北京建设执业网站,烟台app开发公司,淮南先锋网,鄂州北京网站建设文章目录 质心目标截取光斑半径 python图像处理教程#xff1a;初步#x1f4f7;插值变换#x1f4f7;形态学处理#x1f4f7;滤波
光斑是工程中经常出现的图像数据#xff0c;其特点是目标明确#xff0c;分布清晰。对光斑图像的分析#xff0c;主要包括质心定位、目标… 文章目录 质心目标截取光斑半径 python图像处理教程初步插值变换形态学处理滤波
光斑是工程中经常出现的图像数据其特点是目标明确分布清晰。对光斑图像的分析主要包括质心定位、目标截取以及半径拟合等。
质心
所谓质心就是质量的中心连续物体的质心可表示为 ∫ x f ( x ) d x ∫ f ( x ) d x \frac{\int xf(x)\text dx}{\int f(x)\text dx} ∫f(x)dx∫xf(x)dx则图像质心可表示为 x ˉ ∑ i p i j ∑ p i j y ˉ ∑ j p i j ∑ p i j \bar x \frac{\sum ip_{ij}}{\sum p_{ij}}\quad \bar y \frac{\sum jp_{ij}}{\sum p_{ij}} xˉ∑pij∑ipijyˉ∑pij∑jpij
由于图像是二维数组有两个可以操作的方向故而除了全局的质心外其每一行或每一列均有一个质心行质心和列质心的交叉点就是图像的质心图像如下左侧为原始光斑右侧为其行质心和列质心。 绘图代码如下考虑到求质心时有一个求和项需要做除数所以在求质心之前将图像加上 1 0 − 9 10^{-9} 10−9以确保不会出现除0错误同时不会对质心造成干扰。
from numpy as np
import matplotlib.pyplot as plt# 创建一副光斑图像
size [256,256]
x, y np.indices(size)
d2 (x-80)**2(y-80)**2
img 255*np.exp(-d2/32)# 求行质心和列质心
arr np.arange(256).reshape(-1,1)cImg img 1e-9
cenRow (cImg arr).reshape(-1)/np.sum(cImg, 0)
cenCol (cImg.T arr).reshape(-1)/np.sum(cImg, 1)# 绘图
fig plt.figure()
ax1 fig.add_subplot(121)
ax1.imshow(img, cmapgray)ax2 fig.add_subplot(122, shareyax1)
ax2.tick_params(axisy, labelleftFalse)
arr arr.reshape(-1)
plt.imshow(img)
plt.plot(arr, cenRow)
plt.plot(cenCol,arr)
plt.show()目标截取
由于光斑只占据图片中很小一部分大量的冗余信息等同于噪声会影响数据处理故需截取感兴趣的区域。【plt.ginput】函数提供一种交互操作方法可返回鼠标点击的位置其输入参数为选取点数输出为点击的点的坐标。根据返回的点的位置即可对图像进行截取。
plt.imshow(img)
p1, p2 plt.ginput(2)roi img[int(p1[1]):int(p2[1]), int(p1[0]):int(p2[0])]在本例中 p 1 , p 2 p_1, p_2 p1,p2两点分别在左上角和右下角从而无论 x x x还是 y y y p 1 p_1 p1的值均小于 p 2 p_2 p2。另一方面ginput的返回值是 ( x , y ) (x,y) (x,y)坐标而矩阵截取过程则是先行后列行对应的是 y y y这就是roi在截取时的选区逻辑。
最终截取结果如下。 fig plt.figure()
ax fig.add_subplot(121)
plt.imshow(roi)ax fig.add_subplot(122, projection3d)
yGrid, xGrid np.indices(roi.shape)
ax.plot_surface(yGrid, xGrid, roi)
plt.show()光斑半径
一般来说Gauss光束以其强度最大值的 1 e \frac{1}{e} e1处为边界也就是说最简单的求解光斑半径的方法就是统计所有边界内部的点的个数然后再根据圆面积公式求取其半径。
area np.sum(roi255/np.e)
r np.sqrt(area/np.pi)
# 5.56另一种方法则需对光斑的某一维度进行高斯拟合。具体方法是对roi按列求最大值然后对得到的数组进行高斯拟合最终得到半径值 r 5.65 r5.65 r5.65显然更接近于我们最开始设定的 32 \sqrt{32} 32 其拟合结果如下。 from scipy.optimize import curve_fit
def gauss(x, a, b, c):return a*np.exp(-(x-b)**2/c**2)y np.max(roi,0)
x np.arange(len(y))abc, para curve_fit(gauss,x,y)
print(abc) #即上式中的a,b,c
# [255. 19. 5.65685425]
Y gauss(x,abc[0],abc[1],abc[2]) #拟合值
plt.scatter(x,y, labelorigin) #绘制原始数据的散点图
plt.plot(x,Y, labelcurve_fit) #绘制拟合数据的曲线图
plt.legend()
plt.show()
