# 使用Photoshop处理图像并提取曲线数据

在本教程中，我们将通过一个简单的例子展示如何从复杂图像中提取特定曲线的数据，并使用这些数据进行进一步的分析和可视化。我们将使用常见的图像处理和数据分析工具来完成这个任务。



## 开始之前

首先，确保你有以下软件和工具：

- Photoshop或任何可以编辑图像的软件
- GetData或类似软件，用于从图像中提取数据点
- Matlab或任何可以进行数据处理和绘图的软件

## 步骤概览

1. 使用图像编辑软件单独提取每个曲线
2. 使用GetData软件从图像中提取数据点
3. 使用Matlab进行数据分析和绘图



## 步骤一：图像预处理

### 1.1 打开图像

首先，使用Photoshop打开你的图像文件，并将其另存为JPEG格式。

![原始图像](/static/img/images/00939.jpeg)

### 1.2 简化图像

使用图像编辑工具，比如画笔或橡皮擦，去除不需要的曲线，只保留你需要分析的那一条。

#### 示例操作：

![编辑过程](/static/img/images/00940.png)

这是留下的黑色曲线示例：

![简化后的图像](/static/img/images/00941.jpeg)

## 步骤二：使用GetData提取数据

### 2.1 打开简化后的图像

使用GetData软件打开处理过的图像。

![打开图像](/static/img/images/00942.png)

### 2.2 设置坐标系统

在GetData中设置图像的坐标系统，确保数据的准确性。

![设置坐标](/static/img/images/00943.png)

选择四个已知坐标点进行校准：

![坐标点标定](/static/img/images/00944.png)

### 2.3 数据提取

设置数据的提取精度和区域，然后开始提取过程。

![提取数据设置](/static/img/images/00945.png)
![拉取区域](/static/img/images/00947.png)

## 步骤三：数据导出与处理

### 3.1 导出数据

使用GetData的导出功能或手动复制所需的数据。

![数据导出](/static/img/images/00949.png)

### 3.2 保存数据

将复制的数据粘贴到新建的TXT文件中，保存并关闭。

![保存数据](/static/img/images/00950.png)

## 步骤四：数据分析与可视化

### 4.1 导入数据到Matlab

将数据文件`wada.txt`复制到Matlab工作空间。

![导入数据](/static/img/images/00951.png)

### 4.2 数据绘图

使用Matlab脚本绘制原始数据和进行进一步的数据处理，比如平滑处理或多项式拟合。

#### 绘制原始数据曲线

```c
rawdata = importdata('wada.txt');
x = rawdata(:,1);
y = rawdata(:,2);
plot(x, y)
```

![原始数据曲线](/static/img/images/00952.png)

#### 平滑和多项式拟合

使用多项式拟合来平滑曲线和修正数据中的噪声。

```c
p = polyfit(x, y, 5);  % 5次多项式拟合
y_fit = polyval(p, x);  % 计算拟合曲线的y值
plot(x, y_fit)
```

![拟合后的曲线](/static/img/images/00954.png)

## 结论

通过上述步骤，我们可以有效地从复杂图像中提取有用的数据，进行分析和可视化，以支持科研或工程项目。希望这个教程对你有帮助！

matlab getdata 仿照一个曲线 提取图像中的曲线数据

# Matlab 数据可视化深入解析

在这篇博客中，我们将探讨如何使用Matlab进行有效的数据可视化，重点是如何展示数据的同时保持图表的美观和清晰。我们将通过几个示例，展示不同的数据集和可视化技术。





### 双坐标绘图

以下Matlab代码展示了如何创建一个双坐标图表，用于对比展示“耦合效率”和“耦合损耗”。这种图表非常适合同时展示两组数据的变化趋势，而这两组数据的量纲或数值范围差异较大。

```python
x = [0 100 300 600 1000 1500];
y1 = [68.1 66.7 61.7 44.68 28.4 17.2];
y2 = [1.67 1.76 2.1 3.5 5.6 7.7];
hold on;
[AX, H1, H2] = plotyy(x, y1, x, y2, @plot);
set(get(AX(1), 'ylabel'), 'String', '耦合效率（%）', 'FontSize', 16);
set(get(AX(2), 'ylabel'), 'String', '耦合损耗（dB）', 'FontSize', 16);
xlabel('X容差（um）', 'FontSize', 16);
set(H1, 'LineStyle', '--');
set(H2, 'LineStyle', ':');
set(gcf, 'Color', 'white')
set(gca, 'LineWidth', 1.5)
```

![耦合效率与耦合损耗双坐标图](/static/img/images/01681.png)

### 波导高度与耦合损失关系

在下一个例子中，我们将观察不同波导高度对耦合损失的影响。通过绘制三条不同高度的氮化硅波导的耦合损失，我们可以比较哪种设计更优。

```python
clc, clear;
x1 = [1, 2, 3, 4, 5, 6];
y1 = [2.46, 2.35, 2.25, 2.19, 2.13, 2.15];
h = plot(x1, y1, 'x-k', 'MarkerSize', 7, 'LineWidth', 1);
hold on;
x2 = [1, 2, 3, 4, 5, 6];
y2 = [2.24, 2.21, 2.13, 1.98, 1.92, 2.01];
plot(x2, y2, 's-b', 'LineWidth', 1);
x3 = [1, 2, 3, 4, 5, 6];
y3 = [2.31, 2.2, 2.12, 2.03, 1.97, 1.93];
plot(x3, y3, '.-m', 'MarkerSize', 20, 'LineWidth', 1);
legend("氮化硅波导高6um", "氮化硅波导高7um", "氮化硅波导高8um", "Location", "Northeast");
xlabel("RWG width（um）");
ylabel("Couple loss（dB）");
title("脊高1微米");
haxes = get(h, 'Parent');
set(haxes, 'XTick', (0:1:6), 'XTickLabel', ['1.0', '2.0', '3.0', '4.0', '5.0', '6.0']);
```

![波导高度与耦合损失](/static/img/images/01682.png)

### 图例位置解析

Matlab中的图例位置参数对于图表的最终展示非常关键。正确的图例位置可以避免与图表数据的重叠，同时确保图表的整体美观。以下是Matlab中可选的图例位置参数，供你在绘制图表时参考使用。

```c
'North', 'South', 'East', 'West',
'NorthEast', 'NorthWest', 'SouthEast', 'SouthWest',
'NorthOutside', 'SouthOutside', 'EastOutside', 'WestOutside',
'NorthEastOutside', 'NorthWestOutside', 'SouthEastOutside', 'SouthWestOutside',
'Best', 'BestOutside'
```

### 金属薄膜的光学特性

在这个例子中，我们使用Matlab来分析不同金属薄膜在不同膜厚下的光学特性。这可以帮助材料科学家和光学工程师更好地理解材料在实际应用中的表现。

```c
clc, clear;
x = [100, 110, 120, 130, 140, 150, 160, 170, 180, 190, 200, 210, 220, 230, 240];
y1 = [647, 771, 832, 914, 1000, 1204, 1300, 1398, 1470, 1601, 1666, 1722, 1808, 1897, 1960];
y2 = [989, 1021, 1057, 1080, 1109, 1127, 1188, 1210, 1227, 1236, 1242, 1240, 1228, 1219, 1210];
plot(x, y1, ':rs');
hold on;
plot(x, y2, '--b>');
title("p=330nm, w=100nm");
xlabel('膜厚t(nm)', 'FontSize', 12);
legend("Cr", "Al", 'Location', 'NorthWest');
```

![金属薄膜光学特性分析](/static/img/images/01683.png)

通过以上的示例和解析，我们可以看到，Matlab提供了强大的工具集，可以帮助我们从不同角度和深度分析数据。无论是科研还是工业应用，Matlab都是一个值得学习和掌握的工具。

MATLAB 实际的一些图 画图

Matlab





```
% -----------------------------------------------------------------------------------------------
% 
% -----------------------------------------------------------------------------------------------
% 习题3 A是一个五对角矩阵，R nxn，n=10,20,40时，使用J迭代法和SOR
% 迭代法（w=1,1.2,1.4,1.6,1.8）解方程组Ax=0，分析收敛速度。
% ------------------------------------------------------------------------------------------------
clear
for mat_n=[10,20,40]                                           %循环3次，n=10,20,40
    % --------------------------------------------------------------------------------------------
    % 打印当前矩阵大小
    % --------------------------------------------------------------------------------------------
    disp("---------------------------------------------------------");
    fprintf(" 当前矩阵大小为 %d*%d\r\n",mat_n,mat_n);
    % --------------------------------------------------------------------------------------------
    % 构建矩阵A
    % --------------------------------------------------------------------------------------------
    a1(1,1:mat_n)=20;
    A1=diag(a1,0);
    a2(1,1:mat_n-1)=-8;
    A2_1=diag(a2,1);
    A2_2=diag(a2,-1);
    a3(1,1:mat_n-2)=1;
    A3_1=diag(a3,2);
    A3_2=diag(a3,-2);
    A=A1+A2_1+A2_2+A3_1+A3_2;
    % --------------------------------------------------------------------------------------------
    % 构建初始迭代值
    % --------------------------------------------------------------------------------------------
    x0(1:mat_n,1)=1;
    % --------------------------------------------------------------------------------------------
    % jacobi迭代法       %Ax=0精确解是x=0
    % --------------------------------------------------------------------------------------------
    D = diag(diag(A));                                            %求A的对角矩阵
    L = -tril(A,-1);                                                   %求A的下三角矩阵
    U = -triu(A,1);                                                  %求A的上三角矩阵
    B = D\(L+U);                                                    %由jacobi迭代法公式得来
    RB1=-log(vrho(B));                                          %计算渐近收敛速度
    fprintf(" jacobi 渐近收敛速度是 %.4f\r\n",RB1);
    x = B*x0;                                                         %迭代计算
    n = 1;                                                              %迭代次数赋值
    while norm(x,inf)>10^(-6)
        x0=x;                                                           %迭代赋值
        x = B*x0;                                                     %迭代计算
        n = n+1;                                                      %累加次数
        if n>1000                                                     %迭代次数大于1000跳出
            break;
        end
    end
    fprintf(" jacobi迭代完毕 满足要求所需最少迭代次数为 n=%d\r\n",n);
    % --------------------------------------------------------------------------------------------
    % SOR迭代 w是omega       %Ax=0精确解是x=0
    % --------------------------------------------------------------------------------------------
    for w=[1,1.2,1.4,1.6,1.8]
        x0(1:mat_n,1)=1;                                         %构建初始迭代值
        B_sor=(D-L*w)\((1-w)*D+w*U);                     %与jacobi一样的DLU矩阵
        x_sor = B_sor*x0;                                        %迭代计算
        RB1=-log(vrho(B_sor));                                %计算渐近收敛速度
        fprintf("SOR渐近收敛速度是 %.4f\r\n",RB1);
        n_sor = 1;                                                    %迭代次数
        while norm(x_sor,inf)>10^(-6)
            x0=x_sor;                                                 %迭代赋值
            x_sor = B_sor*x0;                                     %迭代计算
            n_sor = n_sor+1;                                      %累加次数
            if n_sor>1000                                           %迭代次数大于1000跳出
                break;
            end
        end
        fprintf("SOR迭代 w=%.2f",w);
        fprintf(" 满足要求所需最少迭代次数为 n_sor=%d\r\n",n_sor);
    end
    clear
end
```

结果

```
>> Untitled
---------------------------------------------------------
 当前矩阵大小为 10*10
 jacobi 渐近收敛速度是 0.1587
 jacobi迭代完毕 满足要求所需最少迭代次数为 n=38
SOR渐近收敛速度是 0.8050
SOR迭代 w=1.00 满足要求所需最少迭代次数为 n_sor=21
SOR渐近收敛速度是 1.3127
SOR迭代 w=1.20 满足要求所需最少迭代次数为 n_sor=15
SOR渐近收敛速度是 0.8036
SOR迭代 w=1.40 满足要求所需最少迭代次数为 n_sor=20
SOR渐近收敛速度是 0.4555
SOR迭代 w=1.60 满足要求所需最少迭代次数为 n_sor=30
SOR渐近收敛速度是 0.2001
SOR迭代 w=1.80 满足要求所需最少迭代次数为 n_sor=61
---------------------------------------------------------
 当前矩阵大小为 20*20
 jacobi 渐近收敛速度是 0.1201
 jacobi迭代完毕 满足要求所需最少迭代次数为 n=60
SOR渐近收敛速度是 0.7713
SOR迭代 w=1.00 满足要求所需最少迭代次数为 n_sor=23
SOR渐近收敛速度是 1.2660
SOR迭代 w=1.20 满足要求所需最少迭代次数为 n_sor=18
SOR渐近收敛速度是 0.7874
SOR迭代 w=1.40 满足要求所需最少迭代次数为 n_sor=24
SOR渐近收敛速度是 0.4478
SOR迭代 w=1.60 满足要求所需最少迭代次数为 n_sor=35
SOR渐近收敛速度是 0.1969
SOR迭代 w=1.80 满足要求所需最少迭代次数为 n_sor=67
---------------------------------------------------------
 当前矩阵大小为 40*40
 jacobi 渐近收敛速度是 0.1092
 jacobi迭代完毕 满足要求所需最少迭代次数为 n=70
SOR渐近收敛速度是 0.7629
SOR迭代 w=1.00 满足要求所需最少迭代次数为 n_sor=23
SOR渐近收敛速度是 1.2517
SOR迭代 w=1.20 满足要求所需最少迭代次数为 n_sor=18
SOR渐近收敛速度是 0.7825
SOR迭代 w=1.40 满足要求所需最少迭代次数为 n_sor=27
SOR渐近收敛速度是 0.4454
SOR迭代 w=1.60 满足要求所需最少迭代次数为 n_sor=45
SOR渐近收敛速度是 0.1959
SOR迭代 w=1.80 满足要求所需最少迭代次数为 n_sor=76
```

MATLAB 五对角矩阵 Jacobi迭代法 SOR迭代法 解方程组

Matlab





```
% -----------------------------------------------------------------------------------------------
% Written by QQ742971636
% -----------------------------------------------------------------------------------------------
% f(x)=(10/x)^2*sin(10/x);
% 取epsilon=10^(-4) ，计算[1,3]上的romberg积分
% ------------------------------------------------------------------------------------------------
a = 1;
b = 3;
epsilon = 1e-4;
f = @(x)(10/x)^2*sin(10/x);  
[R,k,T] = aa(f,a,b,epsilon);%调用函数
fprintf("积分结果是    %f\r\n",R); %打印积分结果
fprintf("k=  %f\r\n",k); %打印迭代次数
disp(T); %打印T-表
function [R,k,T]=aa(fun,a,b,tol)
% 龙贝格(Romberg数值求解公式)
% inputs:
%   -fun：积分函数句柄
%   -a/b：积分上下限
%   -tol：积分误差
% Outputs:
%   -R：Romberg积分值
%   -k：迭代次数
%   -T：整个迭代过程
k=0; % 迭代次数
n=1; % 区间划分个数
h=b-a;
T=h/2*(fun(a)+fun(b)); %计算T(0,0)
err=1; %积分误差初始化
while err>=tol
    k=k+1;
    h=h/2;
    tmp=0;
    for i=1:n
        tmp=tmp+fun(a+(2*i-1)*h);
    end
    T(k+1,1)=T(k)/2+h*tmp; %外推算法
    for j=1:k
        T(k+1,j+1)=T(k+1,j)+(T(k+1,j)-T(k,j))/(4^j-1); %外推算法
    end
    n=n*2;
    err=abs(T(k+1,k+1)-T(k,k)); %更新积分误差
end
R=T(k+1,4);
end
```


结果

```
>> Untitled
积分结果是    -1.426025
k=  7.000000
  -56.5195         0         0         0         0         0         0         0
  -52.2329  -50.8040         0         0         0         0         0         0
  -23.8564  -14.3976  -11.9705         0         0         0         0         0
   -6.8278   -1.1516   -0.2685   -0.0828         0         0         0         0
   -2.6815   -1.2994   -1.3093   -1.3258   -1.3307         0         0         0
   -1.7327   -1.4164   -1.4242   -1.4260   -1.4264   -1.4265         0         0
   -1.5022   -1.4254   -1.4260   -1.4260   -1.4260   -1.4260   -1.4260         0
   -1.4450   -1.4260   -1.4260   -1.4260   -1.4260   -1.4260   -1.4260   -1.4260
```

matlab romberg积分 龙贝格积分

Matlab





```
clc,clear
x=[0,1,2,3,4];
%y=[0,0.075,0.086,0.052,0.0024];
y=[0,0.037,0.025,0.037,0];
scatter(x,y,'k');                                                      %画出原始数据散点图
hold on
duoxiangshi = polyfit(x,y,4); %3次拟合 降幂排列
disp(duoxiangshi);
xi = 0:0.001:4.0;
yi = polyval(duoxiangshi,xi);   %多项式求值
plot(xi,yi,'b');         %观测数据点
hold on
xlabel('x');
ylabel('y');
legend('原始数据','拟合曲线');
```

结果

![在这里插入图片描述](/static/img/images/02781.png)

MATLAB 对试验点进行三次拟合

我是一个专注技术分享的博主,尤其爱搞深度学习和单片机电子。你现在看到的是我的个人博客网站。