最小二乘拟合圆算法对标记点进行拟合。设圆的一般方程如下所示。
R2=(x-A)2+(y-B)2 (16)
设a=-2A,b=-2B,c=A2+B2-R2,得到圆曲线方程的一般式x2+y2+ax+by+c=0。
样本集(Xi,Yi)到圆点距离如下所示:
圆半径的平方差的平方和Q(a,b,c)如下所示:
由极值原理可知,导数为0时,函数取最小值。对上式中的a,b,c分别求偏导数,解方程组,即可求出圆形标记点的圆心和半径的计算公式。
解方程组,令C,D,E,G,H如下所示:
D=N∑XiYi-∑Xi∑Yi (23)
可得圆心坐标:
采用这种方案具有对圆心坐标的位置进行计算,以保证其运算简单,精度可控,具有可实施效果好,稳定性强的有利之处。并且,这种方式只是一种较佳实例的说明,但并不局限于此。在实施本发明时,可以根据使用者需求进行适当的替换和/或修改。
在另一种实例中,在S3中,将试验过程中采集图像计算得到的所有圆心坐标值与前0.1秒图像的圆心坐标基于距离对比,基于距离最近原则寻找圆心对应编号,以通过与试验前静态流场图像圆心坐标对比,计算所有圆心的矢量位移,如图5所示,再通过矢量位移计算出光路的偏折角及密度场,密度场结果如图6所示。采用这种方案具有测量实时,精度可控,稳定性好的有利之处。并且,这种方式只是一种较佳实例的说明,但并不局限于此。在实施本发明时,可以根据使用者需求进行适当的替换和/或修改。
本发明的提出的圆心定位算法与现有技术相比较而言,其优势如下:
图7为圆形标记点图片,其从左至右分别为原始圆形标记点、成像效果、理想边缘检测,图8和图9分别显示了采用Canny算子和本文提出的算法对圆形标记点进行边缘提取的效果,从图中可以看出,本算法提取的轮廓更加精细;
为模拟实际情况下的数据精准度,分别建立圆心坐标和圆半径为(9,9,6)和(9.5,9.5,6.5)的标准图片,下表为数据精度对比结果,由下表的各方法的圆心数据测量结果可知,在标准图片中,本文算法的圆心坐标精准度可以达到0.003像素。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的基于视频和亚像素技术对风洞密度场进行测量的方法的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言,可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.一种基于视频和亚像素技术对风洞密度场进行测量的方法,其特征在于,包括:
S1、分别对风洞试验前及试验过程中的密度场进行图像采集,以得到对应的静态密度场测量图像及动态密度场测量图像;
S2、基于亚像素定位技术对动态密度场测量图像中各圆心进行定位;
S3、通过对动态密度场测量图像中各圆心坐标和静态密度场测量图像中各圆心坐标的位置变化来计算光学折射率,以此来计算得到风洞的密度场。
2.如权利要求1所述的基于视频和亚像素技术对风洞密度场进行测量的方法,其特征在于,在S1中,通过设置在风洞来流方向的两侧分别设置参照用背景板及图像采集用像机,以对风洞试验前及试验过程中的密度场进行图像采集;
其中,背景板被配置为采用分布均匀,大小相同的圆形坐标点,以根据背景板圆点的坐标变化为基础,计算得到精确的密度场数据。
3.如权利要求1所述的基于视频和亚像素技术对风洞密度场进行测量的方法,其特征在于,在S2中,所述亚像素定位技术包括:
S21、使用常规边缘检测算子对动态密度场测量图像分别进行边缘像素提取;
S22、使用边界追踪法进行计算,以分别得到动态密度场测量图像中每个圆形标记点的边缘像素点集合;
S23、运用异构计算技术,对每个圆形的每个边缘像素点进行局部区域匹配的亚像素边缘进行提取并计算;
S24、运用异构计算技术,采用可变步长的亚像素点圆形轮廓计算各圆形的圆心。
4.如权利要求3所述的基于视频和亚像素技术对风洞密度场进行测量的方法,其特征在于,在S21中,所述常规边缘检测算子被配置为采用Canny算子,以提取密度场测量图像中的像素级边缘;
所述Canny算子被配置为包括:
通过计算卷积值以得到计算的梯度幅值和方向,以将其方向近似至水平、垂直、+45°、-45°四个方向;
通过对密度场测量图像中的像素点进行排查,以排除其上的非边缘像素,并保留一些候选边缘,实现对图像的非极大值抑制;
通过双阈值的方式对边缘进行处理和检测,以保证其边缘像素的提取精度。
5.如权利要求4所述的基于视频和亚像素技术对风洞密度场进行测量的方法,其特征在于,通过双阈值对边缘进行处理和检测的方式包括:
使用双阈值来计算边缘,如果该像素点灰度值超过双阈值中的高阈值,则该像素点被保留为边缘像素;
如果该像素点灰度值低于双阈值中的低阈值,则该像素点被排除;
如果该像素点在两个阈值之间,则该像素仅在连接到一个高于高阈值像素点时被保留。
6.如权利要求3所述的基于视频和亚像素技术对风洞密度场进行测量的方法,其特征在于,在S22中,所述边界追踪法被配置为采用八邻域边界追踪法,以寻找密度场测量图像中每个圆形标记点的轮廓;
其中,通过使用八邻域边界追踪法,将S21中得到的边缘像素点分成多个轮廓的边缘像素点集合,根据密度场测量图像分析圆半径的大概范围,通过设定轮廓宽度阈值范围,筛选出每个圆形标记点轮廓的边缘像素点集合。
7.如权利要求3所述的基于视频和亚像素技术对风洞密度场进行测量的方法,其特征在于,在S23中,使用基于局部区域匹配的亚像素提取方法,被配置为对每一个圆形标记点轮廓的像素点使用基于局部匹配的分段二次项函数提取亚像素边缘,由于算法基于局部分段思想,每个边缘像素点在计算中不相互影响,采用CPU+GPU异构计算方法,对所有边缘像素点进行并行计算。
8.如权利要求3所述的基于视频和亚像素技术对风洞密度场进行测量的方法,其特征在于,在S24中,通过计算可变步长的亚像素点,其步长选择在0.02至0.1像素,即每个像素点提取10至50个点,采用CPU+GPU的异构计算技术,计算每个圆的圆心坐标。
9.如权利要求8所述的基于视频和亚像素技术对风洞密度场进行测量的方法,其特征在于,所述可变步长的亚像素点计算方法被配置为对每一个圆形标记点亚像素轮廓采用最小二乘法拟合亚像素边缘,以采用CPU+GPU的异构计算技术,进而求出圆心坐标。
10.如权利要求1所述的基于视频和亚像素技术对风洞密度场进行测量的方法,其特征在于,在S3中,将试验过程中采集图像计算得到的所有圆心坐标值与前0.1秒图像的圆心坐标基于距离对比,基于距离最近原则寻找圆心对应编号,以通过与试验前静态流场图像圆心坐标对比,计算所有圆心的矢量位移,再通过矢量位移计算出光路的偏折角及密度场。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810708350.1A CN109060290B (zh) | 2018-07-02 | 2018-07-02 | 基于视频和亚像素技术对风洞密度场进行测量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810708350.1A CN109060290B (zh) | 2018-07-02 | 2018-07-02 | 基于视频和亚像素技术对风洞密度场进行测量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109060290A true CN109060290A (zh) | 2018-12-21 |
CN109060290B CN109060290B (zh) | 2020-01-07 |
Family
ID=64818298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810708350.1A Expired - Fee Related CN109060290B (zh) | 2018-07-02 | 2018-07-02 | 基于视频和亚像素技术对风洞密度场进行测量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109060290B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110273970A (zh) * | 2019-01-28 | 2019-09-24 | 钱日隆 | 一种抑制涡激振动的方法 |
CN110555385A (zh) * | 2019-08-01 | 2019-12-10 | 福州国化智能技术有限公司 | 一种基于变步长曲率滤波的焊缝特征点求取方法 |
CN111458533A (zh) * | 2020-04-17 | 2020-07-28 | 东北电力大学 | 一种浓度场-密度场同步测量系统及方法 |
CN112577708A (zh) * | 2020-12-29 | 2021-03-30 | 中国航天空气动力技术研究院 | 一种基于背光成像的高焓激波风洞发动机推阻测量系统方法 |
CN113533066A (zh) * | 2021-07-20 | 2021-10-22 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 风洞水压试验洞体结构变形量及应变量测量方法及装置 |
CN116958514A (zh) * | 2023-09-20 | 2023-10-27 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种光学图像激波位置的亚像素定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103257029A (zh) * | 2013-05-14 | 2013-08-21 | 张征宇 | 无刀口机构可见光纹影仪系统及其测量方法 |
CN106290256A (zh) * | 2016-08-03 | 2017-01-04 | 中国空气动力研究与发展中心高速空气动力研究所 | 基于视频测量的定量背景纹影方法 |
CN106596037A (zh) * | 2016-12-16 | 2017-04-26 | 中国空气动力研究与发展中心高速空气动力研究所 | 风洞试验模型绕流密度投影场的视频测量方法 |
-
2018
- 2018-07-02 CN CN201810708350.1A patent/CN109060290B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103257029A (zh) * | 2013-05-14 | 2013-08-21 | 张征宇 | 无刀口机构可见光纹影仪系统及其测量方法 |
CN106290256A (zh) * | 2016-08-03 | 2017-01-04 | 中国空气动力研究与发展中心高速空气动力研究所 | 基于视频测量的定量背景纹影方法 |
CN106596037A (zh) * | 2016-12-16 | 2017-04-26 | 中国空气动力研究与发展中心高速空气动力研究所 | 风洞试验模型绕流密度投影场的视频测量方法 |
Non-Patent Citations (2)
Title |
---|
张征宇: "风洞试验中的视频测量技术现状与应用综述", 《空气动力学学报》 * |
郭隆德: "《风洞非接触测量技术》", 30 November 2013 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110273970A (zh) * | 2019-01-28 | 2019-09-24 | 钱日隆 | 一种抑制涡激振动的方法 |
CN110555385A (zh) * | 2019-08-01 | 2019-12-10 | 福州国化智能技术有限公司 | 一种基于变步长曲率滤波的焊缝特征点求取方法 |
CN110555385B (zh) * | 2019-08-01 | 2022-11-11 | 福州国化智能技术有限公司 | 一种基于变步长曲率滤波的焊缝特征点求取方法 |
CN111458533A (zh) * | 2020-04-17 | 2020-07-28 | 东北电力大学 | 一种浓度场-密度场同步测量系统及方法 |
CN112577708A (zh) * | 2020-12-29 | 2021-03-30 | 中国航天空气动力技术研究院 | 一种基于背光成像的高焓激波风洞发动机推阻测量系统方法 |
CN112577708B (zh) * | 2020-12-29 | 2023-03-21 | 中国航天空气动力技术研究院 | 一种基于背光成像的高焓激波风洞发动机推阻测量系统方法 |
CN113533066A (zh) * | 2021-07-20 | 2021-10-22 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 风洞水压试验洞体结构变形量及应变量测量方法及装置 |
CN113533066B (zh) * | 2021-07-20 | 2023-12-15 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 风洞水压试验洞体结构变形量及应变量测量方法及装置 |
CN116958514A (zh) * | 2023-09-20 | 2023-10-27 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种光学图像激波位置的亚像素定位方法 |
CN116958514B (zh) * | 2023-09-20 | 2023-12-05 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种光学图像激波位置的亚像素定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109060290B (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109060290A (zh) | 基于视频和亚像素技术对风洞密度场进行测量的方法 | |
CN109816673B (zh) | 一种非极大值抑制、动态阈值计算及图像边缘检测方法 | |
CN109472822A (zh) | 基于深度图像处理的物体尺寸测量方法 | |
CN105654507B (zh) | 一种基于图像动态特征跟踪的车辆外廓尺寸测量方法 | |
CN104359403B (zh) | 基于亚像素边缘算法的平面零件尺寸测量方法 | |
CN109977191B (zh) | 问题地图检测方法、装置、电子设备和介质 | |
CN104835175B (zh) | 一种基于视觉注意机制的核环境中目标检测方法 | |
CN108256394A (zh) | 一种基于轮廓梯度的目标跟踪方法 | |
CN104899888B (zh) | 一种基于Legendre矩的图像亚像素边缘检测方法 | |
CN103697855B (zh) | 一种基于海天线检测的船体水平姿态测量方法 | |
CN106062824B (zh) | 边缘检测装置和边缘检测方法 | |
CN108960229A (zh) | 一种面向多方向的文字检测方法和装置 | |
CN108230292A (zh) | 物体检测方法和神经网络的训练方法、装置及电子设备 | |
CN104036522A (zh) | 一种基于视频中运动目标识别的流水速度监测方法 | |
CN106530271A (zh) | 一种红外图像显著性检测方法 | |
CN108830899A (zh) | 一种基于几何特征的快速自适应角点结合的圆心检测方法 | |
CN106682678A (zh) | 一种基于支撑域的图像角点检测和分类方法 | |
CN114627080B (zh) | 基于计算机视觉的车辆冲压配件缺陷检测方法 | |
CN109448059A (zh) | 一种快速x角点亚像素检测方法 | |
CN108537787A (zh) | 一种人脸图像的质量判定方法 | |
CN106017328B (zh) | 一种多类型线宽测量方法及装置 | |
CN108335310B (zh) | 一种便携式粒形粒度检测方法及系统 | |
CN109507198A (zh) | 基于快速傅里叶变换和线性高斯的口罩检测系统及方法 | |
CN115717867A (zh) | 一种基于机载双相机和目标追踪的桥梁变形测量方法 | |
CN108446637A (zh) | 基于立体图模型的sar图像变化检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200107 Termination date: 20210702 |