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，k=2π/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g（r）【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)
r1=cv2.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