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)
<matplotlib.image.AxesImage object at 0x000002E84F5B4788>
>>> 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)
<matplotlib.image.AxesImage object at 0x000002E857A21448>
>>> 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)
<matplotlib.image.AxesImage object at 0x000002E84F5B4948>
>>> plt.show()
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
<mpl_toolkits.mplot3d.art3d.Poly3DCollection object at 0x0000019EAFF19D48>
>>> plt.show()
结果为
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)
[<matplotlib.lines.Line2D object at 0x0000019EB469EB48>]
>>> plt.show()
结果如图所示
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
>>> 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,c
array([89.72326971, 35.58522403, 20.86186403])
>>> fitValue = 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
<matplotlib.collections.PathCollection object at 0x0000019EB5438D88>
>>> plt.plot(x,fitValue) #绘制拟合数据的曲线图
[<matplotlib.lines.Line2D object at 0x0000019EB46D4048>]
>>> plt.show()
问题
如果包没有安装的话，可以在命令行中用pip文件进行安装
> pip install numpy
> pip install matplotlib
> pip install scipy
以上就是Python光学仿真学习处理高斯光束分布图像的详细内容，更多关于Python处理高斯光束分布图像的资料请关注编程网其它相关文章！
