基于本征正交分解(POD)的PIV数据坏点剔除方法..docxVIP

基于本征正交分解（POD）的PIV数据坏点辨识方法摘要：1.引言：粒子图像测速技术是一种基于图像互相关的激光测速技术。在进行PIV实验的过程的由于示踪粒子浓度不均匀、激光强度分布不均、粒子成像质量差等原因容易造成互相关峰值不确定1，出现所谓的“坏点”。最近几年发展起来的3D3CPIV2, 3，由于在重构空间粒子场的时候会不可避免的引入虚假粒子，进一步增加了流场中了坏矢量。因此，坏矢量的剔除和重建是PIV数据后处理的一个重要内容。一般通过对比该点误差与周围3*3或5*5邻域内平均误差来确定该点是不是坏点。目前比较通用并且效果很好的是Westerweel和Scarano 提出的归一化中值检测方法4（normalized median test）。考虑一个位移矢量和其周围的相邻矢量。用表示的中值，用表示残差，定义为（i=1,2,…8）。的残差用的中值归一化后得到下面的公式：其中是与流场的平均噪音有关的量，一般设为0.1-0.2 pixel。对于平面PIV，的阈值设为24，大于该阈值的点被认为是坏点。其他坏点识别的方法与该方法原理相同，基本上都是基于相邻点的统计特性判断该点的性质。这种方法有缺陷，一是只能用到少量相邻点的值，忽略了流场的全场特性；二是局部相邻点的速度矢量很有可能也是坏点，导致判断的结果不可靠；三是的阈值需要根据流中坏点的多少确定，在实际运用中并不能精确的知道坏点所占的比例。因此，本文作者提出了基于POD的坏点检测方法。该方法对周期性或类周期性流场PIV数据的后处理有很好的效果。本文的结构安排如下：首先在第二节简单的介绍了本征正交分解的原理，推导了POD与流场湍动能的关系；在第三节对流场的误差进行了数值模拟，讨论了误差对POD分解的影响以及详细的介绍了基于POD的坏点剔除方法；一个真实PIV计算出的流场运用该方法进行了坏点剔除并和归一化中值检测方法进行了比较，这在第四节给出；第五节是结论。2.POD原理POD是一种从统计意义上提取流场中主要流动结构的方法，可以实现对复杂非线性系统的线性降维处理。这种方法最早由Lumley（1967年）引入湍流的研究，用于辨识大尺度拟序结构，后来Berkooz5等人对POD方法给出了系统的介绍。POD方法就是要找出和原流场最相似的流动模态5，对于复杂流场这样的流动模态不止一个，于是可以假设流场是一系列POD基模态的线性组合，即：其中是不同时刻的速度场，代表POD的第k阶模态，代表与第k阶模态相关的时间系数。POD的模态满足正交关系：从数学上可以从下面的公式解出： （8）其中C是和的两点互相关系数，即。这里我们着重讨论一下特征值的取值。对于两点互相关矩阵C中的元素Cij有计算公式：一般都是用速度的脉动场进行POD分解的，式中代表的是速度脉动。当拥有足够多的不同时刻流场的数据时，不论是对于classical POD还是snapshot POD，都代表流场的湍动能，而且不会有太大的变化，即在Cij的公式中分母基本都相同，这也正是可以直接用Kij替换Cij带入公式8计算的原因。因此，当对归一化后，特征值就是一个与该阶模态的湍动能有关的量。越大，该阶模态所含的湍动能越多，也就是说POD可以按能量提取流场的主要特征。详细的介绍可以参考文献5。3.误差模拟分析3.1 模拟方法评价PIV计算结果好坏的一个重要指标就是坏点所占的百分比。一般来说，在PIV中存在两类误差。一类是以单个点形式出现的错误矢量，这类误差大小和分布都带有明显的随机性，主要是由于查询窗内互相关信噪比太低峰值不明确造成的；另一类误差成片形式出现，通常有好几个误差向量集中在同一个区域，这种误差很有可能是由于图像在这一区域粒子太少或质量太差造成的。设误差向量的连通区域的大小为，当时表示单个误差矢量，表示两个误差矢量连在一起，以此类推。为了得到的分布，对一个PIV计算出来的真实的流场用归一化中值检测方法检识别坏点，然后统计坏点连通区域的分布。得到图 1中的统计结果。从直方图中可以看出单个误差矢量出现的概率最高，连通区域越大出现的概率越小。对数据进行高斯拟合得到光滑的拟合曲线：代表该类型误差占所有向量的比例。误差的大小在查询窗内随机分布。当流场误差总的个数确定后，按该概率密度函计算不同类型的误差并添加到基本流场之上，完成误差场的模拟。图 1误差向量连通区域的概率密度分布图 2Q=3%时模拟结果基本流场取自一套平滑过后的圆柱扰流的平面PIV数据。该数据在北京航空航天大学低速水槽完成，自由来流速度为35mm/s。圆柱水平放置在水槽中间直径为10mm。雷诺数为250。在流场中撒播直径为5μm ，密度为1.05gmm-3的空心玻璃微珠作为示踪粒子，用一台2w的激光器照亮测量区域。相机的分辨率为640*480，采样频率为80Hz。在进行互相关计算时采用了