Reconocimiento y procesamiento de imágenes para la medición de velocidad
superficial no invasiva de flujos de agua etapa procesado imágenes, correla-
ción y flujo óptico.
Autor: Yomar Alfonso Realpe Calderón
Director: Julián Adolfo Ramírez
Técnica PIV (Particle Image Velocimetry)
La velocimetría por imágenes de partículas (PIV) por sus siglas en inglés es una técnica
robusta no invasiva que busca el estudio del comportamiento superficial de fluidos y la
estimación de su velocidad mediante la caracterización de partículas en las imágenes.
Imágenes y la correlación cruzada directa desde un punto de vista matricial
Ya que los sensores CCD de las cámaras son un conjunto matricial de pixeles que adquie-
ren valores de intensidad lumínica entonces las imágenes son matrices de tamaño NxN pi-
xeles, restringidas a una escala de grises respectivamente con una escala de 0 a 255 ente-
ros sin signo, siendo 0 negro y 255 blanco. La correlación cruzada consiste en dividir la
imagen consecutiva o segunda imagen en áreas de interrogación un poco mas pequeñas
que el tamaño total de la imagen de mxm pixeles según el corrimiento de muestreo desea-
do y acorde a la densidad de partículas en las imágenes para el sistema, además de tomar
una plantilla del área central de tamaño nxn pixeles de la primera imagen con la única res-
tricción que N>m≥n. A continuación se muestra la ecuación de correlación cruzada directa
utilizada:
Siendo RAB (x, y) el mapa matricial que almacena los picos máximo de correlación entre
las imágenes y x y y son los corrimientos de muestreo que deben cumplir la siguiente res-
tricción para la buena correlación de las imágenes:
Donde m es el tamaño de la ventana de interrogación (sub-área B) y n es el tamaño de la
sub-área A, generándose un mapa de tamaño (Ix=m-n+1)X(Iy=m-n+1). Por Antecedentes
anteriores documentados y experimentados se prefiere que la sub-área A sea 50% menor
al tamaño de la sub-área B (iesima zona de interrogación) para tener un menor error y una
mejor eficacia del algoritmo PIV. En la siguiente imagen puede observarse lo anterior-
mente expuesto, así como su estructura de operación.
Ahora con una imagen real de 200x200 pixeles tomada bajo un ambiente controlado, co-
mo la que se muestra a continuación se procederá a aplicar los algoritmos.
En la correlación entre las imágenes se debe caracterizar las partículas y eliminar el resto
de características que no nos interesan por lo que se binarizan las imágenes con un umbral
elegido a voluntad según se quiera y lo demande la imagen, en este ejemplo será del 80%
es decir un umbral de 204 en la escala de 0 a 255.
Al aplicar los algoritmos de correlación se busca ver el movimiento de las partículas en
las imágenes siendo el máximo de correlación el lugar dentro de las dos imágenes donde
se obtiene un patrón idéntico de algunas partículas contenidas en la plantilla de la imagen
1 como lo muestra la siguiente imagen de este ejemplo.
Allí se observa los patrones que coinciden de la imagen 2 con la plantilla central tomada
de la imagen 1 con una área de interrogación 4 pixeles menor que el tamaño total de la
imagen y en total con 16 áreas de interrogación en toda la imagen.
Flujo Óptico
El flujo óptico (FO) se define como el movimiento aparente de un patrón de brillo, ya que
esto es lo que observamos realmente cuando un objeto se desplaza, por lo que el flujo óp-
tico y el campo de movimiento son iguales solo si el objeto irradiado no cambia su irra-
diancia en el plano de la imagen mientras se mueve por la escena (fotogramas o imágenes
consecutivas). El método utilizado en este proyecto es el algoritmo de Lucas y Kanade
(Método piramidal) que es un método de mínimos cuadrados. Este algoritmo permite la
extracción de las dos componentes de velocidad utilizando una función ventana para to-
mar los valores de los gradientes espaciales y temporal de dos imágenes consecutivas de
un entorno de vecindad del punto de estudio. la estimación del flujo óptico es por bloques,
es decir, estima el vector de movimiento para el bloque de pixeles, siendo la imagen resul-
tado la suma de niveles calculados. En primer nivel se encuentra la imagen original
(cálculo de variación entre los fotogramas), en el segundo nivel se traza este resultado y
en niveles sucesivos, con barrido de pixeles, se calcula el flujo de movimiento deseado.
Aplicando el algoritmo de flujo óptico propuesto, para el ejemplo anteriormente mencio-
nado, aclarando que para esta técnica es recomendable utilizar las imágenes en escala de
grises ya que como se trabaja con gradientes y vecindades en subregiones determinadas
por la ventana escogida, si usamos imágenes binarizadas se perderá características impor-
tantes.
En la imagen anterior se grafica el resultado del calculo del flujo óptico de las dos imáge-
nes con una ventana de gradientes de 27 pixeles y un factor arbitrario de graficado de 50,
escogida de ese tamaño ya que la característica que muestra esta ventana es la mas apro-
pia a nivel de vecindades para mostrar la realidad del movimiento del flujo con el menor
error posible en las imágenes usadas en el ejemplo, también muestra donde existe mayor
intensidad de movimiento al aumentar la cantidad de vectores y su densidad alrededor de
esas zonas especificas de las imágenes.
En la anterior imagen la ventana es de 18 pixeles, siendo el área de vecindades mas pe-
queña que la de 27 y las comparaciones se hacen en una región mas pequeña de los gra-
dientes espaciales y temporal.
En la Anterior imagen se exagero la ventana de gradientes espaciales y temporal con un
tamaño de 40 pixeles, por lo que varias características de partículas aisladas se perdieron
y se resalto mucho el movimiento del grupo mas grande y denso de partículas distorsio-
nándose el resultado del flujo deseado para representar el comportamiento mas cercano a
la realidad del movimiento de las misma aumentando el error en su calculo.