Python光学仿真学习处理高斯光束分布图像 Python光学仿真学习处理高斯光

通过python处理光斑图像

1 相关包与图像读取
2 图像截取
3显示强度
4数据拟合

问题

通过python处理光斑图像
1 相关包与图像读取
首先需要科学计算必备包numpy和画图包matplotlib.pyplot，我们通过后者进行图像数据的读取.
plt.imread读取图片之后为数据格式为numpy数组，可以通过成员函数astype将整型数据变成浮点型，有利于后期处理。
plt.imshow将img的数据加载到窗口，plt.show()显示绘图窗口，默认显示为伪彩图。
python自动画出了伪彩图，可以通过在plt.imshow的过程中输入cmap参数使之得到灰度图

>>> plt.imshow(img,cmap=plt.cm.gray)>>> plt.show()

2 图像截取
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，会对后期的数据处理造成影响，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。

>>> plt.imshow(img)>>> plt.ginput(2)[(717.0757575757577, 299.8290043290042), (783.5692640692644, 233.33549783549768)]

在python中，通过方括号进行矩阵索引，图片的截取方法为

>>> roi = img[233:299,717:783]>>> plt.imshow(roi)>>> plt.show()

文章图片

3显示强度
为了更加直观地反映光斑强度，以图片行列为坐标，可以绘制3d强度图。
绘制二维曲线，要求输入相应的自变量和因变量，通过点和点的一一对应，画出曲线。三维图像绘制亦然，通过np.meshgrid生成网格坐标，作为其 x , y x,y x,y向的自变量，其输入参数为两个一维数组，返回两个二维数组，用以表示这两个数组方向的坐标。

>>> xNum,yNum = roi.shape#获取roi的维度>>> xAxis,yAxis = np.meshgrid(range(yNum),range(xNum)) #range创建长度为xNum的自然数列>>> ax = plt.gca(projection='3d')#建立3D坐标轴>>> ax.plot_surface(xAxis,yAxis,roi)#创建面元图>>> plt.show()

【Python光学仿真学习处理高斯光束分布图像】结果为

文章图片

4数据拟合
光斑在空间中的分布形式呈中心对称的特征，故可抽取出其径向坐标进行降维操作，考虑到数据的稳定性，并排除非信号区的影响，可提取每一列的最大值

>>> arr = np.max(roi,0)>>> x = np.arange(len(arr))>>> plt.plot(x,arr)[]>>> plt.show()

结果如图所示

文章图片

在python中，需要通过引入科学计算库scipy中的优化拟合包optimize中的curve_fit函数来进行数据的高斯拟合。curve_fit的输入参数为拟合函数，自变量和因变量；输出参数为拟合函数中的其他参数以及拟合评价参数。
其中高斯函数的表达形式为

文章图片

>>> from scipy.optimize import curve_fit>>> def gauss(x, a, b, c):...return a*np.exp(-(x-b)**2/c**2)...>>> abc,para = curve_fit(gauss,x,arr)>>> abc#即上式中的a,b,carray([89.72326971, 35.58522403, 20.86186403]) >>> fitValue = https://www.it610.com/article/gauss(x,abc[0],abc[1],abc[2]) #拟合值>>> plt.scatter(x,arr)#绘制原始数据的散点图>>> plt.plot(x,fitValue)#绘制拟合数据的曲线图[]>>> plt.show()