接触角的表征

常见的接触角用蔡司显微镜拍摄后，有三种处理方法：量角法、切线法、量高法

但是结果都不是很好，且认为误差较大，可以通过图像处理，来判定角度。

先写了浸入条件的（其的还没写好，寄）：

# -*- coding: utf-8 -*-
"""
Created on Sat Nov 18 10:57:47 2023

@author: ChuanQi
@email: laijiugo@163.com

1. 截取图片  θ<90°
2. 对图片获取初值  基准点的确定（可以在左边，但不要太下面）
3. 观察像素点，拟合直线的情况（确定omit_last值 保证噪声的去除）
4. 角度在title



"""

from PIL import Image
from PIL import ImageFilter
import matplotlib.pyplot as plt
import numpy as np

plt.close('all')
plt.rcParams['font.sans-serif'] = ['SimHei']   # 步骤一（替换sans-serif字体）
plt.rcParams['axes.unicode_minus'] = False    # 步骤二（解决坐标轴负数的负号显示问题）


file_name = 'jcj2.png'    # 图片边界稍有留白
img = Image.open(file_name)
plt.imshow(img)  


img = img.filter(ImageFilter.CONTOUR)
img_filter = np.array(img)[:,:,0]    #  图像边缘不要有伪影
position = np.array([[0,0]])  
#%%
#chu_zhi = input('输入初值 [ _ , _ ]:')
chu_zhi = [343,176]  # 255白色 随意 只要在曲线左边  (y,x)


while True:
    if img_filter[chu_zhi[0],chu_zhi[1]+1] != 255:
        new_point = np.array([[chu_zhi[0],chu_zhi[1]+1]])
        position = np.concatenate((position,new_point))
        chu_zhi[0] = chu_zhi[0]-1  # 上移
    else:
        chu_zhi[1] = chu_zhi[1]+1 # 右移
           
    if chu_zhi[0] == 0 or chu_zhi[1] == np.size(img_filter,1)-1:
        break
        
#%%  theta<90
omit_last = 20   # 舍去后续的偏差点  # 图像显示后观察
x_y = position[1:-omit_last,:][:,[1,0]]      # plot是x，y  array（row，col）刚好相反
x = np.array(x_y[:,0])
y = np.array(x_y[:,1])
reg = np.polyfit(x,y,5)
r_y = np.polyval(reg, x)

# 求解theta
import sympy as sp
xx = sp.symbols('xx')
fuc = np.polyval(reg, xx)
fuc_x = sp.diff(fuc, xx)
#print("对x求导结果 : ", fuc_x)
fun_x_value = float(fuc_x.evalf(subs={xx:x.min()}))  # 将x带入 求k
theta = round(abs(np.arctan(fun_x_value)*180/np.pi),2)


x_qiexian = np.arange(len(x))+x[0]  # X0
y_qiexian = fun_x_value*(x_qiexian-x[0])+y[0]   # 绘制切线

plt.plot(x,y,'b*') 
plt.plot(x_qiexian,y_qiexian,'r-')
plt.xlim(0,img.size[0])
plt.ylim(img.size[1],0)
plt.plot([x[0],img.size[0]], [y[0],y[0]],'g-')
plt.text(x[0]+5, y[0]-5, 'θ={}°'.format(theta),color='red')
plt.title('真实图像的拟合')



fig = plt.figure()
plt.plot(x,y,'b*',label='像素点')
plt.plot(x,r_y,'r-',label='拟合值')
plt.title('像素点的拟合程度')        # 修改omit_last
plt.legend()


print('导数值：',fun_x_value)
print('theta=',theta)

其实就是拟合的思想，如果相对噪声具有更好的抗干扰效果，可以找整个图片倒数最大的点作为边界，再拟合，求初始点的斜率，并转化成角度。

结果图