-
利用上述生成的数据集和所搭建的网络进行训练后,笔者得到了一个可以直接对畸变PIV图像进行校正的神经网络。为了评价训练后的神经网络校正性能,通过图2所示的实验平台单独采集了200帧连续的无畸变理想PIV图像,然后在实验平台上加扰动气流,通过Shack-Hartmann传感器采集并计算得到的2 000帧波前畸变Zernike系数,通过1/10采样得到200个PSF卷积核,根据2.1中所述的图像退化模型再次生成了一个测试数据集。重新采集PIV图像可以验证神经网络是否产生了过拟合现象。
首先为了对图像的校正效果进行评价,通过计算畸变PIV图像和校正后PIV图像与输入理想PIV图像之间的均方误差(MSE)、峰值信噪比(PSNR)和结构相似性指数(SSIM),来验证了训练后神经网络的性能。这3个评价指标是图像恢复、图像压缩、图像超分辨重建等领域广泛应用的评价指标。其中MSE即两幅
$m \times n$ 大小的图像$Y$ 和$X$ 之间的均方误差值,定义为:而峰值信噪比表示的是信号最大可能功率和影响它表示精度的破坏性噪声功率的比值,单位为分贝,通过MSE定义的,定义如下:
式中:
$MA{X_Y}$ 代表图像中像素的最大值。一般像素值由$B$ 位二进制表示的图像数据中,$MA{X_Y} = {2^B} - 1$ 。由于数据集中图像数据格式为uint8型,即每个像素由8位二进制表示,故像素最大值为255。一般来说,MSE值越小,PSNR越大代表图像质量越好,且根据经验,PSNR在30~40 dB之间代表图像质量较好,而低于20 dB说明图像质量非常差。结构相似性指数(Structural Similarity),即SSIM是衡量两幅图片相似性的指标,它基于两幅图片之间亮度
$l$ 、对比度$c$ 和结构$s$ 3个参数的比较,SSIM中的3个参数定义如下:式中:
$\mu $ 为图像均值;$\sigma $ 为图像方差;${\sigma _{xy}}$ 为两幅图像协方差;$C$ 为常数。一般$\alpha = \beta = \gamma = 1$ ,${C_3} = {C_2}/2$ ,从而得到SSIM:SSIM取值在0~1之间,值越大,即越接近1,则表示图像相似程度越高,对于应用来说,代表畸变造成的失真就越小。
将200帧测试集畸变图片通过训练后的神经网络进行校正,并按照上述评价方法对200帧图像对的图像质量进行计算,结果如表1所示。同时,将结果与Sroubek等人[23]所提出的图像盲反卷积算法进行了比较。该方法是盲反卷积算法中较为快速且鲁棒的一种算法,在这种方法中,盲反卷积问题被近似为了L1正则化优化问题,通过对图像和点扩散函数进行交替迭代优化而找到反卷积的最优解。为了增加迭代的收敛速度,算法通过变量拆分将每步迭代转换为一个约束问题,然后使用增广拉格朗日方法(Augmented Lagrangian method, ALM)进行处理,从而可以在傅立叶域中实现简单快速的实现。算法的实现由作者所公布的开源代码而完成。
Distorted PIV image Corrected PIV image Restored PIV image by ALM MSE 0.064 0.00062 0.056 PSNR 12.79 32.16 15.14 SSIM 0.37 0.73 0.39 Table 1. Quality assessment of PIV images before and after correction by trained neural network for 200 frames image pairs
通过结果可以看出:因为光学畸变严重失真的PIV图像在经过训练得到的神经网络校正后,大部分的失真都被校正。而且单独从PSNR的结果可以看出,校正后的PIV图像质量有了很大的改善。而且可以看出,训练后的神经网络校正效果要远远优于盲反卷积算法。图5是从200帧校正结果中比较典型的一帧,可以看出:在输入波前畸变的作用下,原本清晰的理想PIV图像已经产生了人眼可见的失真与模糊,而且粒子的位置分布也产生了误差,在经过神经网络校正后,图像恢复清晰并且与原本的理想PIV图像结果非常接近,粒子分布清晰,为粒子图像的流速计算提供了更为可靠的数据来源。而盲反卷积算法虽然对图像的锐度有一定的提升,但复原后的图像距离理想PIV图像还是有非常的大的差距。
Figure 5. Aberration correction of single frame PIV image. (a) Input wavefront aberration; (b) Original PIV image; (c) Distorted PIV image; (d) Corrected PIV image; (e) Restored PIV image by ALM
此外,为了定量评价神经网络校正对PIV流场测量的改善效果,笔者对上述200帧理想PIV图像,畸变PIV图像以及校正后的PIV图像进行流场速度计算,并以局部和全局的平局测量不确定度作为评价指标,来评价校正效果。在利用图2所示实验装置的采集200帧测试数据集时,PIV相机成像面的流体速度通过水泵喷口控制在6 mm/s左右的范围内进行采集。流场速度的不确定度主要由3部分组成:PIV算法本身引起的测量不确定度
${\sigma _{{\rm{PIV}}}}$ ,流场本身的湍流或不稳定性引起的不确定度${\sigma _{{\rm{flow}}}}$ 以及光学畸变引起的不确定度${\sigma _{{\rm{distortion}}}}$ ,可以定义为:笔者利用Matlab中的PIVlab工具箱对200帧理想无畸变PIV图像,畸变PIV图像以及校正后PIV图像进行了流场速度场计算,并对测量区域的局部不确定度和全局的不确定度的平均值进行计算,结果如图6(其中白色箭头表示局部流场速度大小及方向,背景颜色代表局部测量不确定度大小)和表2所示,可以看出:经过神经网络校正后的PIV图像所计算得到的测量结果相比畸变PIV图像测量精度有了大幅提高,由光学畸变所引起的测量不确定度增加被校正了近97%左右。
$\sigma $ /mm·s−1 $\sigma {\rm{/}}\bar v$ Reduction Ideal PIV 0.736 12.04 % — Distorted PIV 5.003 88.07 % 0 Corrected PIV 0.846 14.23 % 97 % Table 2. Velocity standard deviation and relative standard uncertainty reduced by neural network aberration correction
Aberration correction for flow velocity measurements using deep convolutional neural networks
doi: 10.3788/IRLA20200267
- Received Date: 2020-06-18
- Rev Recd Date: 2020-07-15
- Available Online: 2020-11-03
- Publish Date: 2020-11-03
-
Key words:
- adaptive optics /
- convolutional neural network /
- particle image velocimetry /
- aberration correction
Abstract: Optical imaging-based flow measurement techniques, like particle image velocimetry, are vulnerable to optical distortions caused by inhomogeneous refractive index or fluctuating phase boundaries. These distortions can lead to blurred particle images and uncertain tracer particle position assignment, resulting in a degradation of velocity measurement accuracy. In order to improve the measurement accuracy, adaptive optics system can be applied to correct distortions. For imaging metrology in fluid mechanics, the optical distortions have features of large frequency range, high spatial frequency and large dynamic range. Actuator-based approaches are limited by its performances. In our work, a novel intelligent adaptive optic system was applied to flow measurement, a learning-based aberration correction method without wavefront corrector was demonstrated, which was used to correct distortions in imaging-based flow measurement. A particle image velocimetry setup which can measure wavefront aberration was built to generate training and test dataset for deep neural network, and also the distortion caused PIV image degradation model. The correction performance of the trained neural network was quantitatively evaluated by corrected PIV image quality and flow measurement result.