企业官网建设流程全解析

简介：面向科研人员与MATLAB学习者的曲线图片识别工具包，可从论文截图或实验图像中提取曲线坐标，免去重复编写绘图代码，便于多来源数据对比与复核。压缩包共14个文件、约459KB，以12张PNG示例图片、1个MAT文件与1个M脚本组成，图像样本用于测试识别流程，MAT数据与脚本便于加载结果、复现实验并继续调整算法。程序涉及灰度化与二值化、Canny等边缘检测、连通域标记与轮廓追踪、曲线拟合及绘图输出，也包含图像读写和结果保存等基础操作，适合具备一定MATLAB基础、希望把图像处理与数据分析串起来的中级读者。目前已有2019人学习，可作为课程实验、论文复现或科研数据整理时的参考实现。

1. 从一张截图里把曲线捞回来：这个 matlab 程序解决的是“只有图没有数”的麻烦

手里只剩一张曲线截图，要复现实验就得把数据点一个个描出来——这事我干过不止一次。某开发者拿一份报告里的十几张 matlab 出图来找我，原始 .mat 早不知道丢哪儿去了，只剩 PNG。这个曲线图片识别程序干的就是这活：读入一张曲线图，先摘掉网格和边框、锁定绘图区，再按你给的标定点把像素坐标换算成数据坐标，最后吐出 CSV。它适合两类人，一类是手里有图无数据、要还原趋势去做对比的，另一类是想拿 matlab 把图像处理流水线走一遍的。前提是图得干净——白底、轴清楚、曲线颜色能和背景分开，那种糊成一片的论文扫描件，别指望它能自己变魔术。

2. 项目骨架与技术选型：五个函数串起一条“像素到数据”的流水线

这类工具最怕写成一个上千行的巨型脚本，改一个阈值要翻半天。我的拆法是按处理阶段切函数，每个函数只干一件事、只吃一个 cfg 结构体，中间结果老老实实返回，出问题能单步停下来看。matlab 在这一点上其实比很多人想的顺手：Image Processing Toolbox 里的imbinarize、bwmorph、regionprops、bwlabel已经把二值图那套基本操作封得够用，矩阵索引又能让你一列一列扫像素，不用像在别的语言里那样先想尽办法把图转成数组再转回来。

2.1 目录结构与各模块职责

整个工程保持扁平，一个入口、一个配置、五个阶段函数，外加一个 utils 目录放不进入主流程的小工具。

把阈值全部塞进config.m是血泪经验换来的。早期我把二值化阈值直接写死在函数里，换个图源就得全局搜索替换，改到第三张图的时候人已经麻了。现在换数据集只动配置文件，主流程一行不碰。

2.2 依赖清单与版本差异

必须的是 Image Processing Toolbox，其余都是基础功能。有两个函数要留意版本差异：imbinarize是较新版本才有的，老版本得退回im2bw配graythresh；writematrix也是后来才加的，老版本用csvwrite或dlmwrite代替。我在函数里做了个简单的能力判断，避免拿老版本跑的时候第一个函数就报未定义。

提示：如果打开就提示某个函数未定义，先别怀疑代码，ver看一眼工具箱装没装、版本够不够，这一步能省掉大量无效调试。

曲线拟合和插值用的polyfit、interp1、movmean、medfilt1都是基础库自带，其中medfilt1属于 Signal Processing Toolbox，不想多装一个工具箱就用movmedian代替，效果差别不大。

2.3 一次调用的主流程 main.m

入口函数刻意写得很薄，全流程读下来不超过二十行，出问题时一眼能定位是哪个阶段挂了。

function main(imgPath) % 单张曲线图的识别入口 cfg = config(); % 所有阈值和标定值都从这里来 try [bw, gray, raw] = preprocess(imgPath, cfg); % 1. 灰度 + 二值化 catch ME fprintf('[读图失败] %s -> %s\n', imgPath, ME.message); return; end bw = remove_grid(bw, cfg); % 2. 去网格线与外框 box = locate_axes(bw, cfg); % 3. 锁定绘图区四条边 if isempty(box.left) fprintf('[定位失败] %s 找不到坐标轴，检查背景是否太脏\n', imgPath); return; end T = calibrate(box, cfg.axisVal, cfg); % 4. 建像素->数据的映射 mask = color_mask(raw, cfg); % 5. 按颜色剥出曲线 [x, y] = extract_curve(mask, box, T, cfg); % 6. 逐列取点 [x, y] = post_process(x, y, cfg); % 7. 去重去野值 export_data(x, y, cfg, imgPath); % 8. 导出 + 叠图核验 end

参数上，imgPath支持相对路径和绝对路径；cfg.axisVal是一个四元向量[x左 x右 y下 y上]，填的是坐标轴上对应的真实数值，这个值目前靠人工读图填，我在第 4 章会讲为什么暂时不打算做全自动刻度 OCR；cfg里另有binThresh、gridLenH、gridLenV、minArea、hRange、sMin几个关键项，后面逐个交代。

流程里有两处提前 return——读图失败和定位失败。别小看这两个判断，批量跑几十张图的时候，没有它们你会得到一堆莫名其妙的空 CSV，还得回头猜是哪张图出的事。

3. 预处理与坐标轴定位：先把网格、边框、刻度从图里摘干净

曲线提取的准确率，七成取决于这一步干不干净。剩下的三成里，两成是标定，一成才是取点算法。很多人上来就写逐列扫描，扫出来的点全是网格线的位置，画回去一看是一条锯齿状的鬼画符，这就是跳过了预处理。

3.1 灰度化、对比度拉伸与自适应二值化

先压灰度，再做对比度拉伸。截图和扫描件的背景很少是纯白，往往是 240 左右的浅灰，直接二值化会把大片背景也算成前景，后面bwareaopen都救不回来。

function [bw, gray, raw] = preprocess(imgPath, cfg) raw = imread(imgPath); if size(raw, 3) == 3 gray = rgb2gray(raw); % 彩色图压灰度，颜色信息留给 color_mask 用 else gray = raw; end gray = imadjust(gray); % 拉伸对比度，把发灰的背景推到接近纯白 if isempty(cfg.binThresh) % 光照不均时用自适应，Sensitivity 越小越保守 bw = imbinarize(gray, 'adaptive', ... 'ForegroundPolarity', 'dark', 'Sensitivity', cfg.sensitivity); else bw = imbinarize(gray, cfg.binThresh); % 固定阈值，适合同批同源图 end bw = bwareaopen(bw, cfg.minArea); % 去掉零散噪点 end

ForegroundPolarity设成dark是关键，它告诉函数“我要找的是比背景暗的东西”，曲线和轴线都是深色，背景是浅色，这个极性判断错了会得到一张反色的图，后面所有步骤全废。Sensitivity我一般从 0.4 起调，调大到 0.6 以上时噪声会明显变多，网格线的断点也容易被连起来，反而更难处理。minArea默认给 20 像素，图片分辨率越高这个值越要往上加，1080p 的图给到 50 到 80 比较合适。

固定阈值和自适应阈值的选择有个简单判断标准：同一批图如果来自同一个渲染器、背景一致，用固定阈值binThresh（一般 0.85 到 0.92 之间），结果最稳定；如果是扫描件、拍照件、或者图里有渐变背景，老老实实走自适应。

3.2 形态学去网格的边界条件

网格线在形态学眼里特征极其明显：又长又直，要么纯水平要么纯垂直。开运算用一个长条结构元就能把它们单独提取出来，再从原图里减掉。

function bw = remove_grid(bw, cfg) % 长条结构元只保留"足够长且方向一致"的线段 hLine = imopen(bw, strel('line', cfg.gridLenH, 0)); % 水平网格 vLine = imopen(bw, strel('line', cfg.gridLenV, 90)); % 垂直网格 grid = hLine | vLine; if cfg.keepFrame % 保留外框：只减掉框内部的网格 inner = false(size(bw)); inner(cfg.frameTop:cfg.frameBottom, cfg.frameLeft:cfg.frameRight) = true; grid = grid & inner; end bw = bw & ~grid; bw = bwareaopen(bw, cfg.minArea); end

gridLenH和gridLenV的长度要卡在一个区间里：比一格网格长、比整条坐标轴短。设短了，网格断点减不干净；设长了，坐标轴本身也被当成网格一起减掉，后面locate_axes直接找不到边。我的做法是先跑一次不管网格的版本，locate_axes输出四条边的位置，量一下绘图区高度，取gridLenV ≈ 绘图区高度 × 0.7，这个经验系数在多数图上都成立。

keepFrame这个开关背后是一个很实际的取舍：如果坐标轴本身就是背景色、只有网格，那就得靠外框来定边界；如果图是标准的 matlab 出图、四周有框线，那就必须保留外框。判断方法很简单，把hLine和vLine显示出来看一眼就明白了。

这里有个必须提前说清的坑：如果某条曲线本身接近水平（比如一段慢变的温度曲线），imopen会把它当成网格线减掉。所以remove_grid只应该作用在灰度二值图bw上用来找轴，真正的曲线提取走的是color_mask的颜色通路，两条路互不干扰。这个设计是刻意的，不是冗余。

3.3 投影法锁定绘图区四条边

坐标轴是大面积连续深色像素，在行方向和列方向的投影里会形成尖峰。这个方法老套但极其可靠，几行代码就能定位。

function box = locate_axes(bw, cfg) colSum = sum(bw, 1); % 每列的前景像素数 -> 竖线 rowSum = sum(bw, 2); % 每行的前景像素数 -> 横线 colSum = movmean(colSum, 3); % 轻微平滑，压掉单像素毛刺 rowSum = movmean(rowSum, 3); thC = max(colSum) * cfg.axisRatio; % 只保留接近最高峰的列 thR = max(rowSum) * cfg.axisRatio; candC = find(colSum > thC); candR = find(rowSum > thR); if isempty(candC) || isempty(candR) box = struct('left', [], 'right', [], 'top', [], 'bottom', []); return; end box.left = min(candC); box.right = max(candC); box.top = min(candR); box.bottom = max(candR); end

axisRatio默认 0.6，含义是“至少要有最高峰六成的长度才算轴”。设太低会把密集的网格候选也吃进来，导致box被撑大到整张图；设太高则在轴被曲线截断的情况下漏检。图里如果同时存在左右两条竖轴（双 y 轴图），min和max会把整个绘图区框住，这恰好是我们想要的——两条轴的像素范围就是数据范围。

movmean的窗口给 3 就够了，给大了会把两条靠得很近的轴合并成一条，边界直接偏移几个像素，标定误差就是这么来的。

3.4 刻度线识别与标定点取值

到这一步，绘图区的像素范围有了，但“左上角对应 (0, 100)”这件事程序并不知道，必须由外部告诉它。全自动刻度识别听着很美，实际做起来要先切出轴标签区域、再做字符分割、再识别数字、还得处理和科学计数法、负号、小数点，投入产出比极低，而且识别错一个数字整条曲线就全偏了，人还很难发现。

我采用的是半自动：程序在图上画出检测到的四条边，人工确认后用ginput点两个点，或者直接在cfg.axisVal里填数值。

function T = calibrate(box, axisVal, cfg) % axisVal = [x左 x右 y下 y上]，人工读图填入 px = [box.left, box.right]; py = [box.bottom, box.top]; % 注意：像素行号向下增大，y 轴向上增大 if strcmpi(cfg.xScale, 'log') T.px2x = polyfit(log10(px), log10([axisVal(1) axisVal(2)]), 1); T.xMode = 'log'; else T.px2x = polyfit(px, [axisVal(1) axisVal(2)], 1); T.xMode = 'linear'; end if strcmpi(cfg.yScale, 'log') T.py2y = polyfit(log10(py), log10([axisVal(3) axisVal(4)]), 1); T.yMode = 'log'; else T.py2y = polyfit(py, [axisVal(3) axisVal(4)], 1); T.yMode = 'linear'; end T.box = box; T.axisVal = axisVal; end

用polyfit做一次多项式拟合，本质就是两点连线，但写成拟合的形式后面好扩展——如果你能提供三个以上的已知点（比如网格交点），直接换成最小二乘，抗标定误差的能力立刻上一个台阶。axisVal允许左大右小，也就是反向轴，polyfit会自动得到负斜率，不用特殊处理，这点比手写线性插值省心。

对数轴的判断必须由使用者显式告知，程序没法从像素里看出这是对数轴。判断依据其实肉眼就能看出来：刻度是 1、10、100、1000 这种等比排列的，就是对数轴。

4. 标定与曲线提取：把像素坐标反解成物理量

坐标轴定好了，剩下的核心问题只有一个：给定一个像素点 (row, col)，怎么算出它对应的 (x, y)。这一步没有玄学，就是两次一维映射，但坑都藏在细节里。

4.1 线性标定与对数轴、反向轴的处理

标定公式在第 3 章已经给出来了，这里补一句取值时的写法，因为对数轴和非对数轴的取反操作不一样，混用会得到一列负数或者 NaN。

function v = px2val(p, T, dim) % dim = 'x' 或 'y'，统一入口，避免到处写 if if strcmpi(dim, 'x') f = T.px2x; mode = T.xMode; else f = T.py2y; mode = T.yMode; end if strcmpi(mode, 'log') v = 10 .^ polyval(f, log10(p)); % 先取对数域的值，再还原 else v = polyval(f, p); end end

polyval比polyfit更适合在循环里反复调用，它是纯求值，没有拟合开销。对数轴这条分支里，log10(p)要求像素坐标为正，所以box的边界值不能出现 0，出现 0 说明定位结果本身是错的，先去查locate_axes。

反向轴的情况上面已经覆盖了，axisVal(1) > axisVal(2)时拟合出来斜率为负，取值自然就是反向的，不需要额外加if。

4.2 颜色分割剥出多条曲线

一张图里三条曲线是常态，靠灰度值区分基本不可能——它们的灰度往往一样深，只有色相不同。所以曲线提取这条路走的是 HSV 空间。

function mask = color_mask(raw, cfg) if size(raw, 3) < 3 % 灰度图没有颜色可用，退回亮度阈值，效果会打折 gray = im2double(raw); mask = gray < cfg.grayCurveThresh; return; end hsvImg = rgb2hsv(raw); h = hsvImg(:,:,1); s = hsvImg(:,:,2); v = hsvImg(:,:,3); if cfg.isRedHue % 红色在色相环上跨 0 边界，必须用两段拼 hueOK = (h > cfg.hRange(2)) | (h < cfg.hRange(1)); else hueOK = (h > cfg.hRange(1)) & (h < cfg.hRange(2)); end mask = hueOK & (s > cfg.sMin) & (v > cfg.vMin); mask = bwareaopen(mask, cfg.minArea); mask = imclose(mask, strel('disk', cfg.closeR)); % 补上抗锯齿留下的断点 end

sMin是饱和度下限，我一般给 0.3 到 0.5。抗锯齿的边缘像素饱和度会明显下降，sMin设太高会让曲线变细甚至断开，设太低则会把浅色的网格和背景杂色一起吃进来。vMin是亮度下限，用来排除黑色文字和坐标轴——文字和轴通常是低饱和度的深色，饱和度这一关基本就能挡住，vMin是双保险。

closeR做一次闭运算，半径给 1 到 2 像素，专门补抗锯齿造成的单像素缺口。给大了曲线会明显变粗，还会把靠得近的两条曲线粘成一坨，这个半径一定要小。

4.3 列扫描取中值：解决线宽、锯齿与自交

有了掩膜，逐个列扫过去就行。每一列可能命中一片连续的像素行，也可能命中好几段——曲线自交、或者同色的两条线交叉时就会出现多段。取中值能抵消线宽带来的偏移，取均值则会被抗锯齿的灰边拉偏。

function [x, y] = extract_curve(mask, box, T, cfg) x = []; y = []; for c = (box.left + cfg.margin) : (box.right - cfg.margin) rows = find(mask(:, c)); if isempty(rows), continue; end segs = split_segments(rows, cfg.gapTol); % 一列内按间距拆段 for k = 1:numel(segs) r = median(segs{k}); % 中值，抵消线宽 x(end+1, 1) = px2val(c, T, 'x'); y(end+1, 1) = px2val(r, T, 'y'); end end end function segs = split_segments(rows, gapTol) segs = {}; if isempty(rows), return; end cut = find(diff(rows) > gapTol); % gapTol 一般给 2~3 像素 s = [1; cut + 1]; e = [cut; numel(rows)]; for i = 1:numel(s) segs{i} = rows(s(i):e(i)); end end

margin的作用是把贴着边框的那几列跳过，边框本身是深色的，很容易被颜色掩膜误吃进来，跳过 2 到 3 列就能避开。gapTol控制“多近算同一段”，给 2 到 3 像素足够跨过抗锯齿的小缺口，给到 8 以上就会把靠得近的两条曲线当成一条。

这段代码对一条曲线会输出一组点，对 k 条曲线会输出 k 组点但混在一个数组里。实际使用时我会在extract_curve外面套一层，按segs的段数做过滤：如果某列出现两段以上，说明这里有自交或者多条曲线，要么按颜色再细分，要么在post_process里做轨迹跟踪。

4.4 断点、野值与平滑的取舍

原始点里一定混着噪声：图例框的边缘、曲线穿过网格线的位置、抗锯齿造成的偏移。处理顺序有讲究，先排序去重，再剔野值，最后平滑。

function [x, y] = post_process(x, y, cfg) [x, idx] = sort(x); y = y(idx); % 同一个 x 上出现多个点（多值曲线）时，只保留最靠上的那个 [u, ia] = unique(round(x, cfg.xDig), 'last'); x = u; y = y(ia); % 中值滤波剔野值，窗口必须奇数 y = medfilt1(y, cfg.medWin, 'omitnan'); % 移动均值平滑，窗口不要超过曲线最短周期的 1/10 if cfg.smoothWin > 1 y = movmean(y, cfg.smoothWin); end end

xDig是 x 保留的小数位数，因为浮点映射出来的 x 几乎不会重复，不取整的话unique一个都去不掉。medWin建议 5 或 7，专门对付那种突然跳出去一大截的单点野值——它们通常来自图例边框被误识。smoothWin我用 5 到 9，再大就会把真实的小幅振荡一起抹平，画回原图做叠图对比时一眼就能看出来。

平滑是最后一刀，做完之后一定要把结果叠回原图上看，别只盯着 CSV 里那串数字。叠图核验在export_data里做，把提取出的点用另一种颜色画在raw上，点是落在曲线上还是漂在曲线旁边，肉眼一秒钟就能判断，比看残差图快得多。

5. 避坑与排查：这几处不处理好，导出的数据基本不能用

下面四条是我在不同图上反复翻车之后记下来的，每条都按现象、原因、解决三段走。遇到提取结果不对，先按这四条对一遍，八成能定位。

5.1 曲线整体“变胖”，导出值恒定偏移

现象：提取出的 y 值比真实值稳定偏大或偏小一个小常数，曲线形状完全对，就是整体上下平移了一点点。

原因：抗锯齿。渲染器画线时会在主线条两侧生成半透明的过渡像素，颜色掩膜的阈值一松，这些过渡像素就被算进曲线，median取的是加粗后那一坨的中值，自然偏移了半个到两三个像素。

解决：先量线宽再决定阈值。用一行代码看当前掩膜的平均粗细：

stats = regionprops(mask, 'MinorAxisLength'); fprintf('平均线宽 %.2f 像素\n', median([stats.MinorAxisLength]));

正常渲染的曲线线宽在 1.5 到 3 像素之间，如果量出来 5 以上，说明阈值太松。把sMin往上加 0.1、vMin往上加 0.05，再量一次。另一种更稳的做法是做骨架化：bwskel(mask)把粗线细化成单像素中心线，再逐列取点，偏移直接消失，代价是交叉处骨架会分叉，要配合gapTol一起调。

5.2 图例和标注被当成曲线

现象：在 x 轴的某个区间里突然出现一小撮离群点，画回原图一看，位置正好对图例里那条彩色小线段或某个文字标注。

原因：图例里的示例线条和曲线同色同宽，颜色掩膜分辨不出来；文字标注如果是彩色的同理。

解决：最省事的办法是在config.m里加一个排除矩形cfg.excludeRect = [x1 y1 w h]，用mask(y1:y1+h, x1:x1+w) = false挖掉。矩形坐标不用手填，在图上ginput框两下就出来了。如果想自动一点，可以统计每个连通域的包围盒长宽比：图例线段通常是短而粗的一小段，长宽比接近 3 到 8，而真实曲线横跨大半个绘图区，长宽比往往在 20 以上，用regionprops的BoundingBox一筛就能滤掉大部分。文字标注则靠面积和长宽比双重条件，字符的包围盒接近正方形，很好认。

5.3 对数轴用了线性标定

现象：曲线形状被压成一条近乎水平的直线，或者低值区间的点全挤在一起，高值区间拉得特别开。

原因：图是对数轴，cfg.xScale或cfg.yScale忘了设成'log'，calibrate走了线性分支，映射关系完全错位。

解决：看图判断，刻度标签是 1、10、100、1000 这种等比排列的就是对数轴，是 0、50、100、150 的就是线性。calibrate里已经按cfg分支处理，改配置就行。改完一定要叠图核验，因为对数轴的错误映射看起来“也挺像一条曲线”，光看 CSV 不容易发现。

5.4 曲线自交处一列出现两段

现象：提取结果在某个 x 附近出现两个 y，且两点距离很近，画出来是一个小小的竖直跳变。

原因：曲线自交或者两条同色曲线交叉，同一个像素列上确实对应两个数据点。split_segments把它们拆成了两段，两段都被写进了结果数组。

解决：看你的需求。如果只是要趋势，post_process里那条unique(..., 'last')会保留其中一个，简单粗暴但够用。如果要还原完整轨迹，就得做跟踪：以上一列的点为基准，在两段里选距离最近的那段继续，另一段另起一条轨迹。

% 简易跟踪：候选段里选离上一列最近的那段 if ~isempty(lastRow) [~, best] = min(abs(cellfun(@median, segs) - lastRow)); segs = segs(best); end

这段逻辑放进extract_curve的列循环里就能跑，把lastRow在每列末尾更新成当前选中的中值即可。代价是遇到真正的分叉（两条曲线从同一点分开）会跟丢一条，那种情况只能靠颜色或者人工干预，别指望纯几何方法能自动分开。

6. 二次开发：从单张手调改成批量流水线

单张图跑通之后，真正的需求几乎一定是“我这儿还有两百张”。改造的核心思路是把main.m里那些硬编码的路径和人工交互全部外置，让主流程变成一个纯函数，输入路径、输出结果，中间不弹窗、不停顿。

第一步是把配置对象化。config.m改成接受一个名字参数，按图源返回不同的 cfg：cfg = config('datasetA')，每批图的阈值、标定值、排除矩形都写在自己的分支里。同批同源的图，标定值往往是完全一样的，只要绘图区的像素范围一致就能复用T，省掉大量重复劳动。

第二步是批量入口。用dir收集图片，parfor并发（前提是每张图互不依赖，且不开ginput），失败的不中断整个批次，单独记到一个失败清单里。

files = dir(fullfile(cfg.batchDir, '*.png')); failList = {}; parfor i = 1:numel(files) try main(fullfile(files(i).folder, files(i).name)); catch ME failList{end+1} = sprintf('%s | %s', files(i).name, ME.message); end end

第三步是加质检。批量的敌人不是报错，是“跑完了但结果不对还没人发现”。我加了一个简单的质量分：提取点数和绘图区宽度之比低于 0.3 的判为可疑（曲线断得太厉害），最高点和最低点落在绘图区边界 2 像素以内的判为可疑（很可能是轴被当成了曲线）。可疑的图自动进复核队列，人工只看这一小撮，效率比全量看高一个数量级。

最后一步是把拟合接上去。原始点导出 CSV 之后，如果要的是趋势方程而不是逐点数据，可以在export_data里追加一段polyfit，把阶数和 R² 一起写进结果表，方便一眼判断拟合质量。

从那以后我每次跑批量识别，都强制先把前十张图的标定结果和叠图核验挨个看一遍，确认没有系统性偏移，再放开全量跑——这个习惯让我躲过了至少两次“两百张图全偏了半个像素，只能从头再来”的返工。希望帮到你。

本文还有配套的精品资源，点击获取