【正文】 end end if q(k,ind{k}(j))~=0 p(k,ind{k}(j))=A*p(k,ind{k。 if length(x)0 x=min(x)。 if (dispxdisplx(k))^2+(dispydisply(k))^2Tx^2 p(k,ind{k}(j))=p(k,ind{k}(j))*C。 aneb=aneb(is(1:n2max))。f1(j,1)~=f1(k,1) d=sqrt((f1(1:n,1)f1(k,1)).^2+(f1(1:n,2)f1(k,2)).^2)。 C=2。 end end ci=0。 p(k,n+1)=1/(ns(k)+1)。 can=can(is(1:n1max))。 for k=1:n if f1(k,1)~=0 for j=1:n if f2(j,1)~=0 d=sqrt((f2(j,1)f1(k,1)).^2+(f2(j,2)f1(k,2)).^2)。 參考文獻(xiàn) 41 q=zeros(n+1,n+1)。 n2max=10。 f1(j,2)=B1(j,2*c)。 while c=cmax f1=zeros(n,2)。 B1(j,2*i)=MT(j,2)。 MT(:,1)。 B1=zeros(n,v)。但是除了本文介紹的幾種常見的算法，還存在很多非常新穎的算法，比如 Spring Model 算法，這個(gè)算法的出現(xiàn)為三維 PTV 技術(shù)的發(fā)展打下了基礎(chǔ)，人工神經(jīng)網(wǎng)絡(luò)算法由于其低錯誤率和完全自動進(jìn)行的優(yōu)點(diǎn)，具有良好的發(fā)展前景，但是還處于初步發(fā)展階段，應(yīng)用于實(shí)際生產(chǎn)生活的時(shí)機(jī)還不成熟。 本文最后還將算法應(yīng)用于實(shí)際流場中，并且設(shè)計(jì)了軟件界面導(dǎo)入圖像數(shù)據(jù)，通過對兩幀 圖像的處理最終也獲得比較好的匹配效果。 Tn 對算法的影響在本研究中的流場中效果不明顯，因?yàn)樵诒疚闹校捎诙际呛芫鶆虻牧鲌?，所以鄰域粒子和目?biāo)粒子所匹配的候選粒子速度向量 差不多是一致的，所以匹配的結(jié)果都很正確。 匹配幾率法：該算法的原理可以總結(jié)為，在第一幀圖像中選取某個(gè)目標(biāo)粒子然后根絕本文列舉的三個(gè)特征來一一匹配，最后滿足三個(gè)特征的粒子會得到和候選粒子的匹配概率，選擇匹配概率最大的那一個(gè)作為正確匹配的粒子。首先在第二幀圖像中尋找到第一幀中目標(biāo)粒子的候選粒子，然后將其中一個(gè)候選粒子作為第二幀中的目標(biāo)粒子，再從第三幀圖像中尋找到該粒子的候選粒子，這樣一直往下選擇，最后選取位移和角度變化量總量最小的那一組粒子作為粒子運(yùn)動的軌跡。本文所研究的四種算法中，最近鄰法、四幀圖像跟蹤算法屬于單獨(dú)研究單個(gè)粒子配對的PTV 算法； PCSS 算法、匹配幾率法則屬于結(jié) 合附近粒子研究單個(gè)粒子配對的 PTV 算法。 在前半部分：總結(jié)了常見的 PTV 算法，包括最近鄰法、連續(xù)四幀粒子圖像跟蹤算法以及各種 互相關(guān)算法（匹配幾率法以及 PCSS 算法）。 兩幀連續(xù)圖像如圖 43 所示。C:\MATLAB7\work\39。 實(shí)際流場，連續(xù)兩張圖像，用上述的匹配幾率法對其進(jìn)行匹配后得到的圖像如 圖 42 所示。 u 對算法的影響主要體現(xiàn)在它和最大匹配位移的閾值 Tm 之間的關(guān)系，一般 u 越大，其他參數(shù)不變，粒子匹配正確的概率會越低，就算 Tm 的值大于粒子可能的最大位移，正確的匹配概率也不會很高，這個(gè)時(shí) 候需要讓兩幀圖像的時(shí)間間隔更小一些，這樣降低最大的位移，最終在后面的參數(shù)選擇會更加容易，更容易調(diào)試。通常 Tm/u△t 的值大于 即可。 正確的圖像 如圖 315 所示，算法匹配后的圖像如圖 316 所示。正確的圖像如圖 313 所示，匹配后的圖像如圖 314 所示。當(dāng)速度增大時(shí)，由于時(shí)間沒有變化，所以第一幀圖像中的粒子和第二幀圖像中的粒子的距離就變大了，并且由于粒子坐標(biāo)大小變化不大（本文中選擇的粒子橫縱坐標(biāo)都在 0250 之間 ） ，所以第一幀圖像中的每個(gè)目標(biāo)粒子在第二幀中尋找候選粒子時(shí)，距離上的差別就會減小，也就是說，在某個(gè)閾值范 圍內(nèi)，滿足目標(biāo)粒子的的候選粒子就更多，而且他們的距離很接近，很難通過改變閾值 Tm的大小來排除錯誤的候選粒子，所以在其他參數(shù)不變的情況下，速度越大，對精確度的影響越大，會降低精確度，這個(gè)時(shí)候只有不斷調(diào)試把 Tm， Tn， Tp 的值才能獲得正確的匹配圖像。 u 對算法的影響 速度對算法的影響在水平運(yùn)動的粒子中主要體現(xiàn) 在它的大小上，在上面的分析中，我們的速度一直沒有變化，都保持在水平方向是 4m/s，接下來我們將改變速度的大小看看其對算法的影響，在這里我們不會減小速度的大小，因?yàn)橥ㄟ^理論分析，運(yùn)動極限的思維，當(dāng)速度非常小時(shí)，目標(biāo)粒子和候選粒子將會無限接近，即此時(shí)就算使用最簡單但是匹配精確度最低的最近鄰法也會得出很滿意的匹配結(jié)果，也就是速度越小對匹配越有利，但是體現(xiàn)不出各個(gè)算法的優(yōu)越性。 3 PTV 匹 配算法及其驗(yàn)證 21 圖 37 22 圖 38 當(dāng)我們不斷變化 Tn 的值時(shí)，發(fā)現(xiàn)如果 Tm 和 Tp 的值如果確定了， Tn 的值其實(shí)對最后的匹配圖像影響很小，因?yàn)?Tn 值表示的是目標(biāo)粒子選擇自己鄰域粒子的閾值，所以如果它越大，那么目標(biāo)粒子的鄰域粒子就會越多，同時(shí)執(zhí)行一次迭代的計(jì)算時(shí)間也會變長，但是理論上分析，增加鄰域粒子的個(gè)數(shù)會對最后匹配正確的粒子產(chǎn)生影響的，也就是會影響精確度，因?yàn)樵黾恿肃徲蛄Ｗ觽€(gè)數(shù)就會增加相似的速度向量，那么根據(jù)特征 3 就可以得到一個(gè)目標(biāo)粒子可能在 迭代的時(shí)候有多個(gè)匹配的粒子，最終會使粒子產(chǎn)生錯誤的匹配。 Tn 對算法的影響 為了能更好的說明 Tn 對算法的影響，首先要排除最大的干擾就是 Tm，因?yàn)閺纳厦嫖覀兛梢灾?，這是水平運(yùn)動，且速度慢，所以 Tm 對圖像的影響是巨大的，即如果 Tm取得很 小，比如取到 4，那么根據(jù)上面的數(shù)據(jù)可以知道所有的粒子匹配的粒子都是正確的，而且只有一個(gè)候選粒子，那么該算法就失去了意義，所以讓 Tm 的值取得大一些，讓目標(biāo)粒子的候選粒子多一些，那么變化 Tn 的值就可以比較明顯的看到影響了。%第二幀圖像粒子的橫坐標(biāo) End 其正確的圖像如 圖 31 所示，通過匹配幾率法匹配后的圖像如圖 32 所示。%粒 子 Y 方向的速度 for i=1:100 F1x(i)=A(i)。 B=randperm(200)。%在 mm中選出最小的那一個(gè)值，即速度向量最相似的那一個(gè) y=l(uu)。其代碼如下： if length(l)0 %這里的 l 表示的是滿足特征 3 中相似向量的鄰域粒子及候選 %粒子 x=length(l)。其代碼如下： p(i,ind{i}(j))=A*p(i,ind{i}(j))+B*q(i,ind{i}(j))。其代碼如下： if ns(i)=1 %ns(i)表 示示蹤粒子 i 的可能匹配粒子數(shù)目 p(i,can(:))=1/(ns(i)+1)。 dispy=f2(ind{k}(j),2)f1(k,2)。f1(j,1)~=f1(k,1) d=sqrt((f1(1:n,1)f1(i,1)).^2+(f1(1:n,2)f1(i,2)).^2)。 end end end 流場區(qū)域特征。匹配幾率法在上面介紹時(shí)首先要滿足 3 個(gè)基本特征： 最大速度特征?？偟膩碚f，運(yùn)算效率和算法精度二者很難兼得，我們只能使一種算法在運(yùn)算效率和算法精度上能相對平衡，從而對該算法的優(yōu)缺點(diǎn)以及適用性進(jìn)行衡量。 3 PTV 匹 配算法及其驗(yàn)證 11 3 PTV 匹配算法及其驗(yàn)證 匹配算法評價(jià)方法 為了能從上面的四種 PTV 算法中選出最合適的一種算法進(jìn)行改進(jìn)并實(shí)現(xiàn)，我們首先得知道怎么去評價(jià)一種算法的好壞。 Step 4：上述幾個(gè)式子構(gòu)成迭代公式，當(dāng)經(jīng)過 4,5 次迭代以后，正確的匹配粒子的匹配概率會迅速增大，不正確的匹配粒子的匹配概率會迅速減小。 2 常見的 PTV匹配算法原理 9 圖 23 我們的算法就是基于以上的 3 個(gè)基本特征，從每一次所選擇的的目標(biāo)粒子中的所有可能軌跡找到一條最有可能的，即匹配概率最高的那一條軌跡，從而實(shí)現(xiàn)目標(biāo)粒子的匹配。以第一幀圖像中的 Xi 粒子位置為圓心， R3 為半徑畫一個(gè)圓，這個(gè)區(qū)域被認(rèn)為是粒子的鄰域范圍，在這個(gè)范圍內(nèi)，示蹤粒子的速度范圍應(yīng)該基本相同。 匹配幾率法 這是一種利用示蹤粒子群體運(yùn)動特征的跟蹤算法，并且該算法在二幀連續(xù)圖像上的示蹤粒子應(yīng)滿足如下三個(gè)基本特征： 最大速度特征。我們把候選粒子中相似系數(shù)最大的粒子作為粒子 i 的配對粒子。 PCSS 算法 PCSS 算法的示意圖如圖 22 所示 圖 22 首先，在第一幀圖像中以粒子 i 為 中心， R 為半徑畫出一個(gè)查詢區(qū)域 I，接著，在第二幀圖像中選定一個(gè)候選粒子 j，同樣以 R 為半徑畫出一個(gè)查詢區(qū)域 J，這里要說明的是候選粒子被規(guī)定在一個(gè)半徑為 R 的范圍內(nèi)選擇。如果在這個(gè)過程中出現(xiàn)一條路徑共用一個(gè)粒子的情況，那么錯誤的粒子路徑就要舍棄。其中，第三幀圖像的查詢區(qū)域是這樣確定的：以第一幀和第二幀圖像中相匹配的兩個(gè)粒子的連線的延長線的一點(diǎn)為圓心畫圓。 四幀粒子圖像跟蹤算法 四幀圖像粒子跟蹤算法是對連續(xù)的四幀圖像進(jìn)行粒子跟蹤的算法。 第三：最后設(shè)計(jì)一個(gè)軟件界面，并且導(dǎo)入實(shí)驗(yàn)得到的真實(shí)數(shù)據(jù)圖像，通過在界面上輸入一些參數(shù)，包括要處理的圖像幀數(shù)以及一些算法中的參數(shù)，首先通過粒子識別后對數(shù)據(jù)存儲 并且對存儲的數(shù)據(jù)通過匹配算法進(jìn)行匹配計(jì)算得出匹配后的圖 像 4 2 常見的 PTV 匹配算法原理 最近鄰法 假定某一區(qū)域的粒子密度不大，兩幀圖像之間同一粒子運(yùn)動的位移足夠小，則將該區(qū)域第一幀圖像中的粒子坐標(biāo)作為該區(qū)域測量的速度矢量的起點(diǎn)，以第一幀圖像中的一個(gè)粒子坐標(biāo)為圓心，在第二幀圖像中尋找與第一幀中選定粒子距離最近的粒子，認(rèn)為它就是與第一幀中所選定粒子相匹配的粒子，并將已匹配的粒子做上標(biāo)記，繼續(xù)進(jìn)行同一幀圖中其他粒子的匹配。為了能使該算法能同時(shí)滿足精度和運(yùn)算效率上的要求，就需要對各種常見 的算法進(jìn)行對比分析，并且選出最合適的算法然后對其實(shí)現(xiàn)。而人工神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)，使得粒子匹配的過程有可能完全自動進(jìn)行，而且有可能保證較低的錯誤率，但這類方法需要耗費(fèi)非常多的計(jì)算時(shí)間，而且有些人工神經(jīng)網(wǎng)絡(luò)實(shí)用性還不夠好，但是未來 PTV 發(fā)展的方向應(yīng)該是這種基于模式識別和人工神經(jīng)網(wǎng)絡(luò)的自動低錯誤率的粒子匹配方法。在 PTV 技術(shù)中，當(dāng)?shù)玫竭B續(xù)兩幀或者多幀圖像時(shí)，接下來最關(guān)鍵也是最困難的一步就是對這兩幀或者多幀圖像中的粒子進(jìn)行正確的匹配。因?yàn)槿狈ψ銐蚩尚诺臏y量數(shù)據(jù)和資料，本來就極為復(fù)雜的紊 流研究就變得更加困難。因?yàn)榱黧w的運(yùn)動非常復(fù)雜而且多變，所以它的運(yùn)動規(guī)律一直是人類研究的重點(diǎn)，而將流體力學(xué)的研究 成果用到生產(chǎn)生活中更是人類最終的目標(biāo)。Matching algorithm。 PTV圖像的處理過程主要包括粒子識別和粒子配對過程，在 PTV 技術(shù)研究中，粒子識別過程一般采用統(tǒng)一灰度閾值的方法來確認(rèn)，粒子配對則有許多不同的匹配方法。首先使用脈沖片光源照射流場中的一個(gè)測試平面，利用這些粒子對光的散射作用，使用成像的方法記錄下流場中粒子的位置，然后對連續(xù)兩幀或者多幀圖像進(jìn)行處理分析，得出各點(diǎn)粒子的位移，最后根據(jù)粒子位移和曝光的時(shí)間間隔，便可以 計(jì)算出流場中各點(diǎn)的速度矢量，進(jìn)而可以得到其他的參數(shù)。 Its theory is very simple: dropping seeding particles in a field, let’s suppose the movement of seeding particles significantly represents the movement of the fluid’s , we make the pulse piece light source to ray a testing plane in the field,utilizing the scattering effect of the particles to light, making use of the imaging method to record the location of the particles in the flow field, then analyzing two or more images which are in series, the result is the displacement of every particle, in the end, in accordance with the displacement of a particle and the time interval of exposure ,we can caculate the speed vector of ev