相机响应曲线：外界光对应到拍摄的图像的像素值，中间的转化过程用曲线表示。

ISO：感光度，衡量底片对光的灵敏程度。



上面这幅图就是相机的响应曲线

横坐标为真实亮度的对数

纵坐标为像素亮度/底片密度——在这里我们一般使用8bit的图，也就是（0,255），因此当灰度级别在50时，我们图像的值为0.5X255=78；灰度级别在100时，我们的图像的值为1X255=255

我们可以看出，响应是一条s曲线，s曲线的好处就是较低数值响应不敏感，较高数值响应不敏感，中间数值响应敏感。人眼对中间灰度敏感，因此s曲线刚好提高了中间灰度的辨识度，又不至于直接丢失暗部和亮部的信息。

这里我们还是需要用到输入、输出分析

输入：场景中，物体表面光的亮度

输出：拍摄图片中，该物体反映到数字（0-255）的灰度值。

中间过程：输出=响应曲线X（输入）——I=f(j)

我们这张图同样可以看出我们的ISO做了哪些工作。数码相机的ISO是通过调整感光元件对光线的灵敏程度或者合并感光点来实现的对相机相应曲线进行调节，这里的调节一般情况下只是在x轴方向上的平移。

ISO增大带来的影响是图像整体变亮了，实质为暗部向灰部迁移，灰部向亮部迁移，亮部全部过爆255。在图中我们能够看到，ISO变大，相机响应曲线左移，因此相机的暗部变为了敏感区域，而亮部则变成了100%的区域。

这里就可以说明了，ISO变化只起到调节相机响应曲线左右移的左右，而不会改变相机响应曲线。

matplotlib绘制电子鼻传感响应曲线
记录一下最近利用matplotlib绘制电子鼻响应曲线(老师的项目工作，会省掉一些东西)
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl
import os
mpl.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False 

data = pd.read_csv('') ##读取要绘制的数据，一般是txt
data = data.iloc[:,5:29]
data.columns = [i for i in range(24)]
name = ['温度1','温度2','湿度1','湿度2','压力1','压力2'] ## 传感器名称，省略了一些
y_ticks = np.arange(-1000,4200,500)
x_ticks = np.arange(0,820,50)


for i in range(24):
    plt.plot(data.iloc[:,i])
    plt.xlim(0,820)
    plt.ylim(-1000,4200)
    plt.xticks(x_ticks,size=20)
    plt.yticks(y_ticks,size=20)



t1 = 'P13'
t2 = 'P14'
t3 = 'P15'
t4 = 'P17'
plt.text(50, -300, t1, ha='left', rotation=0, wrap=True,  bbox=dict(boxstyle='square,pad=0.5', fc='white', ec='k',lw=1 ,alpha=0.5),size=15)
plt.text(120, -300, t2, ha='left', rotation=0, wrap=True,  bbox=dict(boxstyle='square,pad=0.5', fc='white', ec='k',lw=1 ,alpha=0.5),size=15)
plt.text(325, -300, t3, ha='left', rotation=0, wrap=True,  bbox=dict(boxstyle='square,pad=0.5', fc='white', ec='k',lw=1 ,alpha=0.5),size=15)
plt.text(675, -300, t4, ha='left', rotation=0, wrap=True,  bbox=dict(boxstyle='square,pad=0.5', fc='white', ec='k',lw=1 ,alpha=0.5),size=15)

t5 = '  P13:空气基线\nP14:空气后基线\nP15:进样阶段\nP17:清洗阶段'

plt.text(830, -500, t5, ha='left', rotation=0, wrap=True,  bbox=dict(boxstyle='square,pad=0.5', fc='white', ec='k',lw=1 ,alpha=0.5),size=15)
plt.legend(name,bbox_to_anchor=(1,0.626), loc='center left',fontsize=12)
plt.axvline(x=100,ls=':',c='black')  ## 绘制垂直直线
plt.axvline(x=160,ls=':',c='green')
plt.axvline(x=520,ls=':',c='red')
plt.xlabel('数据采样点',size=20)
plt.ylabel('传感器数值',size=20)
plt.show()



上图是绘图结果。若需要循环绘制图片，并保存可以在保存数据的时候可以使用这样的语句这样可以使保存的图像清晰：
fig = plt.gcf()
fig.set_size_inches((20, 11), forward=False)
fig.savefig(save_path+pathdir+'.png')
plt.clf() # 循环绘制，在保存好后会清除已经绘制好的内容以便下一次绘制。

文章目录
C程序
gnuplot绘图
matlab代码
matlab绘图



C程序
#include<stdio.h>
#include<math.h>
#include<complex.h>
#define pi 3.1416
int main()
{
	double b[] = {1, 0, 0}; //分子系数
	double a[] = {1, -0.75, 0.125}; //分母系数
	int i, n;
	double w;
	double complex num, den, H;
	for(i = 0; i <= 2000; i++)
	{
		w = 2*pi*i / 2000; //w的取值范围为[0,2*pi]
		num = 0; //分子
		den = 0; //分母
		for(n = 0; n < 3; n++)
		{
			num += b[n]*cexp(-I*n*w);
			den += a[n]*cexp(-I*n*w);
		}
		H = num/den;
		printf("%e\t%e\t%e\n", w/pi, 20*log10(cabs(H)), carg(H));
	}
}
gnuplot绘图

幅频特性曲线


相频特性曲线



matlab代码
b=[1 0 0];	%分子系数
a=[1 -0.75 0.125];	%分母系数
[H,w] = freqz(b,a,2001,'whole');
figure(1);
plot(w/pi,20*log10(abs(H)));
figure(2);
plot(w/pi,angle(H));

matlab绘图

幅频特性曲线


相频特性曲线

文章目录
C程序
gnuplot绘图
matlab代码
matlab绘图



C程序
#include<stdio.h>
#include<complex.h>
#define pi 3.1416
int main()
{ 
	double complex H; 
	double w;
	for(w = -6*pi; w <= 6*pi; w = w+0.01)
	{
		H = (I*w) / (0.2*cpow(I*w,3) + 0.2*cpow(I*w,2) + I*w);
		printf("%f\t%f\t%f\n", w, cabs(H), carg(H));
	}
}
gnuplot绘图

幅频特性曲线


相频特性曲线



matlab代码
w = -6*pi:0.01:6*pi;
b = [1 0];
a = [0.2 0.2 1 0];
H = freqs(b,a,w);
figure(1);
plot(w, abs(H));
figure(2);
plot(w, angle(H));

matlab绘图

幅频特性曲线


相频特性曲线