Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Engineering

Bestemmelse 3D Flow Fields via Multi-kamera Light Field Imaging

doi: 10.3791/4325 Published: March 6, 2013

Summary

En teknik til udførelse af kvantitativ tredimensionale (3D) billeddannelse for en række væskestrømninger er præsenteret. Brug begreber fra området of Light Field Imaging, vi rekonstruere 3D volumener fra arrays af billeder. Vores 3D resultater spænder over et bredt spektrum, herunder hastighedsfelter og multi-fasede boblestørrelse distributioner.

Abstract

Inden for fluid mekanik, har løsningen af ​​beregningsmæssige ordninger overhalet eksperimentelle metoder og udvidet kløften mellem forudsagte og observerede fænomener i væskestrømninger. Således eksisterer der et behov for en tilgængelig fremgangsmåde kan løse tredimensionale (3D) datasæt til en række problemer. Vi præsenterer en ny teknik til at udføre kvantitativ 3D billeddannelse af mange typer af flow felter. 3D teknik muliggør undersøgelse af komplicerede hastighedsfelter og perlende strømme. Målinger af disse typer præsentere en bred vifte af udfordringer for instrumentet. For eksempel kan optisk tætte boblende flerfasede strømme ikke umiddelbart kan afbildes ved traditionelle, ikke-invasive flow måleteknikker grund af boblerne okkluderende optisk adgang til indre regioner af mængden af ​​interesse. Ved at bruge Light Field Imaging vi er i stand til at reparameterize billeder taget af en række kameraer til at rekonstruere et 3D-volumetrisk kort for hver gang eksempel, på trodsdelvise okklusioner i mængden. Teknikken gør brug af en algoritme kendt som syntetisk apertur (SA) refokusering, hvorved en 3D fokal stabel genereres ved at kombinere billeder fra flere kameraer post-fange 1. Light Field Imaging giver mulighed for fangst af kantet, samt geografisk information om lysstrålerne, og dermed muliggør 3D scene rekonstruktion. Kvantitative oplysninger kan derefter udtrækkes fra 3D rekonstruktioner ved hjælp af forskellige algoritmer. I særdeleshed har vi udviklet værdiansættelsesmetoder baseret på Light Field Imaging til at udføre 3D partikel billede Velocimetry (PIV), udtrække bobler i en 3D-felt og sporing grænsen af ​​en flimrende flamme. Vi præsenterer de grundlæggende faktorer for Light Field Imaging metode i forbindelse med vores setup til at udføre 3DPIV af luftstrømmen passerer hen over et sæt af syntetiske vokal folder og viser repræsentative resultater fra anvendelse af teknikken til en boble-medrive kaster jet.

Protocol

1. 3D Light Field Imaging Setup

  1. Starter ved bestemmelse af størrelsen af ​​målevolumenet samt tidsmæssige og rumlige opløsning kræves til undersøgelse af fluidstrøm eksperimentet blev undersøgt.
  2. Beregne den optiske densitet, som vil være til stede i forsøget for at bestemme antallet af kameraer kræves for at generere nyt fokus billeder med godt signal-støj-forhold (SNR) 1, 2 (f.eks PIV man skal beregne partikler per pixel). For 3D SAPIV eksperimentere med de syntetiske vokal folder præsenteres heri, bruger vi 8 kameraer og forventer at opnå en podningstæthed af 0,05-0,1 partikler per pixel (PPP). Dette tal stiger med stigende antal kamera med aftagende udbytte nåede omkring 13 kameraer, SNR falder hurtigt under 5 kameraer.
  3. Monter kameraer i et array-konfiguration på en ramme, således at hvert kamera kan se målingen volumen fra forskellige synsvinkler.
  4. Fastgør kameraer til en central computer for datafangst og visning.
  5. Vælg linser med brændvidder passende for den ønskede forstørrelse og optiske arbejds-afstande. Typisk er den samme type af fast brændvidde linse monteret på hvert kamera til at frembringe tilsvarende forstørrelse i hvert billede.
  6. Anbring et visuelt mål (såsom en kalibrering gitter) i centrum af målevolumenet.
  7. Brug af billedet fra midten kameraet af grupperingen som reference, flytte hele kameragrupperingen frame tættere på eller længere fra målevolumenet at opnå den ønskede forstørrelse.
  8. Næste, skal du adskille de resterende kameraer i array. Afstand kameraerne længere fra hinanden fra hinanden forbedrer den rumlige opløsning i dybdedimension på bekostning af den samlede løses dybde 1. Bemærk: Vi anvender dybde henvise til Z-dimensionen, der er positive over for kameraerne (se figur 1). Forholdet mellem dybden i-Planet opløsning er givet omtrent ved Ligning 1 , Hvor Z er dybden i volumenet, s o er afstanden fra kameraerne til forsiden af volumenet, og D er forholdet mellem kameraets afstand til s o.
  9. Vinkel alle kameraer, således at den visuelle mål i midten af ​​måleområdet tilnærmelsesvis er centreret i hver kamerabilledet.
  10. Med åbningerne helt åbne på hver kameralinsen, fokuserer hvert kamera på det visuelle mål.
  11. Placere en kalibrering mål på bagsiden af ​​målevolumenet. Sørg for, at målet er i lyset af hvert kamera, hvis det ikke er, så afstanden mellem kameraer og måling volumen og / eller kamera afstand behov justering (trin 1,7-1,8).
  12. Luk åbningen i hvert kamera, indtil målet er i fokus i hvert kamera.
  13. Gentag trin 1,11-1,12 med målet ved than forsiden af ​​målevolumenet. Kalibreringen målet bør ligne figur 2 efter hver kamera er justeret.

2. Volumen Illumination Setup

  1. Bestemme den passende metode til belysning af målevolumenet baseret på den specifikke målemetode, der anvendes på strømningsfeltet. For partikel billede Velocimetry (PIV) en laser volumen anvendes.
  2. Vælg en laser med en puls, der kan opnå den ønskede tidsmæssige opløsning af målingen. Laseren kan være enkelt pulset for løst tids-eller dobbelt pulset for frame-skrævende 3.
  3. Anvende optiske linser til dannelse af laserstrålen i en let volumen, der dækker målevolumenet.
  4. Seed lydstyrken med tracer partikler er egnede til PIV målinger 3. Koncentrationen af ​​partikler i væsken bør være store nok til at opnå den ønskede rumlige opløsning, men ikke så stor, at reducere SNR iSA refokuseret billeder under et acceptabelt niveau. Reference 1 indeholder en grundig undersøgelse af opnåelige podningstæthed, men som en tommelfingerregel et billede densitet på 0,05-0,15 partikler per pixel (PPP) er passende for de fleste forsøg med 8 eller flere kameraer. For et fast antal kameraer, mindsker partikler pr pixels for større volumen dybde dimensioner.

3. Kameragrupperingen Kalibrering

  1. Kalibrering kræver indfange en serie af billeder i hvert kamera med et kalibrerings mål (fx en skakternet gitter, se figur 2) flere steder i hele måleområdet. Først skal du vælge mellem to typer kalibrering: enten en multi-kamera selvkalibrering metode eller billeddannelse en kendt kalibrering due der netop bevæget gennem feltet af interesse.
  2. Etablere en reference koordinatsystem i målingen volumen. Dette koordinatsystem er ofte vælges på en måde, der er relevant feller forsøget (fx på linie med aksen af en cylinder, der starter ved den forreste kant af en flad plade, osv.). Her har vi valgt at placere vores net i XY-planet rettet ind på steder langs Z-aksen (figur 1).
  3. Hvis du bruger en multi-kamera selvkalibrering algoritme 4, 5 kalibrerings målområder kan være tilfældig, bortset fra en placering, der netop ligger i referencen koordinatsystem. Placeringen af ​​punkterne på denne præcist anbragt due skal kendes med stor nøjagtighed. I hvert kamera, tage et billede af målet i hvert sted svarende til figur 2.
  4. Hvis der ikke bruges en multi-kamera selvkalibrering algoritme, så kalibreringen målet skal være præcist placeret flere steder i målevolumenet, således at orienteringen af ​​målet i referencekoordinatsystemet kendes med stor nøjagtighed. I hvert kamera, tage et billede af målet i hvert sted.
  5. Identificer punkter på målet i hvert kamera for hvert billede. For selvkalibrering er billedpunkt korrespondancer på tværs af alle kameraer kræves 5, men eksplicitte henvisning-til-billedpunkt korrespondancer er kun påkrævet for de punkter genereret af præcist anbragt mål. For nøjagtigt gennemkøres kalibreringsmetoden der udtrykkelige henvisning-til-billedpunkt korrespondancer påkrævet for alle punkter i alle kameraer.
  6. Anvende den valgte kalibreringsalgoritme at kalibrere alle kameraer. Her har vi valgt at anvende en multi-kamera selvkalibrering algoritme 4, 5 (open source http://cmp.felk.cvut.cz/ ~ SVOBODA / SelfCal / ) og de ​​resulterende fotofælder i forhold til de planer af interesse er vist i figur 3.

4. Timing, Udløsning og dataindsamling

  1. Kvantitativ, tidsopløst lysfelt imaging kræver, at alle cameras og belysning kilder, der skal nøjagtigt synkroniseret, ofte til en relevant eksperimentel begivenhed.
  2. En ekstern impulsgenerator bruges til at udløse kameraet engagementer og belysning sekvenser. Programmere de relevante timing impulssekvenser på impulsgeneratoren. For vokal fold eksperiment anvender vi en rammelignende skrævende sekvens, hvorved laseren pulseres tæt på slutningen af en kameraets eksponeringstid og nær begyndelsen af de næste 3.
  3. Hvis udløsning fra en eksperimentel begivenhed, sørge for, at et passende signal genereres og input til impulsgeneratoren.
  4. Hvis manuel udløsning, foretage hensættelser for udløsning impulsgeneratoren.
  5. Begynd den eksperimentelle datafangst ved at indlede kameraet opsamling og belysning sekvens via den valgte udløser metode.
  6. Selv om det lyder trivielt, når de erhverver den store mængde af data i forbindelse med en multi-kamera lysfelt-imaging eksperiment en god navngivningskonvention er crusielle. Det er nyttigt at overveje, hvordan oplysningerne vil blive brugt fra optagelse til endelig analyse, når de udvikler den navngivningskonvention.

5. Synthetic Aperture Nyt fokus

  1. Vi vil nu genererer en 3D fokal stabel af billeder til frembringelse af en syntetisk fokuseret volumen. Dels definerer afstanden mellem fokusplaner og samlet recentrering dybde, der skal anvendes i den omformede volumen Ligning 1 1, 7. Typisk er brændplanet afstand sat til halvdelen af ​​dybden opløsning og den samlede omlægning dybde reguleres af den region, hvor alle kameraets synsfelter overlapper hinanden. De fokale planer er vinkelret på Z-aksen for referencekoordinatsystemet.
  2. Definer skalaen skal anvendes på billederne, når genprojektion i målevolumenet. Vægten bør være i overensstemmelse med forstørrelsen af ​​de rå billeder for at undgåbetydelig over-sampling eller under-sampling af de genprojicerede billeder.
  3. Etablere transformationer mellem hvert kamera billedplan og hver syntetisk brændplanet.
  4. Udfør billede forbehandling for at fjerne baggrundsstøj og rumme for forskelle i intensitet mellem billeder 1, 7.
  5. Genprojicere billeder på de syntetiske brændpunktsflader, anvendelsen af ​​skalaen og re-prøve billederne. Et sæt af indbyggede Matlab funktioner (billedbehandling værktøjskasse a) kan klare disse opgaver på grund af de fly-til-fly transformationer.
  6. På hver syntetisk fokusplan, anvende enten additive eller multiplikative SA refokusering algoritme 1, 7. For 3D SAPIV applikationer, har vi haft god succes med additiv SA (som anvendes på de vokal folder her). For baggrundsbelyste boble billeder, har det multiplikative SA viste bedre resultater. Som kontrol anvendes igen koncentreres til et plan af kalibrerings billeder for at se, om rekonstruktionen viser som forventet.

    6. Volume Post-behandling

    1. For at estimere de originale genstande i volumen, der genererede lys felt kræver et behandlingstrin kendt som genopbygning. Flere algoritmer eksisterer lige fra simple intensitet tærskling 1 til gradient-baserede fokus metrics 7 til mere komplekse 3D dekonvolution 8. Vælg en rekonstruktion algoritme egnet til anvendelsen. For PIV har vi haft succes med både intensitet tærskelværdiansættelse og 3D dekonvolution. Vi bruger intensitet tærskling her at danne en fokal stak. To fokale stakke fra tid 1 (t 1) og tid 2 (t 2) er krydskorreleret at danne en vektor felt. 3D Light Field Imaging metode i sagens natur resulterer i objekter, der er langstrakte i dybden dimension, som kan påvirke PIV nøjagtighed, en god rekonstruktion algoritme forsøger at afbøde denne forlængelse.
    2. Efter genopbygningen trin, kan funktioner i volumen skal være eller extiltrukket at give mulighed for måling af størrelse, form osv. De algoritmer, der benyttes til feature extraction er varierede og afhænger af det program 7. At udtrække bobler, for eksempel kræver et middel til at lokalisere boble funktioner og definere deres størrelse. For PIV applikationer, har vi ikke eksplicit fjerner partikler og dette trin kan springes over.
    3. For 3D SAPIV applikationer, parse genopbygning volumen i mindre forhørsmetoder volumener og anvende en passende krydskorrelation baserede PIV algoritme til at måle vektorfelt 1, 3.

    en maketform: konstruerer et fly til fly transformation & imtransform: kort og resamples et billede baseret på transformationer fra maketform.

Representative Results

Høj kvalitet rå PIV billeder indeholder ensartet fordelte partikler optræder med høj kontrast mod den sorte baggrund (figur 4a). For at kompensere for ikke-ensartet belysning hen over billedet, kan billedet forbehandling udføres for at fjerne lyse områder, justere kontrast og normalisere intensitet histogrammer på tværs af alle de billeder fra alle kameraer (figur 4b). Når eksperimentet podes til en passende densitet og en nøjagtig kalibrering udføres, koncentrerede SA billeder vil afsløre i fokus partikler på hver dybde plan (fig. 5). Hvis måleområdet er overstået udsåede, vil SNR i de seneste ændringer billeder være lav gør det vanskeligt at rekonstruere partiklerne. SA refokuseret billeder med godt SNR kan blive tærskelværdisammenlignet at holde i fokus partikler på hver dybde plan. Figur 6 viser to tærsklingsbehandlede billeder fra to tidstrin på Z = -10,6 mm dybde plan. Den tærskel-volume analyseres derefter i forhør volumener, der indeholder et tilstrækkeligt antal partikler til udførelse PIV 3. Påføring af en 3DPIV algoritme til parset volumen giver en fluidhastighed felt vist i figur 7, i dette tilfælde, er strømmen felt, der induceres af en model vokal fold. Hastigheden af ​​strømningsfeltet uden for strålen er meget lille, således meget få vektorer kan ses uden for denne region. Ved t = 0 ms vokalen klappen er lukket, og meget lidt hastighed på området er til stede. Den største hastighed i strålen ved t = 1 msek bevæger sig i den positive y-retning og reducerer i intensitet fra t = 2-4 msek. Folden lukker ved t = 5 msek reducerer strålehastighed og cyklen gentages. Disse billeder har ikke den samme glathed så mange tidligere forfattere 9, der udgør op til 100 gennemsnitsdata billeder som hver hastighed præsenteret felt repræsenterer et enkelt øjebliksbillede. Som et referencepunkt, har tidligere simuleringer vist typiske fejl på beregned hastigheder for at være af størrelsesordenen 5-10% på hver hastighedskomponent, som omfatter fejl fra PIV algoritmen som sådan 1, for den algoritme, vi anvender (MatPIV 11 indrettet til 3D), er denne fejl vides at være stor i forhold til andre koder.

Bubbly strømme er et andet område af videnskabelig interesse, der kan drage fordel af de 3D-muligheder Light Field Imaging. SA teknikken kan ligeledes anvendes til boblende strømningsfelter, hvor laserlyset er erstattet med diffus hvid baggrundsbelysning, hvilket resulterer i billeder, som er vist i figur 8a hvor boblerne kanterne mørke mod den hvide baggrund. Efter selvkalibrering, kan det multiplikative variant af SA algoritmen anvendes til opnåelse af en fokal stak med bobler skarpt fokuseret på dybden plan, svarer til dybden af boblen og sløret fra visning på andre planer, som vist i figur 8b-d 7. Simple tærskelværdiansættelse ikkeen god metode til ekstraktion af bobler i stedet en serie af avancerede feature extraction algoritmer udnyttes som beskrevet i 7.

Figur 1
Figur 1. Billede af kameraer og vokal folder med etiketter og koordinere system.

Figur 2
Figur 2. Kalibrering gitter på Z = 0 mm set fra alle 8 kameraer.

Figur 3
Figur 3. Topview af kameraets opsætning fra multi-kamera selvkalibrering output. Kameraer 1-8 er placeret med tal og cirkler, med deres generelle visning direction angivet med en linje. Den røde klat nær oprindelsen er faktisk 400 + point fra kalibreringen nettet på hver Z dybde afbildet i 3D i forhold til kameraerne.

Figur 4
Figur 4. Rå billeder af partiklen feltet set fra kameraet # 6 ved t1 og t2 (a & b). Samme billeder efter forbehandling (c & d).

Figur 5
Figur 5 Fra venstre til højre:. Raw nyt fokus SAPIV billeder på dybder (a) Z = -5,9 mm, (b) -10,6 mm og (c) -15,3 mm.

Figur 6
Figur 6. Thresholded billeder ved tidstrin (a) t 1 og (b) t 2 ved Z = -10,6 mm.

Figur 7
Figur 7. Tre-dimensionel vektor felt af strålen skabt af syntetiske vokal folder til 6 tidstrin. Den venstre side viser en isometrisk afbildning af hele 3D hastighedsfelt. Nedskæringer i xy og yz fly sker gennem midten af ​​den vokale fold som angivet ovenfor hver kolonne.

Figur 8
Figur 8 Fra venstre til højre:. Raw billede af boblende flow felt fra kameragrupperingen og nyt fokus billeder på dybder (b) Z = -10 mm, (c) 0 mm og (d) 10 mm.Cirklen fremhæver en boble, der ligger på Z = -10 mm dybde flyet, og forsvinder ud af syne på andre planer. Nærmere oplysninger om boble eksperimenter kan findes i 4.

Discussion

Flere trin er afgørende for korrekt udførelse af et lysfelt Imaging eksperiment. Lens udvælgelse og kamera placering bør vælges med omhu for at maksimere opløsningen i måleområdet. Kalibrering er måske den mest kritiske skridt, da SA refokusering algoritmer vil undlade at producere skarpt fokuserede billeder uden præcis kalibrering. Heldigvis, multi-kamera selvkalibrering letter præcis kalibrering med et relativt lavt niveau af indsats. Ensartet belysning i alle billeder, som giver god kontrast mellem objekterne af interesse og baggrunden er også nødvendigt, selv billedbehandling kan normalisere billederne til en vis grad.

Timingen er også vigtig, når der udføres SA om mængder, der er bevægelige objekter. Hvis hver kameraet ikke udløses til at tage et billede på samme tid, vil billedet genopbygning naturligvis være unøjagtig. For eksperimenterne i dette papir, vi udnyttede timingsekvens shown i figur 7.

3D lysfelt billedbehandlingsprogrammer præsenteret heri inddrage en rumlig opløsning trade-off. For eksempel kan 3D SAPIV rekonstruere partikel mængder fra optisk tætte partikel billeder, men partiklerne er fordelt over hele et (potentielt stort) volumen. For 2D PIV er partiklerne fordelt over et tyndt lag, og således billeder med den samme partikeldensitet svarer til en meget større densitet i målevolumenet. Ikke desto mindre 3D SAPIV metoden giver mulighed for langt større seeding tætheder at andre 3D PIV metoder 1. Et andet potentielt begrænsende hensyn er den relativt store beregningsmæssige intensitet forbundet med lysfelt Imaging metoder beregningskompleksiteten er typisk for billedbaserede 3D ​​rekonstruktion metoder såsom tomografisk-PIV 10.

Til dette eksperiment brugte vi 8 Photron SA3 kameraer er udstyret med Sigma 105 mm makroobjektiver og en Quantronix Dual Darwin Nd: YLF laser (532 nm, 200 mJ). De kameraer og laser blev synkroniseret sammen via en Berkley Nucleonics 575 BNC digital delay / impulsgenerator. Fluidstrømmen blev podet med Expancel helium fyldt glasmikrokugler. Mikrokuglerne havde en gennemsnitlig diameter på 70 um med en densitet på 0,15 g / cc. Vi tilbyder open source-versioner af de koder, der anvendes heri for det akademiske samfund via vores hjemmeside http://www.3dsaimaging.com/ og vi opfordrer brugerne til at give os feedback og deltage i at forbedre og levere brugbare koder til kvantitativ lysfelt samfund.

Disclosures

Vi har intet at afsløre.

Acknowledgments

Vi vil gerne takke NSF tilskud CMMI # 1126862 til finansiering af udstyr og udvikling af de syntetiske apertur algoritmer på BYU, In-house Laboratory Frie Forskningsråd (Ilir) midler (overvåget af Dr. Tony Ruffa) til finansiering af udstyr og udvikling hos NUWC Newport, og NIH / NIDCD tilskud R01DC009616 til finansiering SLT, DJD og Jrn og data vedrørende de vokale fold eksperimenter og University of Erlangen Graduate School i Advanced Optical Technologies (SAOT) for delvis støtte af SLT. Endelig Rocky Mountain NASA Space Grant Consortium til finansiering Jrn.

References

  1. Belden, J., Truscott, T. T., Axiak, M., Techet, A. H. Three-dimensional synthetic aperture particle imaging velocimetry. Measurement Science and Technology. 21, (12), 125403 (2010).
  2. Wilburn, B., Joshi, N., Vaish, V., Talvala, E. -V., Antunez, E., Barth, A., Adams, A., Horowitz, M., Levoy, M. High performance imaging using large camera arrays. ACM Trans. Graph. 24, 765-776 (2005).
  3. Raffel, M., Willert, C., Wereley, S., Kompenhaus, J. Particle image velocimetry - A Practical Guide. Springer-Verlag. Berlin. (2007).
  4. Belden, J. Auto-Calibration of Multi-Camera Systems with Refractive Interfaces. Experiments in Fluids. In Review (2013).
  5. Svoboda, T., Martinec, M., Pajdla, T. A convenient multi-camera self-calibration for virtual environments. PRESENCE: Teleoperators and Virtual Environments. 14, (4), 407-422 (2005).
  6. Synthetic aperture focusing using a shear-warp factorization of the viewing transfor. Vaish, V., Garg, G., Talvala, E., Antunez, E., Wilburn, B., Horowitz, M., Levoy, M. 3, 129 (2005).
  7. Belden, J., Ravela, S., Truscott, T. T., Techet, A. H. Three-Dimensional Bubble Field Resolution Using Synthetic Aperture Imaging: Application to a Plunging Jet. Experiments in Fluids. Accepted (2012).
  8. Levoy, M., Ng, R., Adams, A., Footer, M., Horowitz, M. Light field microscopy. ACM Transactions on Graphics. 25, (3), (2006).
  9. Triep, M., Brücker, C. Three-dimensional nature of the glottal jet. Journal of the Acoustical Society of America. 127, 1537-1547 (2008).
  10. Elsinga, G., Scarano, F., Wieneke, B., van Oudheusden, B. Tomographic particle image velocimetry. Experiments in Fluids. 41, 933-947 (2006).
  11. MatPIV [Internet]. Available from: http://folk.uio.no/jks/matpiv/index2.html (2004).
Bestemmelse 3D Flow Fields via Multi-kamera Light Field Imaging
Play Video
PDF DOI

Cite this Article

Truscott, T. T., Belden, J., Nielson, J. R., Daily, D. J., Thomson, S. L. Determining 3D Flow Fields via Multi-camera Light Field Imaging. J. Vis. Exp. (73), e4325, doi:10.3791/4325 (2013).More

Truscott, T. T., Belden, J., Nielson, J. R., Daily, D. J., Thomson, S. L. Determining 3D Flow Fields via Multi-camera Light Field Imaging. J. Vis. Exp. (73), e4325, doi:10.3791/4325 (2013).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
simple hit counter