CN117455959B - 基于小波光流的纹影图像测速方法、装置及设备 - Google Patents
基于小波光流的纹影图像测速方法、装置及设备 Download PDFInfo
- Publication number
- CN117455959B CN117455959B CN202311734419.5A CN202311734419A CN117455959B CN 117455959 B CN117455959 B CN 117455959B CN 202311734419 A CN202311734419 A CN 202311734419A CN 117455959 B CN117455959 B CN 117455959B
- Authority
- CN
- China
- Prior art keywords
- wavelet
- data
- target
- image
- schlieren
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000003287 optical effect Effects 0.000 title claims abstract description 63
- 239000012530 fluid Substances 0.000 claims abstract description 102
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000005259 measurement Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims description 41
- 238000012795 verification Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 22
- 238000000827 velocimetry Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 11
- 230000004069 differentiation Effects 0.000 claims 2
- 230000001902 propagating effect Effects 0.000 claims 2
- 238000000691 measurement method Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 14
- 239000002245 particle Substances 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 7
- 238000006073 displacement reaction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000917 particle-image velocimetry Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 239000000700 radioactive tracer Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000037 particle-tracking velocimetry Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/262—Analysis of motion using transform domain methods, e.g. Fourier domain methods
-
- 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
- G01P5/26—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 direct influence of the streaming fluid on the properties of a detecting optical wave
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Measuring Volume Flow (AREA)
- Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
Abstract
本申请实施例提供了一种基于小波光流的纹影图像测速方法、装置及设备,属于流体测速技术领域。该方法包括:获取目标流体进行运动产生的纹影图像,得到纹影图像信号数据;对纹影图像信号数据进行小波分解处理,得到原始小波数据;基于原始小波数据构建目标图像金字塔;对目标图像金字塔进行多分辨率求解,得到目标小波数据;基于目标小波数据进行图像重构,得到目标光流图像信号数据;其中,目标光流图像信号数据表征目标流体的流体运动速度。本申请实施例利用小波分解将纹影图像信号数据分解成多个尺度,并对各个尺度的小波数据构建的图像金字塔进行多分辨率求解,减少了图像噪声的干扰,进而提高了流体测速的准确性。
Description
技术领域
本申请涉及流体测速技术领域,尤其涉及一种基于小波光流的纹影图像测速方法、装置及设备。
背景技术
速度是流体运动中重要的参数,目前对流体进行测速主要包括两类方法,第一类是粒子图像测速法,向流场中引入示踪粒子,利用高速摄像机记录流体中的颗粒图像,并通过分析图像序列中颗粒的位移来计算流体速度,然而在高速流体测速场景中,难以往流场中引入示踪粒子,导致无法使用粒子图像测速法进行测速。第二类是纹影图像测速法,通过分析连续图像帧中像素的纹影变化,估计出像素的运动速度和方向,然而在实际应用中,纹影图像测速法容易受到图像质量的干扰,导致流体测速准确性较差。
因此,如何提高纹影图像测速法进行流体测速的准确性,成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种基于小波光流的纹影图像测速方法、装置及设备,旨在提高流体测速的准确性。
为实现上述目的,本申请实施例的第一方面提出了一种基于小波光流的纹影图像测速方法,所述方法包括:
获取目标流体进行运动产生的纹影图像,得到纹影图像信号数据;
对所述纹影图像信号数据进行小波分解处理,得到原始小波数据;
基于所述原始小波数据构建目标图像金字塔;
对所述目标图像金字塔进行多分辨率求解,得到目标小波数据;
基于所述目标小波数据进行图像重构,得到目标光流图像信号数据;其中,所述目标光流图像信号数据表征所述目标流体的流体运动速度。
在一些实施例,所述目标图像金字塔包含多个分层小波数据,每个分层小波数据的尺度均不相同;所述对所述目标图像金字塔进行多分辨率求解,得到目标小波数据,包括:
按照预设尺度顺序对所述分层小波数据进行优化求解处理,得到间接小波数据;
对所述间接小波数据进行分辨率验证,得到检验结果;
若所述检验结果表征所述间接小波数据的分辨率满足预设的分辨率条件,则将所述间接小波数据作为所述目标小波数据。
在一些实施例,在所述对所述间接小波数据进行分辨率验证,得到检验结果之后,所述对所述目标图像金字塔进行多分辨率求解,得到目标小波数据,还包括:
若所述检验结果表征所述间接小波数据的分辨率不满足所述分辨率条件,则对所述间接小波数据进行小波重构处理,得到估计小波数据;
基于所述预设尺度顺序和所述估计小波数据对下一个尺度的分层小波数据进行初始化处理,并进行优化求解处理。
在一些实施例,所述对所述分层小波数据进行优化求解处理,得到间接小波数据,包括:
基于所述分层小波数据进行目标方程构建,得到目标优化方程;
对所述目标优化方程进行最小化计算,得到所述间接小波数据。
在一些实施例,所述对所述纹影图像信号数据进行小波分解处理,得到原始小波数据,包括:
按照预设的分解尺度对所述纹影图像信号数据进行滤波处理,得到纹影滤波数据;
对所述纹影滤波数据进行下采样处理,得到所述原始小波数据。
为实现上述目的,本申请实施例的第二方面提出了一种基于小波光流的纹影图像测速装置,所述装置包括:
图像获取模块,获取目标流体进行运动产生的纹影图像,得到纹影图像信号数据;
小波分解模块,用于对所述纹影图像信号数据进行小波分解处理,得到原始小波数据;
图像金字塔构建模块,用于基于所述原始小波数据构建目标图像金字塔;
多分辨率求解模块,用于对所述目标图像金字塔进行多分辨率求解,得到目标小波数据;
图像重构模块,用于基于所述目标小波数据进行图像重构,得到目标光流图像信号数据;其中,所述目标光流图像信号数据表征所述目标流体的流体运动速度。
为实现上述目的,本申请实施例的第三方面提出了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
为实现上述目的,本申请实施例的第四方面提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法。
本申请提出的基于小波光流的纹影图像测速方法、装置及设备,其通过获取目标流体进行运动产生的纹影图像,得到纹影图像信号数据;对纹影图像信号数据进行小波分解处理,得到原始小波数据;基于原始小波数据构建目标图像金字塔;对目标图像金字塔进行多分辨率求解,得到目标小波数据;基于目标小波数据进行图像重构,得到目标光流图像信号数据;其中,目标光流图像信号数据表征目标流体的流体运动速度。本申请实施例利用小波分解将纹影图像信号数据分解成多个尺度,并对各个尺度的小波数据构建的图像金字塔进行多分辨率求解,减少了图像噪声的干扰,进而提高了流体测速的准确性。
附图说明
图1是本申请实施例提供的基于小波光流的纹影图像测速方法的流程图;
图2是图1中的步骤S102的流程图;
图3为纹影图像信号数据进行小波分解的示意图;
图4是图1中的步骤S104的流程图;
图5是图4中的步骤S401的流程图;
图6是本申请另一实施例提供的基于小波光流的纹影图像测速方法的流程图;
图7是本申请实施例提供的基于小波光流的纹影图像测速装置的结构示意图;
图8是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
流体测速,流体测速是指用于测量流体流速的一种技术或仪器。流体测速广泛应用于工程、科研和实验室等领域,用于获取流体流速的准确数据。
基于图像的流体测速,通常使用高速相机或摄像机来捕捉流体的运动过程,获取图像序列,然后利用计算机视觉算法对图像进行处理和分析,提取出流体的运动信息。常用的图像处理技术包括光流分析、相关匹配、特征跟踪等。基于图像的流体测速方法可以应用于各种流体介质,包括气体和液体,适用于不同尺度和速度范围的流体流动研究,如微尺度流动、湍流、燃烧等。此外,基于图像的流体测速可以提供更直观的流体运动可视化效果,有助于对流体流动行为的理解和分析。
纹影成像,纹影成像是一种观察接触表面微小形态和纹理的技术和方法,通过在被测对象表面照射光线,并利用光线在表面与背景之间的反射、折射以及散射等物理现象,将表面的微小形态、纹理等信息映射成一幅图像。在纹影成像过程中,光线的入射角度、波长、光源亮度等参数都会影响成像的效果。一般来说,当光线入射角度和被测物体表面的形态有适当的差异时,就可以通过纹影成像将微小的凹凸、纹理等特征放大并可视化显示。纹影成像技术具有非接触、快速、高分辨率等特点,在各种应用领域中得到了广泛应用。
小波分解,小波分解是一种信号处理技术,用于将信号分解为不同频率的成分,小波分解基于小波变换,通过将信号与一组小波函数进行卷积运算,将信号在时间和频率上进行分解。通过小波分解,信号可以被分解为不同频率范围的子信号,其中低频子信号包含了信号的整体趋势和低频成分,高频子信号则包含了信号的细节和高频成分。这种分解使得我们可以对信号的不同频率部分进行独立分析和处理。小波分解在信号处理和图像处理领域有广泛的应用。例如,在图像处理中,小波分解可以用于图像压缩、图像增强和边缘检测等任务。
小波重构,小波重构是小波分解的逆过程,用于将经过小波分解得到的小波数据重新合成原始信号。在小波分解中,信号被分解为一组不同频率的子信号,而小波重构则将这些子信号与对应的小波函数进行线性组合,恢复原始信号。通过小波重构,可以将小波分解得到的小波数据重新合成原始信号。重构后的信号可以保留原始信号的大部分信息,同时可以通过选择不同的小波函数和调整重构层数来控制信号的平滑度和频域细节。小波重构在信号处理和图像处理领域有广泛的应用。例如,在信号压缩中,可以将信号进行小波分解,保留较高频率的小波数据,然后通过小波重构恢复信号,实现信号的压缩。在图像处理中,小波重构可以用于图像压缩和图像恢复等任务。
速度作为流体运动中最为主要的参数之一,对了解流场特性有着极为重要的意义,因此对于速度场的精确测量对于流体的研究有着极为重要的作用。根据测试机理的不同,常用的二维全流场测速技术可以分为两类:
第一类是粒子图像测速法,例如基于欧拉信息的粒子图像测速技术,和基于拉格朗日信息的粒子追踪测速技术,通过在流场中均匀散布示踪粒子,利用脉冲激光照射流场,使得流场中的示踪粒子反射或荧光显示,然后利用高速摄像机记录流体中的颗粒图像,通过分析图像序列中颗粒的位移来构建流场,进而得到流体速度。然而在高速流体测速场景中,如超然发动机的测速,由于超燃发动机的复杂特性,示踪粒子难以引入到流场中,并且因为超燃发动机内流场的速度一般要高于1000m/s,粒子的速度能否准确代表流场的速度也有待商榷。
第二类是纹影图像测速法,通过分析连续图像帧中像素的纹影变化,估计出像素的运动速度和方向,计算无示踪颗粒的光流图像是一种挑战性的任务,因为流体中的亮度变化通常由多种因素引起,如光照变化、图像噪声和纹理变化等。在实际应用中,纹影图像测速法容易受到图像质量的干扰,如图像噪声,运动边界等离群点的干扰,并且在像素点运动位移较大时,难以计算全局的速度场,导致流体测速准确性较差。
因此,如何提高纹影图像测速法进行流体测速的准确性,成为了亟待解决的技术问题。
基于此,本申请实施例提供了一种基于小波光流的纹影图像测速方法、装置及设备,旨在提高流体测速的准确性。
本申请实施例提供的基于小波光流的纹影图像测速方法、装置及设备,具体通过如下实施例进行说明,首先描述本申请实施例中的基于小波光流的纹影图像测速方法。
图1是本申请实施例提供的基于小波光流的纹影图像测速方法的一个可选的流程图,图1中的方法可以包括但不限于包括步骤S101至步骤S105。
步骤S101,获取目标流体进行运动产生的纹影图像,得到纹影图像信号数据;
步骤S102,对纹影图像信号数据进行小波分解处理,得到原始小波数据;
步骤S103,基于原始小波数据构建目标图像金字塔;
步骤S104,对目标图像金字塔进行多分辨率求解,得到目标小波数据;
步骤S105,基于目标小波数据进行图像重构,得到目标光流图像信号数据;其中,目标光流图像信号数据表征目标流体的流体运动速度。
本申请实施例所示意的步骤S101至步骤S106,通过获取目标流体进行运动产生的纹影图像,得到纹影图像信号数据;对纹影图像信号数据进行小波分解处理,得到原始小波数据;基于原始小波数据构建目标图像金字塔;对目标图像金字塔进行多分辨率求解,得到目标小波数据;基于目标小波数据进行图像重构,得到目标光流图像信号数据;其中,目标光流图像信号数据表征目标流体的流体运动速度。本申请实施例利用小波分解将纹影图像信号数据分解成多个尺度,并对各个尺度的小波数据构建的图像金字塔进行多分辨率求解,减少了图像噪声的干扰,进而提高了流体测速的准确性。
目前,在高速流体的测速场景中,例如超燃发动机的流体测速,由于难以将示踪粒子引入到流场中,因此通过将光线穿过具有密度梯度的流场时产生偏折进而记录得到流场结构的方法,得到流场运动时的纹影图像,进而可以通过分析连续图像帧中像素的纹影变化来计算流体运动的速度和方向。
在一些实施例的步骤S101中,纹影图像可以通过纹影成像相机进行拍摄,是一种流场可视化方法。
请参阅图2,在一些实施例中,步骤S102可以包括但不限于包括步骤S201至步骤S202:
步骤S201,按照预设的分解尺度对纹影图像信号数据进行滤波处理,得到纹影滤波数据;
步骤S202,对纹影滤波数据进行下采样处理,得到原始小波数据。
本申请实施例所示意的步骤S201至步骤S202,通过按照预设的分解尺度对纹影图像信号数据小波分解,包括滤波处理、下采样处理,得到原始小波数据,能够实现对纹影图像信号数据的压缩、去噪、滤波、特征提取等功能,便于进行测速。
在一些实施例的步骤S201之前,该基于小波光流的纹影图像测速方法还包括:获取预设的小波基函数;
根据小波基函数确定滤波器的类型;
需要说明的是,小波基函数是小波分解的基础,不同的小波基函数有不同的性质和特点,具体地,小波基函数可以包括但不限于Haar小波、Daubechies小波、Symlet小波等,具体需要根据测速场景选择小波基函数。
需要说明的是,预设的分解尺度表示需要将纹影图像信号数据分解成多少层,并且每层的小波尺度是多大,也就是分辨率为多少。例如,将纹影图像信号数据分解成4个尺度,分别为原始纹影图像信号数据的原始尺度,原始尺度的四倍,原始尺度的十六倍,原始分尺度的六十四倍,其中,分解顺序从尺度最大图像信号开始,将图像的尺度放大四倍,得到第一层的尺度,然后第二层再基于第一层的尺度再放大四倍,以此类推,直至分解的层次达到了预设的分解的层数。
在一些实施例的步骤S201中,纹影滤波数据包括低频滤波数据和高频滤波数据,滤波器包括低频滤波器和高频滤波器,通过低频滤波器对纹影图像信号数据进行滤波处理,得到低频滤波数据;通过高频滤波器对纹影图像信号数据进行滤波处理,得到高频滤波数据。
需要说明的是,低频滤波数据为纹影图像信号数据的低频部分,反映纹影图像信号数据的整体趋势,通常对应于纹影图像信号数据的平滑部分;高频滤波数据为纹影图像信号数据的高频部分,反映纹影图像信号数据的局部细节,包含了纹影图像信号数据的局部细节变化和边缘信息。
需要说明的是,高频滤波数据包括了纹影图像信号数据的水平分量、垂直分量和对角分量。
在一些实施例的步骤S202中,对低频滤波数据进行下采样处理,得到低频数据;对高频滤波数据进行下采样处理,得到高频数据。将高频数据和低频数据进行组合,得到原始小波数据。
在一些实施例中,参见图3,图3为纹影图像信号数据进行小波分解的示意图;其中,将纹影图像信号数据分解成3个尺度,分解过程分别为对应于图3中的(a)至(d),图3中的(a)所示的图像尺度为原始纹影图像信号数据的原始尺度,图3中的(b)所示的图像尺度为原始尺度的四倍,图3中的(c)所示的图像尺度为原始尺度的十六倍,图3中的(d)所示的图像尺度为原始分尺度的六十四倍,即可基于多个尺度的小波数据构建图像金字塔。
具体到小波数据的分辨率,每个尺度的分辨率都是输入信号分辨率的四分之一,即上一尺度图像的分辨率的四分之一;具体地,可以设定,图3中的(a)所示的图像分辨率为纹影图像信号数据的原始分辨率,图3中的(b)所示的图像分辨率为原始分辨率的四分之一,图3中的(c)所示的图像分辨率为原始分辨率的十六分之一,图3中的(d)所示的图像分辨率为原始分辨率的六十四分之一。
例如,将分辨率为256*256的图像通过小波分解成了4层,每层的分辨率分别为:256*256、128*128、64*64和32*32。
需要说明的是,尺度越大,分辨率越小。
按照尺度由小到大顺序,即分辨率从高到低的顺序,将已完成分解的原始小波数据作为下一个尺度进行滤波处理、下采样处理的初始值;
循环执行步骤S201至S202,直至当前尺度已经是最大设定尺度,或者当前分辨率为最小分辨率,完成小波分解,得到各个尺度的小波数据,即为原始小波数据。
在一个实施例中,最小设定分辨率为64*64,当一个分辨率256*256分解四次后,得到图像的分辨率为64*64,达到了最小设定分辨率,则停止小波分解。
在一些实施例中,原始小波数据包括多个分层小波数据,步骤S103可以包括但不限于包括如下步骤:
按照分层小波数据的尺度大小,从大尺度到小尺度将多个分层小波数据进行图像金字塔构建,得到目标图像金字塔。
需要说明的是,由于将图像进行小波分解后,分解之后各层之间的分辨率倍率都是4的n次方(n≥1),因此可以构建图像金字塔。
请参阅图4,在一些实施例中,目标图像金字塔包含多个分层小波数据,每个分层小波数据的尺度均不相同,步骤S104可以包括但不限于包括步骤S301至步骤S303:
步骤S301,按照预设尺度顺序对分层小波数据进行优化求解处理,得到间接小波数据;
步骤S301,对间接小波数据进行分辨率验证,得到检验结果;
步骤S303,若检验结果表征间接小波数据的分辨率满足预设的分辨率条件,则将间接小波数据作为目标小波数据。
申请实施例所示意的步骤S301至步骤S303,通过按照预设尺度顺序对分层小波数据进行优化求解处理,得到间接小波数据;对间接小波数据进行分辨率验证,得到检验结果;如果检验结果表征间接小波数据的分辨率满足预设的分辨率条件,表征该分层小波数据是合格的,则将分层小波数据作为目标小波数据进行输出,通过逐尺度对分层小波数据进行验证,提高了小波分解的精度,进而提高流体测速的准确性。
需要说明的是,预设验证顺序是基于分层小波数据的尺度进行排序的,按照尺度由大到小进行排序,也就是分辨率从低到高进行排序。
请参阅图5,在一些实施例,步骤S301可以包括但不限于包括步骤S401至步骤S402:
步骤S401,基于分层小波数据进行目标方程构建,得到目标优化方程;
步骤S402,对目标优化方程进行最小化计算,得到间接小波数据。
申请实施例所示意的步骤S401至步骤S402,通过基于分层小波数据进行目标方程构建,得到目标优化方程,对目标优化方程进行最小化计算,得到间接小波数据,从而求得改尺度下的速度场对应的小波数据。
在一些实施例的步骤S401中,目标优化方程是基于亮度守恒原理,在近二维假设和不可压缩流假设的约束下,对目标流体的纹影图像进行连续性方程构建,得到积分连续性方程,然后基于积分连续性方程构建能量方程,即目标优化方程。
在一个实施例中,通过对目标优化方程,即能量方程进行最小化处理,可以求出光流场对应的小波数据,也就是数据场对应的小波数据,从而实现对目标流体运动数据的测算。
需要说明的是,光流场即为速度场,能够反应目标流体的流体运动速度。
在一些实施例的步骤S402中,通过对目标优化方程进行梯度下降求解,实现对目标优化方程的最小化,从而得到优化结果,即间接小波数据,也就是该层速度场对应的小波数据。
在一个实施例中,可以采用拟牛顿法对目标优化方程进行计算处理,得到间接小波数据。
需要说明的是,拟牛顿法是一种优化算法,用于求解非线性无约束优化问题,与梯度下降法类似,具有运算速度迅速,收敛速度快的特点。
在一些实施例的步骤S302中,可以通过计算间接小波数据的尺度参数,如尺度长度、频率间隔等,得到间接小波数据的分辨率。
需要说明的是,具体使用的尺度参数与测速场景有关,在本申请实施例中不对其作限制。
需要说明的是,预设的分辨率条件根据场景进行设置的目标图像分辨率。
将间接小波数据的分辨率与目标图像分辨率进行比较,得到检验结果。
如果检验结果表征间接小波数据的分辨率大于等于该目标图像分辨率,则将分层小波数据作为目标小波数据直接输出。
在完成一个尺度的分辨率验证后,按照预设验证顺序对下一个尺度的分层小波数据进行分辨率验证,直至所有尺度均完成了分辨率验证。
请参阅图6,在一些实施例中,在步骤S302之后,该基于小波光流的纹影图像测速方法还可以包括但不限于包括步骤S501至步骤S502:
步骤S501,若检验结果表征间接小波数据的分辨率不满足分辨率条件,则对间接小波数据进行小波重构处理,得到估计小波数据;
步骤S502,基于预设尺度顺序和估计小波数据对下一个尺度的分层小波数据进行初始化处理,并进行优化求解处理。
本申请实施例所示意的步骤S501至步骤S502,通过若检验结果表征间接小波数据的分辨率不满足分辨率条件,则对间接小波数据进行小波重构处理,得到估计小波数据,然后判断该尺度是否为预设尺度顺序中的最后一个尺度,若不是,则将估计小波数据对下一个尺度的分层小波数据的初始值,并进行优化求解处理,最终得到目标小波数据,实现了迭代修正的效果,提高了小波分解的精度,进而提高了测速方法的鲁棒性,提高流体测速的准确性。
需要说明的是,小波重构处理即为上采样处理,具体地,上采样处理的实现方式可以为插值处理。
需要说明的是,插值处理可以通过线性插值、双线性插值、三次样条插值等方式进行实现,在本申请实施例中不对其作限制。
在一个实施例中,将分辨率为256*256的图像通过小波分解成了4层,每层的分辨率分别为:32*32、64*64、128*128、256*256。在具体的计算过程中,首先将低分辨率的32x32层级计算完成,得到该层的小波系数。然后将该小波系数通过上采样(通常是插入零值)来恢复到64*64的分辨率,并将其作为64*64层级的初始值,而原来分解的64*64的数据在计算该层级时不再直接使用。
这么做能够将层级之间的不同分辨率映射到同一个分辨率,通过逐层地将上一层的结果作为初始值,可以提高计算效率和精度,用较低分辨率的结果来指导较高分辨率层级的计算,从而更好地保留和分析不同频率和时间尺度上的信号特征,进而提高了小波分解的精度,进而提高流体测速的准确性。
在一个实施例中的步骤S502之后,在将估计小波数据作为下一个尺度的分层小波数据的初始值,并进行优化求解之后,依然需要进行分辨率验证,以确保计算后得到的目标小波数据的分辨率能够满足预设的分辨率条件。
在一些实施例的步骤S105中,通过根据目标小波数据进行图像重构,得到能够表征目标流体的流体运动速度的目标光流图像信号数据,实现了从小波系数转换回图像信号,从而直接得到二维的速度场数据。
在一个具体的实施例中,包含了流体测速模型构建过程和流体测速模型求解过程;
具体地,流体测速模型构建过程可以包括但不限于包括如下步骤:
对原始图像数据进行纹影转换的过程中包含了构建原始图像数据的纹影亮度方程的步骤,假设在t时刻,原始图像数据上某位置所对应的亮度为/>,在近二维情况下,纹影亮度方程如公式(1)所示:
(1)
其中,表示时间为t、位置为/>的亮度,/>表示当地介质的折射率,/>表示为当地介质密度,/>为光线在纵深方向传播的距离,需要说明的是,/>和/>即为预设的光线折射数据,与测试所在地的光线特质有关。
对公式(1)进行时间的微分,得到公式(2):
(2)
其中,表示梯度算子,/>为二维速度向量。
为了进一步简化公式(2),引入流体连续性方程,如公式(3)所示:
(3)
其中,div代表流动散度,流动散度是描述流场流量增减情况的物理量,能够帮助理解和分析流场的性质和变化规律。
将公式(3)与公式(1)引入公式(2)中,并对其进行化简,得到公式(4):
(4)
假设流动为不可压缩流,则速度的流动散度为0,因此公式(4)可简化为:
(5)
沿时间将公式(5)由积分至时刻/>,得到公式(6):
(6)
假设时间间隔为单位时间,则可以得到亮度与速度的关系,如公式(7)所示:
(7)
其中,公式(7)为积分连续性方程(Integrated Continuity Equation,ICE),从而得到在近二维情况下、流体流动不可压缩的假设下的纹影亮度守恒方程,对流动测速具有更好的适应性。
通过将作为数据项,构建数据项的能量方程并进行最小化计算,可以求得速度场的小波系数,进而通过图像重构,得到能够表征目标流体的流体运动速度的光流场,即速度场。
为了简化表达,以表示第一个时刻的亮度/>,/>表示第二个时刻的亮度,采用惩罚函数/>构建数据项对应的能量方程,得到:
(8)
为了使光流在空间上平滑,决定引入约束项,通过同步最小化约束项,提高运动估计的稳定性,约束项的具体形式如公式(9)下:
(9)
需要说明的是,约束项为速度估计的二阶拉普拉斯约束项。
采用惩罚函数f构建约束项对应的能量方程,形式如下:
(10)
最终,将数据项的能量方程与约束项的能量方程联立,得到最优化目标方程,如公式(11)所示:
(11)
其中,表示约束项在求解中所占权重。
为了将纹影图像信号数据进行小波分解,需要先将速度场投影到小波域中,得到:
(12)
从公式(12)中可以看出,速度场由一小波基函数/>与小波数据/>重构而成,因此,求得纹影图像信号数据的小波数据/>即可求得速度场/>,而小波数据/>如公式(13)所示:
(13)
对于公式(7)的ICE方程,将其转换为在小波域的表达形式,如公式(14)所示:
(14)
对于公式(9)的约束项,将其转换为在小波域的表达形式,如公式(15)所示:
(15)
至此,完成了流体测速模型的构建过程。
需要说明的是,传统光流法采用的亮度守恒方程与本申请实施例中的纹影亮度方程(1)并不相同,在传统光流法采用的亮度守恒方程基于经典灰度守恒假设,假设在t时刻,图像上某位置的亮度为/>,得到亮度随时间的变化如公式(16)所示:
其中,表示梯度算子,/>表示时间为t、位置为/>的亮度,/>表示速度矢量。
假设两张图片连续,即认为两张图片间时间间隔十分小,则可以认为两张图片的亮度未发生变化,也就是公式(16)的左侧(亮度变化项)为零。在“连续两个图像帧之间的位移连续”这一假设下,可以对公式(16)进行时间上的积分,且积分至t+Δt时刻,则得到公式(17):
(17)
令第一个时刻的亮度为/>,第二个时刻/>的亮度为/>,将位移在该时间段/>的变化/>认为是当前位置的速度,得到数据项方程如公式(18)所示:
(18)/>
这个数据项方程(公式(10))为传统光流法的基本约束方程,也被称为位移帧差方程(Displaced Frame Difference Equation,DFD),基于亮度守恒原理。
本申请实施例的数据项为积分连续性方程(公式(7))是基于纹影亮度守恒方程,与传统光流法的数据项方程(公式(18))的并不相同。
具体地,在求解流体测速模型的过程中,使用了拟牛顿最优化算法来对小波数据的求解公式进行梯度下降求解,以实现小波数据的求解,得到小波分解的小波数据。随后,采用分辨率验证对分解得到的小波数据进行验证,提高了小波分解的精度,进而提高了流体测速的准确性。
需要说明的是,拟牛顿最优化算法在运算过程中能够节约计算占用内存,提高了运算速度。
流体测速模型求解过程可以包括但不限于包括如下步骤:
在一个实施例中,采用了二次型惩罚函数来构建处于小波域下的数据项和约束项的能量方程,得到:
(20)
为了进行梯度下降求解,需要针对公式(19)的速度对应的小波数据进行偏导,得到:
对于二阶拉普拉斯的约束项,约束项对速度的导数/>较为难求。因此引入一个常数/>,使得对于某点的速度/>,有/>。通过使用常数近似/>,从而避开直接求解/>项的问题。对于点(i, j),/>的计算方式如公式(22)所示:
因此,在小波域中使用二次型惩罚函数时,可将二阶拉普拉斯约束项对速度的导数写为:
(23)/>
(24)
最终,最小化能量方程为数据项与约束项的能量方程之和,通过最小化如公式(25)所示的能量方程,即目标优化方程,便可以得到速度场对应的小波数据:
在小波分解后,得到原始小波数据,其中,原始小波数据包括多个分层小波数据,对应着不同尺度的小波数据。
基于原始小波数据构建目标图像金字塔,按照尺度由大到小的顺序,也就是分辨率从低到高顺序,对分层小波数据进行优化求解处理,得到间接小波数据;对间接小波数据进行分辨率验证,得到检验结果;如果检验结果表征间接小波数据的分辨率满足预设的分辨率条件,表征该分层小波数据是合格的,则将分层小波数据作为目标小波数据进行输出;若检验结果表征间接小波数据的分辨率不满足分辨率条件,则对间接小波数据进行小波重构处理,得到估计小波数据,然后判断该尺度是否为预设尺度顺序中的最后一个尺度,若不是,则将估计小波数据对下一个尺度的分层小波数据的初始值,并进行优化求解处理,最终得到目标小波数据。
通过逐尺度对分层小波数据进行验证,当不满足条件时重新下采样处理,实现了迭代修正的效果,提高了小波分解的精度,进而提高了测速方法的鲁棒性,提高流体测速的准确性。
在将估计小波数据作为下一个尺度的分层小波数据的初始值,并进行优化求解之后,依然需要进行分辨率验证,以确保计算后得到的目标小波数据的分辨率能够满足预设的分辨率条件。在得到目标小波数据,对目标小波数据进行重构,得到能够表征目标流体的流体运动速度的目标光流图像信号数据,实现了从小波系数转换回图像信号,从而直接得到二维的速度场数据。
至此,完成了流体测速模型的求解过程。
在得到目标图像信号数据之后,即可获取目标光流图像信号数据上任一像素点的速度。
请参阅图7,本申请实施例还提供了一种基于小波光流的纹影图像测速装置,可以实现上述基于小波光流的纹影图像测速方法,该装置包括:
图像获取模块701,获取目标流体进行运动产生的纹影图像,得到纹影图像信号数据;
小波分解模块702,用于对纹影图像信号数据进行小波分解处理,得到原始小波数据;
图像金字塔构建模块703,用于基于原始小波数据构建目标图像金字塔;
多分辨率求解模块704,用于对目标图像金字塔进行多分辨率求解,得到目标小波数据;
图像重构模块705,用于基于目标小波数据进行图像重构,得到目标光流图像信号数据;其中,目标光流图像信号数据表征目标流体的流体运动速度。
在一些实施例的小波分解模块702中,该小波分解模块702还包括:
滤波处理单元,用于按照预设的分解尺度对纹影图像信号数据进行滤波处理,得到纹影滤波数据;
下采样单元,用于对纹影滤波数据进行下采样处理,得到原始小波数据。
在一些实施例的多分辨率求解模块704中,该多分辨率求解模块704还包括:
优化求解单元,用于按照预设尺度顺序对分层小波数据进行优化求解处理,得到间接小波数据;
分辨率验证单元,用于对间接小波数据进行分辨率验证,得到检验结果;
第一处理单元,用于若检验结果表征间接小波数据的分辨率满足预设的分辨率条件,则将间接小波数据作为目标小波数据。
在一些实施例的优化求解单元中,该优化求解单元还包括:
目标方程构建子单元,用于基于分层小波数据进行目标方程构建,得到目标优化方程;
最小化计算子单元,用于对目标优化方程进行最小化计算,得到间接小波数据。
在一些实施例的多分辨率求解模块704中,该多分辨率求解模块704还包括:
第二处理单元,用于若检验结果表征间接小波数据的分辨率不满足分辨率条件,则对间接小波数据进行小波重构处理,得到估计小波数据;
迭代处理单元,用于基于预设尺度顺序和估计小波数据对下一个尺度的分层小波数据进行初始化处理,并进行优化求解处理。
该基于小波光流的纹影图像测速装置的具体实施方式与上述基于小波光流的纹影图像测速方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种电子设备,电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述基于小波光流的纹影图像测速方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图8,图8示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器801,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器802,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器802可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器802中,并由处理器801来调用执行本申请实施例的基于小波光流的纹影图像测速方法;
输入/输出接口803,用于实现信息输入及输出;
通信接口804,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线805,在设备的各个组件(例如处理器801、存储器802、输入/输出接口803和通信接口804)之间传输信息;
其中处理器801、存储器802、输入/输出接口803和通信接口804通过总线805实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述基于小波光流的纹影图像测速方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的基于小波光流的纹影图像测速方法、装置及设备,其通过获取目标流体进行运动产生的纹影图像,得到纹影图像信号数据;对纹影图像信号数据进行小波分解处理,得到原始小波数据;基于原始小波数据构建目标图像金字塔;对目标图像金字塔进行多分辨率求解,得到目标小波数据;基于目标小波数据进行图像重构,得到目标光流图像信号数据;其中,目标光流图像信号数据表征目标流体的流体运动速度。本申请实施例利用小波分解将纹影图像信号数据分解成多个尺度,并对各个尺度的小波数据构建的图像金字塔进行多分辨率求解,减少了图像噪声的干扰,进而提高了流体测速的准确性,从而更适合应用于例如超燃发动机流体测速的高速测速场景。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (8)
1.一种基于小波光流的纹影图像测速方法,其特征在于,所述方法包括:
获取目标流体进行运动产生的纹影图像,得到纹影图像信号数据;
对所述纹影图像信号数据进行小波分解处理,得到原始小波数据;
基于所述原始小波数据构建目标图像金字塔;
对所述目标图像金字塔进行多分辨率求解,得到目标小波数据;
基于所述目标小波数据进行图像重构,得到目标光流图像信号数据;其中,所述目标光流图像信号数据表征所述目标流体的流体运动速度,所述流体运动速度通过流体测速模型进行获取;
其中,所述流体测速模型的构建过程包括:
构建原始图像数据的纹影亮度方程,假设在t时刻,所述原始图像数据上某位置所对应的亮度为/>,在近二维情况下,所述纹影亮度方程为:
其中,表示时间为t、位置为/>的亮度,/>和/>为预设的光线折射数据,/>表示当地介质的折射率,/>表示为当地介质密度,/>为光线在纵深方向传播的距离;
对所述纹影亮度方程进行时间的微分,得到微分方程:
其中,表示梯度算子,/>为二维速度向量;
对所述微分方程进行简化,引入流体连续性方程,得到:
其中,div代表流动散度,流动散度为表征流场流量增减情况的物理量。
2.根据权利要求1所述的方法,其特征在于,所述目标图像金字塔包含多个分层小波数据,每个分层小波数据的尺度均不相同;所述对所述目标图像金字塔进行多分辨率求解,得到目标小波数据,包括:
按照预设尺度顺序对所述分层小波数据进行优化求解处理,得到间接小波数据;
对所述间接小波数据进行分辨率验证,得到检验结果;
若所述检验结果表征所述间接小波数据的分辨率满足预设的分辨率条件,则将所述间接小波数据作为所述目标小波数据。
3.根据权利要求2所述的方法,其特征在于,在所述对所述间接小波数据进行分辨率验证,得到检验结果之后,所述对所述目标图像金字塔进行多分辨率求解,得到目标小波数据,还包括:
若所述检验结果表征所述间接小波数据的分辨率不满足所述分辨率条件,则对所述间接小波数据进行小波重构处理,得到估计小波数据;
基于所述预设尺度顺序和所述估计小波数据对下一个尺度的分层小波数据进行初始化处理,并进行优化求解处理。
4.根据权利要求2所述的方法,其特征在于,所述对所述分层小波数据进行优化求解处理,得到间接小波数据,包括:
基于所述分层小波数据进行目标方程构建,得到目标优化方程;
对所述目标优化方程进行最小化计算,得到所述间接小波数据。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述对所述纹影图像信号数据进行小波分解处理,得到原始小波数据,包括:
按照预设的分解尺度对所述纹影图像信号数据进行滤波处理,得到纹影滤波数据;
对所述纹影滤波数据进行下采样处理,得到所述原始小波数据。
6.一种基于小波光流的纹影图像测速装置,其特征在于,所述装置包括:
图像获取模块,获取目标流体进行运动产生的纹影图像,得到纹影图像信号数据;
小波分解模块,用于对所述纹影图像信号数据进行小波分解处理,得到原始小波数据;
图像金字塔构建模块,用于基于所述原始小波数据构建目标图像金字塔;
多分辨率求解模块,用于对所述目标图像金字塔进行多分辨率求解,得到目标小波数据;
图像重构模块,用于基于所述目标小波数据进行图像重构,得到目标光流图像信号数据;其中,所述目标光流图像信号数据表征所述目标流体的流体运动速度,所述流体运动速度通过流体测速模型进行获取;
其中,所述流体测速模型的构建过程包括:
构建原始图像数据的纹影亮度方程,假设在t时刻,所述原始图像数据上某位置所对应的亮度为/>,在近二维情况下,所述纹影亮度方程为:
其中,表示时间为t、位置为/>的亮度,/>和/>为预设的光线折射数据,/>表示当地介质的折射率,/>表示为当地介质密度,/>为光线在纵深方向传播的距离;
对所述纹影亮度方程进行时间的微分,得到微分方程:
其中,表示梯度算子,/>为二维速度向量;
对所述微分方程进行简化,引入流体连续性方程,得到:
其中,div代表流动散度,流动散度为表征流场流量增减情况的物理量。
7.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至5任一项所述的基于小波光流的纹影图像测速方法。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的基于小波光流的纹影图像测速方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311734419.5A CN117455959B (zh) | 2023-12-18 | 2023-12-18 | 基于小波光流的纹影图像测速方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311734419.5A CN117455959B (zh) | 2023-12-18 | 2023-12-18 | 基于小波光流的纹影图像测速方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117455959A CN117455959A (zh) | 2024-01-26 |
CN117455959B true CN117455959B (zh) | 2024-03-26 |
Family
ID=89589428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311734419.5A Active CN117455959B (zh) | 2023-12-18 | 2023-12-18 | 基于小波光流的纹影图像测速方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117455959B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740125A (zh) * | 2023-07-26 | 2023-09-12 | 四川省寰宇众恒科技有限公司 | 基于光线折射和深度学习实现透明流体可视化的检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9710917B2 (en) * | 2013-05-15 | 2017-07-18 | Massachusetts Institute Of Technology | Methods and apparatus for refractive flow measurement |
-
2023
- 2023-12-18 CN CN202311734419.5A patent/CN117455959B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740125A (zh) * | 2023-07-26 | 2023-09-12 | 四川省寰宇众恒科技有限公司 | 基于光线折射和深度学习实现透明流体可视化的检测方法 |
Non-Patent Citations (1)
Title |
---|
背景纹影定量化在层流轴对称火焰温度场测量中的应用研究;王根娟;杨臧健;孟晟;王明晓;钟英杰;;实验流体力学;20160415(02);第105-112页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117455959A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5861949B2 (ja) | オプティカルフローの決定のためのデジタル処理方法およびシステム | |
US20190259202A1 (en) | Method to reconstruct a surface from partially oriented 3-d points | |
Atcheson et al. | An evaluation of optical flow algorithms for background oriented schlieren imaging | |
JP6239594B2 (ja) | 3d情報処理装置及び方法 | |
Belcour et al. | 5D covariance tracing for efficient defocus and motion blur | |
Zhu et al. | A multi-resolution deep feature framework for dynamic displacement measurement of bridges using vision-based tracking system | |
Alvise et al. | Space-time extreme wind waves: Analysis and prediction of shape and height | |
Miao et al. | Phase-based displacement measurement on a straight edge using an optimal complex Gabor filter | |
Cai et al. | Visualizing and quantifying small and nonstationary structural motions in video measurement | |
Lawson et al. | Bias in particle tracking acceleration measurement | |
Suresh et al. | PMENet: phase map enhancement for Fourier transform profilometry using deep learning | |
Calakli et al. | SSD-C: Smooth signed distance colored surface reconstruction | |
Gilman et al. | Interpolation models for image super-resolution | |
Wang et al. | Effects of compressed speckle image on digital image correlation for vibration measurement | |
CN117455959B (zh) | 基于小波光流的纹影图像测速方法、装置及设备 | |
US9733071B2 (en) | Method of three-dimensional measurements by stereo-correlation using a parametric representation of the measured object | |
CN109697695B (zh) | 可见光图像引导的超低分辨率热红外图像插值算法 | |
Wang et al. | A unified framework of source camera identification based on features | |
Silva et al. | Spatio-temporal decomposition of 2D travelling waves from video measurements | |
Lee et al. | Integrating wavelet transformation with Markov random field analysis for the depth estimation of light‐field images | |
US20230019751A1 (en) | Method and apparatus for light estimation | |
US20210390772A1 (en) | System and method to reconstruct a surface from partially oriented 3-d points | |
Zhu et al. | An occlusion compensation learning framework for improving the rendering quality of light field | |
Szirmay-Kalos | Filtering and gradient estimation for distance fields by quadratic regression | |
Chen et al. | Spectral analysis of a surface occlusion model for image-based rendering sampling |
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 |