一、界面介绍
粒子识别(快捷键Ctrl+D)
1.识别算法:
1.1 高斯掩膜算法
1.2 动态二值化算法
2.参数设置
2.1 相关阈:(相关阈值) 默认0.5
2.2 Sigma[px]:(粒子直径) 默认3
2.3 强度阈:(粒子强度阈) 默认70
二、算法原理学习
首先,粒子识别有两步:
(1)算法必须确定哪一组像素构成一个粒子的图像
(2)必须准确确定该粒子图像的位置
2.1 不重叠粒子(了解)
2.1.1 阈值二值化
识别粒子图像的一种典型方法是使用分割。这是使用阈值二值化完成的,如果灰度级别超过设置的阈值,则将像素强度设置为1,否则设置为0。相关的白色像素组被标记为单速的粒子图像。这适用于理想情况。由于照明通常不一致,明亮的背景形状可能超过全局阈值。采用局部阈值二值化和动态阈值二值化进行改进。**局部阈值二值化是根据像素强度的局部平均值和方差确定阈值。动态阈值二值化使用全局基阈值。**然后将超过阈值的相邻像素一起标记为图像,并与阈值进行比较。如果对比度不超过预设阈值,则该图像的处理完成;否则,将从该区域的每个像素中减去一个亮度级别。重复此操作,直到所有图像的对比度都在预设阈值内。
2.1.2 高斯形心估计
一旦粒子图像斑点从图像背景中分离出来,就需要确定像素域中的粒子位置,以便准确测量PTV的流速。尽管粒子图像是像素化的,但是可以使用用于以亚像素精度确定粒子位置的技术。使用非重叠粒子图像的初步研究调查了抛物线、三点质心、五点质心和三点高斯估计量,并确定高斯估计量是粒子位置的最佳估计量。在后来的研究中,研究了三点高斯(方程1)和最小二乘高斯估计量(方程2),得出的结论是这两个结果是可比较的,但建议使用三点高斯估计量,因为它快100倍。在这两个方程中, G G G 是灰度像素强度阵列, x 0 x_0 x0 和 y 0 y_0 y0 是粒子图像中最亮像素的坐标, I 0 I_0 I0 是强度, σ \sigma σ 是高斯扩散的标准差。这些算法是基于假设粒子图像是高斯和圆形或椭圆形和轴向的,这意味着半长轴平行于 x x x 或 y y y 方向。与粒子速度相比,这对于暴露时间短的球形粒子来说是保持不变的。然而,在椭圆粒子图像不是轴向取向的情况下,会出现像素锁定误差。
2.2重叠粒子
2.2.1 粒子掩膜相关性
T
a
k
e
h
a
r
a
Takehara
Takehara 和
E
t
o
h
Etoh
Etoh 引入粒子掩膜相关算法替代阈值二值化算法。该技术假设粒子图像的形状,并搜索像素强度与假设形状相关的区域。
T
a
k
e
h
a
r
a
Takehara
Takehara 和
E
t
o
h
Etoh
Etoh 认为,方程 (3) 中给出的高斯分布最能描述粒子图像。
I
(
x
,
y
)
=
a
∗
e
x
p
(
−
(
x
−
x
0
)
2
+
(
y
−
y
0
)
2
2
σ
2
)
(3)
\ I(x,y)=a*exp(-\frac{(x-x_0)^2+(y-y_0)^2}{2\sigma^2})\tag{3}
I(x,y)=a∗exp(−2σ2(x−x0)2+(y−y0)2)(3)
其中
a
a
a 为峰值强度,
x
0
x_0
x0 和
y
0
y_0
y0 给出图像质心坐标,
σ
\sigma
σ 表示粒子直径。式 (4) 给出了问询区域为
m
∗
n
m*n
m∗n 的归一化相关系数
r
(
x
0
,
y
0
)
=
∑
i
=
x
0
−
m
/
2
x
0
+
m
/
2
∑
j
=
y
0
−
n
/
2
y
0
+
n
/
2
(
I
(
i
,
j
)
−
I
^
)
(
I
m
(
i
,
j
)
−
I
m
^
)
∑
i
=
x
0
−
m
/
2
x
0
+
m
/
2
∑
j
=
y
0
−
n
/
2
y
0
+
n
/
2
(
I
(
i
,
j
)
−
I
^
)
2
∑
i
=
x
0
−
m
/
2
x
0
+
m
/
2
∑
j
=
y
0
−
n
/
2
y
0
+
n
/
2
(
I
m
(
i
,
j
)
−
I
m
^
)
2
(4)
\ r(x_0,y_0)=\frac{\sum\limits_{i=x_0-m/2}\limits^{x_0+m/2}\sum\limits_{j=y_0-n/2}\limits^{y_0+n/2}{(I(i,j)-\hat{I})(I_m(i,j)-\hat{I_m})}}{\sqrt{\sum\limits_{i=x_0-m/2}\limits^{x_0+m/2}\sum\limits_{j=y_0-n/2}\limits^{y_0+n/2}{(I(i,j)-\hat{I})^2}}\sqrt{\sum\limits_{i=x_0-m/2}\limits^{x_0+m/2}\sum\limits_{j=y_0-n/2}\limits^{y_0+n/2}{(I_m(i,j)-\hat{I_m})^2}}}\tag{4}
r(x0,y0)=i=x0−m/2∑x0+m/2j=y0−n/2∑y0+n/2(I(i,j)−I^)2i=x0−m/2∑x0+m/2j=y0−n/2∑y0+n/2(Im(i,j)−Im^)2i=x0−m/2∑x0+m/2j=y0−n/2∑y0+n/2(I(i,j)−I^)(Im(i,j)−Im^)(4)
其中
I
I
I 为像素强度,平均像素强度为
I
^
\hat{I}
I^,掩膜强度为
I
m
I_m
Im,平均掩膜强度为
I
m
^
\hat{I_m}
Im^。然后对归一化相关系数进行二值化,实验确定的最佳阈值为0.7。从二值化后的图像中提取区域,然后计算图像的重心和等效半径。
已经确定,粒子掩模方法能够消除摄像机框架内的线性元素,例如储罐边缘或浸没的物体。当 σ \sigma σ 值为3.0像素时,可识别出 0.3 − 0.8 σ 0.3-0.8\sigma 0.3−0.8σ 之间的粒子图像。对于尺寸和亮度相似的重叠颗粒,正确识别的临界距离 L L L 被确定为 L = 2 σ L=2\sigma L=2σ。这个临界距离随着粒子峰值亮度之间的差异的增加而增加,对于1/20的亮度比,达到 L = 4 σ L=4\sigma L=4σ 的最大值。
对粒子掩模相关法概念的改进,称为级联相关法。是由 A n g a r i t a − J a i m e s Angarita-Jaimes Angarita−Jaimes 等人提出的。该技术最初执行公式(2)中所示的相同的相互关系,将其标记为 R 1 R_1 R1。然后用式 (2) 中的 R 1 R_1 R1 代替 I I I,减小掩模强度分布半径,对 R 2 R_2 R2 重复相关。然后找到 R 2 R_2 R2 系数分布中的峰值像素强度,以确定每个粒子的数量和位置。这种技术在位置确定中引入了误差,因为位置是根据互相关系数分布而不是像素强度分布计算的。