AbstractsAstronomy & Space Science

In this thesis novel learning-based approaches are presented for the estimation of dense fluid flow velocity fields from particle image sequences. The developed methods apply prior knowledge in form of typical spatio-temporal motion models. These motion models are obtained with methods of unsupervised learning using proper orthogonal decomposition (POD). The POD modes reveal dominant flow structures and contain relevant information of complex relations between neighboring flow vectors. The first high-energy POD modes obtained from appropriate training vector fields are used as typical motion models. Meaningful local flow structures can be expressed in the orthogonal space spanned by the motion models. Additional information about dominant flow events is gained by the motion models and related parameters. The proposed approaches are embedded in well-established local parametric and variational optical flow frameworks but are contrasted with these common techniques by the inclusion of prior knowledge. Further extensions of the methods use available information, which is generally discarded in other methods, to obtain robust motion estimations. The methods can easily be tuned for different flow applications by choice of training data and, thus, are universally applicable. Beyond their simple implementation, the approaches are very efficient, accurate and easily adaptable to all types of flow situations. All methods were tested on synthetic and real particle image sequences and the influence of the relevant parameters was investigated. For typical use cases of optical flow, such as small image displacements, they were more accurate compared to all competing methods including particle image velocimetry (PIV) and common optical flow techniques. In dieser Arbeit werden neue lernbasierte Methoden zur Bestimmung dichter Strömungsgeschwindigkeitsfelder aus Tracer-Partikel-Bildsequenzen vorgestellt. Dabei wird Vorwissen in Form von typischen räumlich-zeitlichen Bewegungsmustern verwendet. Diese Bewegungsmuster werden durch Methoden des unsupervised learnings mittels Hauptkomponen- tenzerlegung (POD) bestimmt. Die POD-Moden beschreiben dominante Strömungsstrukturen und beinhalten Informationen über den komplexen Zusammenhang benachbarter Geschwindig- keitsvektoren. Die ersten, aus geeigneten Trainingsvektorfeldern gelernten, POD-Moden mit hohem Informationsgehalt bilden die typischen Bewegungsmuster. Sinnvolle Strömungsstruk- turen liegen im Lösungsraum, der von den Bewegungsmustern aufgespannt wird. Aus den Bewegungsmustern kann, zusammen mit entsprechenden Parametern, Zusatzinformation über vorherrschende Strömungsmuster gewonnen werden. Die vorgeschlagenen Ansätze basieren auf gängigen optischer Fluss Schätzern, die zusätzlich das Vorwissen aus den gelernten Bewegungsmustern einbeziehen. Um die Ergebnisse robuster zu machen, wird bereits vorhandene Information verwendet, die von bisherigen Schätzern unberücksichtigt geblieben ist. Durch Wahl geeigneter Trainingsdaten können die Methoden…