PIV 流场分析软件介绍

在流体力学、空气动力学、燃烧诊断等科研领域，流场数据的精准计算与深度分析是核心环节。传统数据处理流程繁琐，算法选择受限，往往耗费大量时间精力。今天给大家介绍的软件，集成四大核心功能模块，无需复杂编程，就能实现从原始图像到流场动态特性分析的一站式解决方案，让科研效率直接翻倍！

该软件基于 PyQt6 打造直观友好的图形界面，整合了先进的计算机视觉与数据模态分解算法，专为科研场景设计。无论是单组图像的速度场计算，还是多序列图像的批量处理，亦或是流场数据的深度模态分析，都能轻松应对。无需编写一行代码，只需通过简单的参数设置和鼠标操作，就能完成复杂的流场计算任务。

该软件有四大核心功能模块，覆盖流场分析的全流程。

双图片速度场计算

作为软件的基础核心模块，该功能支持从两幅连续时刻的流场图像中，计算高精度二维速度场（U、V 分量），提供两种主流算法供选择：

• 光流法（Farneback算法）：基于 OpenCV 实现，计算速度快、对硬件资源要求低，适合粒子密度大、有大片连续灰度值的流场场景，比如常规流体流动观测。
• 神经网络法（PIV-LiteFlowNet-en 模型）：依托预训练深度学习模型，精度更高，对复杂流动模式和低信噪比图像的鲁棒性更强，适合复杂流场研究，但需 GPU 支持以保证运算速度。

计算完成后，会实时生成 U 分量云图、V 分量云图、速度矢量场图和速度分布直方图，还能通过滑块调节矢量箭头长度和速度阈值，让结果可视化更清晰。

多图像序列批处理

针对按时间序列排列的多幅流场图像，该模块可实现自动化批量处理，无需手动逐组计算。它会依次对（img1,img2）、（img2,img3）…进行运算，最终生成 n-1 个速度场数据。

同样支持光流法和神经网络法，内置进度监控和内存管理功能，即使是长时间批量处理或使用耗资源的神经网络法，也能保证稳定性。生成的速度场文件会自动按序号命名保存，大幅提升数据处理效率，特别适合长时间序列流场观测实验。

在选用以上两种方法时，可以根据以下场景选择：

• 优先选光流法：实时性优先、场景简单稳定、资源有限、无标注数据。
• 优先选神经网络法：复杂场景、高精度需求、可接受高计算成本、有充足训练数据。

DMD 分析模块

动态模态分解（DMD）是流场分析的关键技术，该模块采用先进的 BOP-DMD 算法，能从流场时间序列数据中，提取主导的时空演化模态、频率及增长率 / 衰减率，助力研究人员挖掘流场潜在规律。

支持加载多种格式的流场文件（.npy、.csv、.dat、.txt），分析结果通过三大可视化图表呈现：

1. 复平面上的特征值图（直观展示模态稳定性）
2. 前 9 阶时间模态演化曲线
3. 前 9 阶空间模态分布云图

还能对比原始数据与 DMD 重构数据，甚至进行短期流场预测。

文件格式转换

流场数据处理中常面临格式不兼容问题，该模块提供 .npy 与 .csv 格式的批量转换功能：

• .npy 格式：二进制文件，体积小、读写速度快，适合软件内部计算和数据存储。
• .csv 格式：文本文件，可读性强，可用 Excel、记事本打开，方便数据交换、人工检查或导入其他不支持 .npy 格式的软件。

操作简单，只需选择目标文件夹和转换方向，一键即可完成批量转换，且完全保留原始数据的 U、V 分量和位置信息。

---

注：

1. 神经网络法和 DMD 分析对硬件要求较高，建议配备性能较好的 GPU，以提升运算速度；
2. 批量处理前，建议统一图像文件名格式（可按 “前缀 + 序号” 命名），便于软件自动识别序列；
3. 保存数据时，推荐优先使用 .npy 格式（占用空间小、读写快），需跨软件使用时再转换为 .csv 格式。

---

这款高分辨率波前分析软件，将复杂的流场计算与分析流程标准化、可视化、自动化，有效降低科研门槛，提升数据处理效率和分析深度。无论是日常实验数据处理，还是复杂流场机理研究，都是得力助手。