Since the popularity of digital particle image velocimetry technique (DPIV), many PIV image processing algorithms have been proposed. Amongst them, fast Fourier transform (FFT) Cross Correlation, Discrete Window Offset Cross Correlation, Iterative Multigrid Cross Correlation, Iterative Image Deformation Cross Correlation and cross correlation based particle tracking methods are widely used algorithms and have been extensively studied by researchers. All of these algorithms have their advantages and disadvantages in terms of computational load and measurement accuracy. To choose a suitable algorithm, researchers not only need to understand the complex principles of these algorithms, but also need to find out their applicable flow conditions. This could greatly increase work load for PIV users who focus more on flow structure itself instead of PIV algorithms. It is therefore necessary to develop a method which can choose PIV algorithms wisely according to the input PIV images. This paper firstly reviews the development of PIV algorithm with mainly focus on analysing advantages and disadvantages of six widely used algorithms. By using both synthetic and real PIV images, comparative studies are then carried out among these algorithms. The tests give a rate for the performance of the algorithms and provide a parameter to automatically separate pattern match and particle tracking algorithms. Based on qualitative and quantitative analysis, an automated PIV image processing method—SmartPIV is proposed and tested by both synthetic and real PIV images. For all the three test cases, the SmartPIV successfully picks the most suitable algorithm and gives very promising results

چکیده

به دلیل محبوبیت تکنیکِ سرعت سنجی تصویر ذرات دیجیتال (DPIV)، الگوریتم ­های بسیاری برای پردازش تصویرPIV ارائه شده است. در میان آنها، الگوریتم ­های همبستگی متقابلِ تبدیل فوریه سریع (FFT)، همبستگی متقابلِ افست پنجره گسسته، همبستگی متقابل چند-شبکه ­ای (Multigrid) تکراری، همبستگی متقابلِ تغییر شکل تصویر به صورت تکراری و روش ­های ردیابی ذرات مبتنی بر همبستگی متقابل، استفاده زیادی داشته و به طور گسترده توسط محققان مورد بررسی قرار گرفته است. همه این الگوریتم­ ها از نظر بار محاسباتی و دقتِ اندازه­ گیری، مزایا و معایب خود را دارند. محققان برای انتخاب یک الگوریتم مناسب، نه تنها نیازمند درک اصول پیچیده­ ی این الگوریتم ­ها هستند، بلکه باید شرایط اجرای آنها را نیز بفهمند. این ممکن است تا حد زیادی بار کاری را برای کاربران PIV که به جای الگوریتم­ های PIV، بیشتر بر خود ساختار جریان تمرکز دارند، افزایش دهد. بنابراین توسعه یک روش که بتواند به صورت عاقلانه الگوریتم PIV را با توجه به تصاویر PIV ورودی انتخاب نماید، ضروری است. در این مقاله ابتدا توسعه الگوریتم PIV با تمرکز عمده بر تجزیه و تحلیل مزایا و معایب شش الگوریتم پر استفاده، بررسی می­ شود. سپس با استفاده از تصاویر PIV مصنوعی و واقعی، مطالعات تطبیقی ​​بین این الگوریتم ها انجام می­ شود. این آزمون­ ها عملکرد الگوریتم ­ها را رتبه ­بندی کرده و پارامتری برای تفکیک خودکار الگوریتم­ های تطبیق الگو و ردیابی ذرات ارائه می­ کند. بر اساس تجزیه و تحلیل کیفی و کمی، یک روش پردازش تصویرPIV خودکار (SmartPIV) پیشنهاد شده و با تصاویر PIV مصنوعی و واقعی آزمایش شده است. در هر سه مورد آزمون، SmartPIV با موفقیت مناسب­ ترین الگوریتم را انتخاب کرده و نتایج بسیار امیدوار کننده ­ای دارد.

1-مقدمه

در دهه­ های اخیر، با پیشرفت فناوری تصویربرداری دیجیتال و محبوبیت کامپیوترهای قدرتمند و مقرون به صرفه، سرعت سنجی تصویر ذرات با عکاسی معمولی به سرعت با DPIV جایگزین شد [1]. استفاده گسترده از حالت یک بار مواجهه (single exposure) و ضبط دو/چند فریم نیز با این روند مرتبط است. پس از آن، همبستگی متقابل و روش ­های مشتق شده از آن، تبدیل به محبوب­ ترین الگوریتم ­ها برای پردازش فریم­ های تک-مواجهه شدند (single exposure)...