PTV particle detection学习记录

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，$G$ 是灰度像素强度阵列，$x_0$ 和 $y_0$ 是粒子图像中最亮像素的坐标，$I_0$ 是强度，$\sigma$ 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 $x$ 或 $y$ 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

$Takehara$ 和 $Etoh$ 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。 $Takehara$ 和 $Etoh$ 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​)