Analyse des images d’ombroscopie
CHAPITRE 3. ANALYSE DES IMAGES D’OMBROSCOPIE
3.7 Conclusion du chapitre 3
Dans ce chapitre nous avons vu les outils mis en place pour réaliser des mesures par imagerie. Plus précisément :
— Dans la section3.1une méthode de contours actifs basée sur le modèle de Chan-Vese est uti-lisée pour segmenter la région du propergol de façon visuellement très précise pour des essais inertes et aluminisés. Cette surface est utilisée notamment pour estimer la distance parcourue par les particules mesurées dans l’écoulement.
— La section3.2propose la méthodeMSERpour détecter les objets dans l’écoulement. Les per-formances de détection sont estimées à une précision supérieure à 80 % et un rappel supérieur à 90 % pour les séries inertes. Une méthode de classification est ensuite introduite permettant de différencier les agrégats des particules et dont la performance est évaluée par un F1-Score proche de 0.95.
— La section3.3présente la méthode de pistage Dettracker qui a été utilisée pour associer les détections ainsi que les post-traitements réalisés pour conserver uniquement les pistes ayant une dynamique cohérente. Cette chaîne de traitement de détection/pistage apporte un gain notable par rapport aux traitements utilisés précédemment à l’ONERA pour l’analyse des sé-quences d’ombroscopie.
— La méthode de correction de diamètre pour tenir compte des effets de défocalisation des par-ticules a été présentée dans la section3.4et validée sur un essai inerte.
— Les mesures d’évolution du diamètre et de la vitesse en fonction de la distance à la surface du propergol, qui sont effectuées sur des pistes individuelles, sont présentées en section3.5, avec une analyse des sources d’incertitudes et de leur importance relative.
— La section3.6présente les résultats obtenus pour plusieurs séries d’images en appliquant les méthodes de traitement présentées précédemment :
— La mesure de taille menée en section3.6.1apparaît précise pour certaines séries mais conduisant à une surestimation de diamètre systématique parfois importante sur cer-tains essais. Une analyse plus approfondie des raisons de ces biais de mesure devra être menée à l’avenir.
— Les mesures de vitesse ont été menées en section3.6.2sur plusieurs séries en regard d’une analyse utilisant un modèle 1D simple de l’évolution de la vitesse d’une particule inerte dans un écoulement. Les mesures apparaissent relativement cohérentes avec la simula-tion en moyenne et en dispersion. Les mesures de profils moyens de vitesse font appa-raître des biais liés notamment à la difficulté de pistage des particules les plus rapides lorsque l’on s’éloigne de la surface du propergol. Une sélection des pistes sur des inter-valles de diamètre communs aux différents essais permet d’affiner leur comparaison en cohérence avec l’interprétation physique.
— La comparaison entre expérience et simulation trouve ses limites non seulement du fait des erreurs de mesure mais aussi des hypothèses très simplificatrices du modèle 1D utilisé : le cha-pitre suivant tentera de raffiner cette comparaison en s’appuyant sur un modèle de simulation plus performant.
CHAPITRE 3. ANALYSE DES IMAGES D’OMBROSCOPIE
3.8 Références
BEUCHER, S. et F. MEYER. 1992, «The morphological approach to segmentation : the watershed
transformation», Optical Engineering-New York-Marcel Dekker Incorporated-, vol. 34, p. 433– 433.49
BLACKMAN, S. S. 1986, «Multiple-target tracking with radar applications», Dedham, MA, Artech
House, Inc., 1986, 463 p.75
BLACKMAN, S. S. 2004, «Multiple hypothesis tracking for multiple target tracking», IEEE Aerospace
and Electronic Systems Magazine, vol. 19, no 1, p. 5–18.75
BLAISOT, J. et J. YON. 2005, «Droplet size and morphology characterization for dense sprays by
image processing : application to the diesel spray», Experiments in fluids, vol. 39, no 6, p. 977– 994.79,80,81,82
BOUWMAN, A. M., J. C. BOSMA, P. VONK, J. H. A. WESSELINGHet H. W. FRIJLINK. 2004, «Which
shape factor (s) best describe granules ?», Powder Technology, vol. 146, no 1-2, p. 66–72.67
CASELLES, V., F. CATTÉ, T. COLLet F. DIBOS. 1993, «A geometric model for active contours in image
processing», Numerische mathematik, vol. 66, no 1, p. 1–31.50
CASELLES, V., R. KIMMELet G. SAPIRO. 1997, «Geodesic active contours», International journal of
computer vision, vol. 22, no 1, p. 61–79.51
CASTAINGS, T. 2014, «Documentation technique du logiciel dettracker de filtrage, détection et
pis-tage», cahier de recherche, ONERA DTIM.75
CHAN, T. F. et L. A. VESE. 2001, «Active contours without edges», IEEE Transactions on image
pro-cessing, vol. 10, no 2, p. 266–277.51
CLIFT, R., J. R. GRACEet M. E. WEBER. 2005, Bubbles, drops, and particles, Courier Corporation. 85
FUKUNAGA, K. et L. HOSTETLER. 1975, «The estimation of the gradient of a density function, with
applications in pattern recognition», IEEE transactions on information theory, vol. 21, no 1, p. 32–40.49
HARRISON, J. et M. BREWSTER. 2009, «Analysis of thermal radiation from burning aluminium in
solid propellants», Combustion Theory and Modelling, vol. 13, no 3, p. 389–411.80
HOROWITZ, S. L. et T. PAVLIDIS. 1976, «Picture segmentation by a tree traversal algorithm», Journal
of the ACM (JACM), vol. 23, no 2, p. 368–388.49
KASS, M., A. WITKINet D. TERZOPOULOS. 1988, «Snakes : Active contour models», International
journal of computer vision, vol. 1, no 4, p. 321–331.50
LLOYD, S. 1982, «Least suqares quantization in pcm», IEEE transactions on information theory, vol. 28, no 2, p. 129–137.49
LOTTIN, D. 2013, Dimensions fractales, morphologie et caractéristiques dimensionnelles 2D et 3D
d’agrégats de nanoparticules de suie aéronautique : Etude par microscopie électronique en trans-mission et tomographie électronique, thèse de doctorat, Aix-Marseille.67
MALLADI, R., J. A. SETHIAN et B. C. VEMURI. 1993, «Topology-independent shape modeling
scheme», dans Geometric Methods in Computer Vision II, vol. 2031, International Society for Optics and Photonics, p. 246–259.50
CHAPITRE 3. ANALYSE DES IMAGES D’OMBROSCOPIE
MATAS, J., O. CHUM, M. URBANet T. PAJDLA. 2004, «Robust wide-baseline stereo from maximally stable extremal regions», Image and vision computing, vol. 22, no 10, p. 761–767.60,62
MUMFORD, D. et J. SHAH. 1989, «Optimal approximations by piecewise smooth functions and
associated variational problems», Communications on pure and applied mathematics, vol. 42, no 5, p. 577–685.51
NUGUE, M., R. W. DEVILLERS, G. LEBESNERAISet N. CESCO. 2016, «Particle detection & size eva-luation in solid propellant flames via experimental image analysis to improve two-phase flow simulation in rocket motors», Space Propulsion Conference.65,66,67
OSHER, S. et J. A. SETHIAN. 1988, «Fronts propagating with curvature-dependent speed : algo-rithms based on hamilton-jacobi formulations», Journal of computational physics, vol. 79, no1, p. 12–49.49,50
OTSU, N. 1979, «A threshold selection method from gray-level histograms», IEEE transactions on
systems, man, and cybernetics, vol. 9, no 1, p. 62–66.49
OZKAN, E. et G. HENDEBY. 2014, «Lecture notes on target tracking (5 lectures)», http ://www.control.isy.liu.se/student/graduate/TargetTracking/lectures.html.71
PENTLAND, A. P. 1987, «A new sense for depth of field», IEEE transactions on pattern analysis and
machine intelligence, , no 4, p. 523–531.80
SZELISKI, R. 2010, Computer vision : algorithms and applications, Springer Science & Business
Media.50
VEDALDI, A. et B. FULKERSON. 2008, «VLFeat : An open and portable library of computer vision