火焰图像分析计算非拉伸层流燃烧速度

概述

本Python脚本处理恒容燃烧弹 (CVB) 中球形火焰的高速相机图像（.tif 格式），以确定非拉伸层流燃烧速度 ($\text{S}_{L,0}$) 和 Markstein 长度 ($\text{L}$)。它执行图像处理以提取火焰半径，平滑数据，计算火焰传播速度和拉伸率，最后应用 Markstein 线性回归。

功能

• 图像处理: 将 .tif 图像转换为灰度，应用 Otsu 阈值分割，使用轮廓检测识别火焰边界，并拟合圆形以物理单位提取火焰半径。
• 数据预处理: 使用 Savitzky–Golay 滤波器平滑提取的半径-时间数据。
• 火焰速度计算: 计算表观火焰传播速度 ($\text{S}_b$) 并将其转换为相对于未燃气体的火焰速度 ($\text{S}_u$)。
• 拉伸率计算: 确定火焰拉伸率 ($\text{K}$)。
• Markstein 回归: 对 $\text{S}u$ 与 $\text{K}$ 进行线性回归，以获得 $\text{S}{L,0}$ (截距) 和 -$\text{L}$ (斜率)。
• 可视化: 生成原始和平滑火焰半径随时间变化的曲线图、$\text{S}_b$ 随时间变化的曲线图以及 $\text{S}_u$ 与拉伸率 $\text{K}$ 带有回归线的曲线图。
• 数据输出: 将所有处理过的数据（时间、原始半径、平滑半径、$\text{S}_b$、$\text{S}_u$、$\text{K}$）保存到 CSV 文件。

要求

• Python 3.8+
• 以下 Python 包:
  • numpy
  • pandas
  • scipy
  • matplotlib
  • opencv-python (cv2)

设置

1. 创建虚拟环境 (推荐):

   python -m venv lfs

2. 激活虚拟环境:

   source lfs/bin/activate  # 在 Linux/macOS 上
   # lfs\Scripts\activate   # 在 Windows (Command Prompt) 上
   # lfs\Scripts\Activate.ps1 # 在 Windows (PowerShell) 上

3. 安装依赖项:

   pip install -r requirements.txt

使用方法

1. 准备图像数据:

   • 在 flame_image_analysis.py 脚本所在的目录中创建一个名为 flame_images 的文件夹。
   • 将您的球形火焰的高速相机 .tif 图像序列放入 flame_images 文件夹中。请确保它们按时间顺序命名（例如，frame_0001.tif、frame_0002.tif 等），以确保正确的时间排序。

2. 配置参数:

   • 打开 flame_image_analysis.py 并导航到 main() 函数。
   • 根据您的实验设置调整以下参数:
     • image_folder: 图像文件夹的路径 (默认值: 'flame_images')。
     • calibration_factor: 像素到米的转换因子 (例如，如果 1 像素 = 10 微米，则为 1e-5)。
     • frame_rate: 高速相机的帧率，单位为帧/秒 (Hz)。
     • Tu: 未燃气体的初始温度，单位为开尔文 (K)。
     • Tb: 绝热火焰温度，单位为开尔文 (K)，来自平衡计算。
     • window_length: Savitzky–Golay 滤波器的窗口长度。必须是奇数整数 (例如，11)。
     • polyorder: Savitzky–Golay 滤波器的多项式阶数 (例如，3)。
     • output_csv_filepath: 用于保存处理后数据的 CSV 文件名 (默认值: 'processed_flame_data.csv')。

3. 运行脚本:

   python flame_image_analysis.py

输出

成功执行后，脚本将:

• 在控制台打印计算出的 非拉伸层流燃烧速度 (S_L0) 和 Markstein 长度 (L)。
• 显示三张图:
  1. 火焰半径 vs. 时间: 显示原始和 Savitzky–Golay 平滑后的半径数据。
  2. 表观火焰传播速度 (Sb) vs. 时间。
  3. 未燃火焰速度 (Su) vs. 拉伸率 (K): 包含数据点和 Markstein 关系的线性回归线。
• 创建一个名为 processed_flame_data.csv (或您指定的 output_csv_filepath) 的 CSV 文件，其中包含 time、raw_radius、smoothed_radius、Sb、Su 和 K 列。

模块化函数

脚本被组织成几个模块化函数，以提高清晰度和可维护性:

• extract_radius_from_images(image_folder, calibration_factor, frame_rate): 处理图像加载、处理（灰度、阈值、轮廓检测、圆形拟合），并将像素半径转换为物理半径。
• smooth_and_differentiate(time_data, radius_data, window_length, polyorder): 对半径数据应用 Savitzky–Golay 平滑，并计算导数以找出 Sb。
• compute_speeds_and_stretch(sb_data, smoothed_radius_data, Tu, Tb): 根据导出的 Sb 和平滑半径计算 Su 和 K。
• fit_markstein_relation(su_data, k_data): 对 Su 与 K 进行线性回归，以确定 S_L0 和 L。
• plot_results(time_data, raw_radius_data, smoothed_radius_data, sb_data, su_data, k_data, regression_line): 生成并显示所有必需的图表。
• save_data_to_csv(filepath, time_data, raw_radius_data, smoothed_radius_data, sb_data, su_data, k_data): 将完整的处理后数据保存到 CSV 文件。