建设全球购多用户商城网站,中国国家人事人才培训网,酒类网站建设方案案,网站规划小结写在前面
好好学习#xff0c;走出宿舍#xff0c;走向毕设#xff01; 一些心路历程记录#xff0c;很少有代码出现 因为鬼知道哪条代码到时候变成毕设的一部分了咧#xff0c;还是不要给自己的查重挖坑罢了
23.3.2
检验FFT
早上师兄帮忙看了一眼我画的丑图#xff…写在前面
好好学习走出宿舍走向毕设 一些心路历程记录很少有代码出现 因为鬼知道哪条代码到时候变成毕设的一部分了咧还是不要给自己的查重挖坑罢了
23.3.2
检验FFT
早上师兄帮忙看了一眼我画的丑图说样子应该是对的增加了检查的精度0.01mm把检查的范围缩小到了2个颗粒间距左右0-2mm这个趋势就和论文中的图片很像啦 论文中的参考图 我画的图 图片的归一化还没做先放着吧. 至于检验老板很急想知道结果于是上午的时间就用来做这个。 简单来说就是把昨天说的那俩峰值的横轴相乘然后结果应该约等于2π因为波矢的性质k2π/λ 我估算的基准在于用图上距离比实际距离即将pixel转为mm进行估算 不过昨天老师说了可以全部用pixel就别换毫米了因此需要一些反向操作 我思考到的解决办法是直接利用图片进行径向分布函数的处理。下午和晚上着重写这个的代码
用图像画gr【径向分布函数】
用到的函数 cv2.connectedComponents()连通域处理函数 python最大的魅力就在于有大佬们写好的安装包芜湖 skimage.measure.regionprops()regionprops函数用法 着重查看其中寻找质心的部分非常有用 呃画了贼不准。 学长帮忙检查了问题之后发现是因为对图像做的处理所以导致精度只能以1pixel为基准因此产生了误差 放一段边缘计算→质心检测的代码
import cv2
from skimage.measure import regionprops
from PIL import Image, ImageDraw, ImageFont
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import math#用canny进行边缘检测
img cv2.imread(D:\\230301\\2000_0_plt.png, cv2.IMREAD_COLOR)
r1cv2.Canny(img,128,200)#获取质心
ret, labels cv2.connectedComponents(r1)props regionprops(labels)#测量标记的图像区域的属性。l []#粒子的坐标集合
for i in props:l.append([i.centroid[-1], i.centroid[0]])23.3.3
摸了主要就是自己的部分没咋做写了几个很暴力的循环把lammpstrj文件转换为了一堆csv→把csv转成图片→把图片放进Pr变成视频→按照60帧/s进行加速导出最终的视频