NV色心磁场检测+相机识别

在研究NV色心的磁场灵敏度，我通过相机获取到磁场开/关的图片，Mat Open，Mat Close。相机为12bit，Mat的数据范围为0-4095。且观察两张mat变化量很小，百分之几的程度，考虑相机白噪声。目前使用两张图片相除，或者相减，再N次取平均，都看不太出变化的地方.请教广大网友,有什么好的算法推荐一下?


```c++
//相机Api获取到两张Mat,onMat和offMat
onMat.convertTo(onMat, CV_64FC1);
offMat.convertTo(offMat, CV_64FC1);
averMat = onMat / offMat;
if (currentIterNum == 0)
    {
        averMat = mat.clone();
    }
    else
    {
        averMat = (averMat * currentIterNum + mat) / (currentIterNum + 1);
    }
    
    currentIterNum++;
    cv::Mat fixFreImg = averMat.clone();
    fixFreImg = fixFreImg/ currentIterNum*255;
    fixFreImg.convertTo(fixFreImg, CV_8UC1);

```

该回答通过自己思路及引用到GPTᴼᴾᴱᴺᴬᴵ搜索,得到内容具体如下：
由于您的相机是12位位深度的，因此您可能需要考虑处理图像时的噪声和动态范围问题。以下是一些可能有用的技术和算法：

增加图像动态范围：如果您的图像动态范围不足，可以考虑增加曝光时间或使用滤光器来减少环境光的影响。您还可以尝试使用HDR（高动态范围）图像技术来捕获更广泛的亮度范围。
噪声抑制：您可以使用各种噪声抑制技术来减少图像中的噪声，例如高斯滤波、中值滤波、双边滤波、小波去噪等。
灰度级校正：由于您的图像是12位的，因此您可能需要进行灰度级校正，以确保所有像素的灰度级都在0-255范围内。这可以通过将每个像素值除以最大像素值（4095）并乘以255来实现。
相位相关技术：如果您的目标是检测磁场的微小变化，您可以尝试使用相位相关技术来提高信噪比。这可以通过将多幅图像进行相位相关来实现，以消除噪声并增强信号。
图像配准：如果您的图像存在微小的偏移或旋转，您需要将它们对齐才能进行比较。可以使用图像配准技术，例如基于特征的图像配准或相位相关配准来实现。
其他技术：您还可以尝试使用其他技术，例如基于小波的分析、局部对比度增强、尺度变换等来处理您的图像，并提高磁场检测的灵敏度。

需要注意的是，以上这些技术并不一定都适用于您的具体情况，您需要根据实际情况进行选择和调整。

如果以上回答对您有所帮助，点击一下采纳该答案～谢谢

以下回答由chatgpt基于相关博客总结生成:

针对这个问题，可以尝试以下几种处理方法： 1. 直接使用两张图片相减或相除，并增加判断条件筛选出变化巨大的像素点进行处理。再将这些像素点上的值平均，得到比较显著的变化。参照以下代码：

import cv2

#读取Open和Close两张图片
img1 = cv2.imread('Open.jpg',0) 
img2 = cv2.imread('Close.jpg',0)

#相减
img = cv2.absdiff(img1,img2)

#二值化
retval, img = cv2.threshold(img, 30, 255, cv2.THRESH_BINARY)

#降噪（选用滤波器中的高斯滤波）
img = cv2.GaussianBlur(img, (5,5), 0)

可以尝试对两张图片进行一些处理，例如去除相同部分，只留下不同的部分，得到更明显的变化信息。参照以下代码：

import cv2

#读取Open和Close两张图片
img1 = cv2.imread('Open.jpg',0) 
img2 = cv2.imread('Close.jpg',0)

#获得两张图片的形状
shape1 = img1.shape
shape2 = img2.shape

#获得两张图片的大小
size1 = img1.size
size2 = img2.size

#求出两张图片的差异图片
if size1 != size2: #如果两张图片的大小不相同，就将其缩放成相同的大小
    img2 = cv2.resize(img2,(shape1[1],shape1[0]))
img = cv2.absdiff(img1,img2)

#阈值化
retval, img = cv2.threshold(img, 10, 255, cv2.THRESH_BINARY) 

#使用开运算去噪
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
img = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

可以尝试使用机器学习的方法进行处理，从而得到更准确的结果。例如，使用神经网络对两张照片进行训练，然后进行预测，得到更准确的变化信息。例如：

import torch
import torch.nn as nn
import numpy as np

# 定义一个简单的网络，用于分类
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, 3)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 3)
        self.fc1 = nn.Linear(16 * 6 * 6, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(torch.relu(self.conv1(x)))
        x = self.pool(torch.relu(self.conv2(x)))
        x = x.view(-1, 16 * 6 * 6)
        x = torch.relu(self.fc1(x))
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 定义损失函数和优化器
net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

# 训练网络
for epoch in range(2):  # 训练数据集两次
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # 获取输入
        inputs, labels = data

        # 梯度清零
        optimizer.zero_grad()

        # 正向传播，反向传播，优化
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        # 打印统计信息
        running_loss += loss.item()
        if i % 2000 == 1999:    # 每2000个批次打印一次
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

# 使用训练好的模型对两张照片进行预测
outputs1 = net(img1)
outputs2 = net(img2)

# 计算两张照片的误差
error = np.abs(outputs1 - outputs2)

可以查看这个：
https://zhuanlan.zhihu.com/p/604448390