MATLAB图像处理：条纹长度测量与分析

本代码使用MATLAB进行图像处理，对图像中的条纹进行长度测量，并统计分析条纹长度分布。代码利用图像骨架化和连通域分析，并对短条纹进行过滤。

代码:

%读取图像
img = imread('7-1.tif');
% 将图像转为二值化矩阵
bw = im2bw(img);
% 骨架化操作
skel = bwmorph(bw, 'skel', Inf);
% 消除分支条纹
skel_pruned = bwmorph(skel, 'spur', 2);
% 计算条纹长度
pixel_size = 0.0595; % 空间分辨率为0.0595纳米/像素
lengths = [];
for i = 2:size(skel_pruned, 1)-1
    for j = 2:size(skel_pruned, 2)-1
        if skel_pruned(i, j) == 1
            % 判断是否为对角线像素
            if mod(i+j,2) == 0
                pixel_length = pixel_size * 2;
            else
                pixel_length = pixel_size;
            end
            % 计算条纹长度
            [connectivity, num] = bwlabel(skel_pruned, 8);
            pixel_count = sum(connectivity(:) == connectivity(i, j));
            length = pixel_count * pixel_length;
            % 消除短条纹
            if length >= 0.483
                lengths = [lengths, length];
            end
        end
    end
end
% 统计数据和图像展示
disp(['平均长度：', num2str(mean(lengths)), '纳米']);
disp(['最长长度：', num2str(max(lengths)), '纳米']);
disp(['最短长度：', num2str(min(lengths)), '纳米']);
disp(['条纹数量：', num2str(length(lengths))]);
histogram(lengths);
xlabel('条纹长度（纳米）');
ylabel('数量');
title('条纹长度分布图');

代码修改说明：

原始代码在遍历像素时，存在访问数组边界之外的像素情况，导致错误。为了避免这个问题，我们在循环中添加了判断条件，确保只遍历图像内部的像素。修改后的代码在第9行添加了判断条件 i = 2:size(skel_pruned, 1)-1 和 j = 2:size(skel_pruned, 2)-1，以避免访问边界之外的像素。

代码功能说明：

读取图像：img = imread('7-1.tif'); 读取名为 '7-1.tif' 的图像文件。
二值化：bw = im2bw(img); 将图像转换为二值化矩阵，将像素值大于阈值的像素设置为1，否则设置为0。
骨架化：skel = bwmorph(bw, 'skel', Inf); 对二值化图像进行骨架化操作，将图像中的条纹简化为单像素宽度的骨架。
消除分支条纹：skel_pruned = bwmorph(skel, 'spur', 2); 消除骨架中长度小于2个像素的短分支，得到更清晰的条纹骨架。
计算条纹长度：pixel_size = 0.0595; 定义像素尺寸，例如，0.0595 纳米/像素。循环遍历每个像素，判断该像素是否为骨架像素。如果是，则计算其连通域的大小，并将连通域大小乘以像素尺寸得到条纹长度。
过滤短条纹：if length >= 0.483 将长度小于0.483 纳米的短条纹过滤掉。
统计数据：disp(['平均长度：', num2str(mean(lengths)), '纳米']); 显示条纹长度的平均值、最大值、最小值和数量。
绘制直方图：histogram(lengths); 绘制条纹长度的直方图，展示条纹长度的分布情况。

注意:

代码中的像素尺寸pixel_size需要根据实际情况进行调整。
代码中的过滤阈值0.483 也需要根据实际需求进行调整。
为了获得更精确的测量结果，建议对图像进行预处理，例如，去除噪声和增强对比度。