【微实验】激光测径系列（一）

一、单缝和细丝的类比

昨天关于夫琅禾费衍射的文章——https://blog.csdn.net/Harrytutu_ZuiYue/article/details/151366978

课程要求是通过激光测径，根据实验的器械要求，基本上是使用衍射。氦氖激光器发出平行光，然后通过细丝衍射。

细丝和狭缝的夫琅禾费衍射，本质是互补屏衍射，电场分布满足巴比涅原理。

要对比单缝和细丝夫琅禾费衍射的电场强度分布，需从惠更斯 - 菲涅耳原理出发：单缝衍射是 “开孔” 的子波相干叠加，细丝衍射是 “障碍物” 的子波相干叠加。

让我的坏朋友AI写了个代码来对比，然后就出现了以下令人困惑的结果。

？？？也就这个看起来正确一些。

这个稀奇古怪的问题，数学物理和编程都非常差的扒谱机决定不再深究（）

二、MATLAB图像处理

通过手动把不同直径的铁丝固定到氦氖激光器的激光束内，然后使用白屏和毛玻璃进行成像，我们拍摄了不同直径的铁丝和光纤的衍射图样，如下图所示——

为避免过曝，曝光时长调得较低，光圈也开得较小。令AI生成代码，手动绘制一条直线，与衍射图样重合，然后读取这条线上的光强（图像灰度）信息。

代码一：

% 读取灰度图像
img = imread('test5.bmp');

% 确保图像为灰度图
if size(img, 3) == 3
    img = rgb2gray(img);
end

% 显示原始图像
figure('Name', '原始灰度图像');
imshow(img);
title('请在图像上点击并拖动绘制一条横线，完成后双击确认');

% 允许用户绘制一条横线
h = imline;
wait(h); % 等待用户完成绘制

% 获取线条的端点坐标
endpoints = getPosition(h);
x1 = endpoints(1, 1);
y1 = endpoints(1, 2);
x2 = endpoints(2, 1);
y2 = endpoints(2, 2);

% 确保是水平线（取平均y坐标）
y = mean([y1, y2]);
y = round(y); % 转换为整数像素坐标

% 确定x坐标范围
x_start = round(min(x1, x2));
x_end = round(max(x1, x2));
x = x_start:x_end;

% 提取横线上的灰度值
gray_values = img(y, x);

% 显示灰度值二维图像（线图形式）
figure('Name', '横线上的灰度值分布');
plot(x, gray_values, 'b-', 'LineWidth', 1.5);
xlabel('x坐标 (像素)');
ylabel('灰度值');
title(['y = ', num2str(y), ' 处的灰度值分布']);
grid on;

% 显示灰度值二维图像（图像形式）
figure('Name', '横线上的灰度值图像');
imagesc(gray_values);
colormap(gray);
xlabel('x坐标 (像素)');
ylabel('单一水平线');
title(['y = ', num2str(y), ' 处的灰度值图像']);
axis tight;
axis xy; % 使y轴向上为正方向

效果如下——

但是，还是不出所料的，水灵灵地过曝了……

似乎这种比较细小的更容易观察到？

怎么说呢，感觉确实要好一些，但是数据准确与否就另说了。

在画到非常倾斜的直线时，我发现了一个问题……那就是，这个取值根本就是不倾斜的！AI写的代码是默认横线的（果然我还是过于信任AI写的代码了）

于是——

代码二：

% 读取图像并确保为灰度图
img = imread('test.png');
if size(img, 3) == 3
    img = rgb2gray(img);
end
img = im2double(img);  % 转换为双精度，便于插值计算

% 显示图像并让用户选择倾斜直线的两个端点
figure; imshow(imcomplement(img));%这里反色显示，为了能够更加清楚地看清所选择点的标识
title('请点击直线的两个端点（倾斜条纹方向）');
[x, y] = ginput(2);  % 获取两个端点坐标（x为列，y为行）
x1 = x(1); y1 = y(1);
x2 = x(2); y2 = y(2);

% 计算直线上的采样点（确保覆盖所有像素）
line_length = sqrt((x2 - x1)^2 + (y2 - y1)^2);  % 直线长度（像素）
num_points = round(line_length);  % 采样点数（约等于直线长度，保证密度）
t = linspace(0, 1, num_points);  % 参数t从0到1
x_line = x1 + t * (x2 - x1);  % 直线上的x坐标（列）
y_line = y1 + t * (y2 - y1);  % 直线上的y坐标（行）

% 双线性插值计算灰度值（核心步骤）
% 注意：MATLAB中图像坐标是（行,列），对应（y,x）
gray_values = zeros(1, num_points);
for i = 1:num_points
    x = x_line(i);  % 当前点x坐标（列）
    y = y_line(i);  % 当前点y坐标（行）
    
    % 找到周围四个整数像素
    x_floor = floor(x);
    x_ceil = x_floor + 1;
    y_floor = floor(y);
    y_ceil = y_floor + 1;
    
    % 确保坐标在图像范围内
    x_floor = max(1, min(size(img, 2), x_floor));
    x_ceil = max(1, min(size(img, 2), x_ceil));
    y_floor = max(1, min(size(img, 1), y_floor));
    y_ceil = max(1, min(size(img, 1), y_ceil));
    
    % 双线性插值公式
    dx = x - x_floor;
    dy = y - y_floor;
    f1 = img(y_floor, x_floor) * (1 - dx) + img(y_floor, x_ceil) * dx;
    f2 = img(y_ceil, x_floor) * (1 - dx) + img(y_ceil, x_ceil) * dx;
    gray_values(i) = f1 * (1 - dy) + f2 * dy;
end

% 可视化结果
figure;
subplot(2,1,1);
imshow(img); hold on;
plot([x1, x2], [y1, y2], 'r-', 'LineWidth', 2);  % 绘制选中的倾斜直线
title('原始图像与选中的倾斜直线');

subplot(2,1,2);
plot(1:num_points, gray_values, 'b-', 'LineWidth', 1.5);
xlabel('沿直线的采样点序号');
ylabel('灰度值');
title('倾斜直线上的灰度分布');
grid on;

诶，这样才对劲。

关键步骤解析

1. 直线采样：通过参数 t 均匀生成直线上的点，采样点数等于直线长度（像素），保证每个像素至少被采样一次。
2. 双线性插值：对于任意非整数坐标(x,y)，通过其周围四个整数像素 (x_{floor},y_{floor})、(x_{ceil},y_{floor})、(x_{floor},y_{ceil})、(x_{ceil},y_{ceil}) 的灰度值，加权计算目标点的灰度值，公式为：f(x,y) = (1 - dx)(1 - dy)f(x_{floor},y_{floor}) + dx(1 - dy)f(x_{ceil},y_{floor}) + (1 - dx)dyf(x_{floor},y_{ceil}) + dxdyf(x_{ceil},y_{ceil})，其中 dx = x - x_{floor}，dy = y - y_{floor} 为小数部分。
3. 坐标范围控制：确保采样点不超出图像边界，避免索引错误。

效果与应用

• 该方法可准确提取任意倾斜角度直线上的灰度值，适用于非水平 / 垂直的衍射条纹；
• 双线性插值能有效减少因像素离散化导致的误差，保证灰度分布的连续性；
• 后续可基于提取的灰度值，用之前提到的 “暗纹定位法” 计算倾斜条纹的间距（需注意将像素间距转换为物理距离时，考虑直线的倾斜角度）。

三、自动化识别提取中心：

在能够识别非水平的条纹之后，我希望能够通过某种方式自动识别而不是手动框选。

手动绘制直线法存在一个严重的问题——若绘制不当，一边比较贴近中心线，而另一边略有偏离，就会产生类似这种结果：

于是就有了这个代码：

% 读取图像并转换为灰度图
img = imread('test.png');
if size(img, 3) == 3
    img = rgb2gray(img);
end
img = im2double(img);
% 1. 预处理：高斯模糊去噪
 sigma = 250;
 h = fspecial('gaussian', [50 50], sigma);
 img_blur = imfilter(img, h, 'replicate');
%img_blur = imgaussfilt(img, 1.2);  % 替代fspecial+imfilter，速度更快
img=img_blur;
% 2. 条纹增强：突出周期性结构
% 用拉普拉斯算子增强边缘（条纹处灰度变化剧烈）
laplacian = fspecial('laplacian', 0.2);
img_edge = imfilter(img_blur, laplacian);
img_enhance = img_blur - 0.5*abs(img_edge);  % 增强条纹对比度
% 3. 阈值分割：提取条纹候选区域
level = graythresh(img_enhance);  % 自动计算阈值
bw = imbinarize(img_enhance, level);  % 二值化
bw = bwareaopen(bw, 50);  % 去除小噪声区域
% 4. 霍夫变换检测条纹方向（获取主方向角度）
[H, theta, rho] = hough(bw, 'RhoResolution', 1, 'ThetaResolution', 0.5);
P = houghpeaks(H, 5);  % 取前5个最强峰值
lines = houghlines(bw, theta, rho, P, 'FillGap', 20, 'MinLength', 50);
% 筛选最长的条纹直线（主条纹）
max_len = 0;
for k = 1:length(lines)
    len = norm(lines(k).point1 - lines(k).point2);
    if len > max_len
        max_len = len;
        best_line = lines(k);  % 最佳条纹直线
    end
end
% 5. 提取条纹中心线上的点（直线端点）
p1 = best_line.point1;  % 起点 [x1, y1]
p2 = best_line.point2;  % 终点 [x2, y2]
% 6. 计算直线上的灰度值（双线性插值）
line_length = round(norm(p1 - p2));  % 直线长度（像素）
t = linspace(0, 1, line_length);
x_line = p1(1) + t*(p2(1) - p1(1));  % x坐标（列）
y_line = p1(2) + t*(p2(2) - p1(2));  % y坐标（行）

% 双线性插值获取灰度值
gray_values = zeros(1, line_length);
for i = 1:line_length
    x = x_line(i); y = y_line(i);
    x_floor = max(1, min(floor(x), size(img, 2)));
    x_ceil = min(x_floor + 1, size(img, 2));
    y_floor = max(1, min(floor(y), size(img, 1)));
    y_ceil = min(y_floor + 1, size(img, 1));
    
    dx = x - x_floor; dy = y - y_floor;
    f1 = img_blur(y_floor, x_floor)*(1-dx) + img_blur(y_floor, x_ceil)*dx;
    f2 = img_blur(y_ceil, x_floor)*(1-dx) + img_blur(y_ceil, x_ceil)*dx;
    gray_values(i) = f1*(1-dy) + f2*dy;
end

% 可视化结果
figure;
subplot(2,1,1);
imshow(img); hold on;
plot([p1(1), p2(1)], [p1(2), p2(2)], 'r-', 'LineWidth', 2);
title('原始图像与自动识别的条纹中心线');

subplot(2,1,2);
plot(1:line_length, gray_values, 'b-', 'LineWidth', 1.5);
xlabel('沿条纹中心线的采样点');
ylabel('灰度值');
title('条纹中心线上的灰度分布');
grid on;

这段代码为无交互的自动条纹灰度提取模块，通过图像预处理、条纹识别、中心线检测及灰度计算，实现衍射条纹中心线灰度分布的自动化提取，无需人工干预，适用于批量处理或无明确条纹方向的场景。

一）图像预处理：去噪与条纹增强

1.1 图像读取与格式转换

• 读取目标图像（test.png），若为彩色图像，通过rgb2gray转换为二维灰度图；
• 用im2double将灰度图转换为双精度格式，避免后续插值、滤波等计算过程中的精度损失。

1.2 高斯滤波去噪

• 定义尺寸为50×50、标准差sigma=250的高斯卷积核（fspecial('gaussian', [50 50], sigma)），通过imfilter以 “边缘复制”（'replicate'）方式对图像滤波；
• 滤波后图像赋值给img_blur（并覆盖原变量img），核心作用是抑制随机噪声，同时保留条纹的整体周期性结构，避免噪声干扰后续条纹识别。

1.3 条纹对比度增强

• 生成拉普拉斯算子（fspecial('laplacian', 0.2)），对模糊后的图像进行边缘检测 —— 条纹区域因灰度突变明显，边缘信号更强，可通过边缘突出条纹轮廓；
• 采用 “模糊图像 - 0.5× 边缘绝对值” 的运算（img_enhance = img_blur - 0.5*abs(img_edge)），压缩背景灰度范围、强化条纹与背景的差异，让弱条纹更易被后续阈值分割识别。

二）条纹候选区域提取：阈值分割与噪声过滤

2.1 自动阈值分割

• 用graythresh函数基于图像灰度直方图的 “最大类间方差法”，自动计算二值化阈值（level），该阈值能最大化条纹与背景的灰度区分度；
• 通过imbinarize(img_enhance, level)将增强后的图像转换为黑白二值图（bw），其中条纹区域为白色（灰度 1），背景区域为黑色（灰度 0）。

2.2 小噪声区域去除

• 调用bwareaopen(bw, 50)删除二值图中面积小于 50 像素的连通区域，这些区域多为滤波后残留的噪声点，而非连续的条纹结构，去除后可减少后续霍夫变换的干扰。

三）霍夫变换：自动检测条纹中心线

3.1 霍夫变换找直线

• 对处理后的二值图（bw）执行霍夫变换（hough），设置参数：距离分辨率RhoResolution=1（像素）、角度分辨率ThetaResolution=0.5（度），生成霍夫空间矩阵H（矩阵值越大，对应直线的可能性越高）；
• 用houghpeaks(H, 5)提取霍夫空间中前 5 个最强峰值，这些峰值对应图像中最明显的 5 条直线（候选条纹）；
• 通过houghlines(bw, theta, rho, P, 'FillGap', 20, 'MinLength', 50)将峰值转换为图像中的直线参数：'FillGap=20'表示允许将间距≤20 像素的断裂线段连接为一条直线，'MinLength=50'表示仅保留长度≥50 像素的直线（排除短噪声线段）。

3.2 筛选主条纹直线

• 遍历所有检测到的直线，通过norm(lines(k).point1 - lines(k).point2)计算每条直线的长度（像素）；
• 筛选出长度最长的直线作为 “主条纹中心线”（best_line），并记录其两个端点坐标（p1为起点[x1,y1]，p2为终点[x2,y2]）—— 最长直线通常对应最清晰、最完整的主条纹，确保后续灰度提取的有效性。

四）灰度提取：双线性插值计算

4.1 直线均匀采样

• 计算主条纹中心线的长度（line_length = round(norm(p1 - p2))），以 “采样点数≈直线长度” 为原则，通过t = linspace(0, 1, line_length)生成均匀分布的参数t（0≤t≤1）；
• 基于参数t生成直线上所有采样点的坐标：x_line = p1(1) + t*(p2(1)-p1(1))（列坐标，对应图像 x 轴）、y_line = p1(2) + t*(p2(2)-p1(2))（行坐标，对应图像 y 轴），确保采样密度一致，覆盖整条中心线。

4.2 双线性插值计算灰度

• 坐标边界控制：对每个采样点（x,y），先计算其周围 4 个整数像素的坐标（x_floor=floor(x)、x_ceil=x_floor+1、y_floor=floor(y)、y_ceil=y_floor+1），再通过max(1, min(..., size(img,2)))和max(1, min(..., size(img,1)))限制坐标在图像范围内，避免索引越界错误；
• 灰度加权计算：
  1. 计算采样点与周围 4 个像素的距离权重（dx = x - x_floor，dy = y - y_floor，取值 0~1，距离越近权重越大）；
  2. 横向插值：分别计算y_floor行（f1 = img_blur(y_floor,x_floor)*(1-dx) + img_blur(y_floor,x_ceil)*dx）和y_ceil行（f2 = img_blur(y_ceil,x_floor)*(1-dx) + img_blur(y_ceil,x_ceil)*dx）的灰度值；
  3. 纵向插值：通过gray_values(i) = f1*(1-dy) + f2*dy得到采样点最终灰度，解决非整数坐标的灰度离散问题，保证灰度分布连续。

五）结果可视化

• 子图1：显示高斯滤波后的图像（img），叠加绘制红色主条纹中心线（plot([p1(1),p2(1)], [p1(2),p2(2)], 'r-', 'LineWidth',2)），直观展示中心线在原始图像中的位置，便于验证是否贴合条纹；
• 子图2：以 “采样点序号” 为横轴、“灰度值” 为纵轴，绘制蓝色灰度分布曲线（plot(1:line_length, gray_values, 'b-', 'LineWidth',1.5)），清晰呈现条纹沿中心线的明暗变化（如暗纹谷值、明纹峰值），为后续条纹间距计算等分析提供数据支撑。

六）算法功能与效果

6.1 核心功能

1. 自动化条纹识别：无需人工选点，自动完成从 “图像预处理” 到 “灰度提取” 的全流程，适配多幅图像批量处理；
2. 精准中心线定位：通过霍夫变换筛选主条纹，结合双线性插值实现亚像素级灰度计算，避免倾斜条纹的灰度失真；
3. 抗干扰能力：高斯滤波、小噪声去除、边缘增强等步骤，可有效抑制噪声和背景干扰，即使弱条纹也能被识别提取。

6.2 实际效果

• 灰度分布曲线能清晰反映条纹的周期性：明纹区域对应灰度峰值，暗纹区域对应灰度谷值，无明显毛刺（噪声已被抑制）；
• 中心线贴合度高：红色中心线可准确覆盖主条纹的中间区域，提取的灰度数据能真实反映条纹的灰度变化规律，为后续 “暗纹定位计算条纹间距”“衍射参数反演” 等精细化分析提供可靠数据基础。

至于高斯模糊滤波是否有必要、加不加模糊会对测量精度有什么影响，下篇再进行详细探索。