简介：本资源面向雷达系统设计工程师、信号处理方向研究生及MATLAB仿真学习者，聚焦PRF（脉冲重复频率）与距离/方位模糊关系的可视化分析，提供一套轻量级但完整的斑马图建模与解读工具。压缩包含2个核心文件：MATLAB源码（.m）实现可参数化生成雷达斑马图，支持PRF、目标距离、扫描周期等变量调节；配套PDF论文深入解析弹载平台聚束SAR中PRF设计原理与斑马图工程应用案例，强化理论支撑。资源总大小264KB，结构紧凑、即下即用。已有1184人学习下载，读者可直接运行脚本复现典型斑马条纹图，结合论文理解模糊机理，快速掌握雷达参数权衡设计方法，适用于课程设计、课题仿真及实际系统预研阶段。 最近做图像处理大作业时接触到一个挺有意思的玩法——斑马图。说白了就是用 MATLAB 把一张普通图像或者二维数据，变成类似斑马身上那种黑白相间的条纹图。乍一看好像只是花哨的视觉效果，但它本质上是一种把连续灰度信息"压缩"成周期性明暗变化的可视化手段，在亮度分布检测、相位显示、模式分析甚至摄影过曝提示里都有实际应用价值。这篇博文我就从零开始，把斑马图的原理、生成方法、参数调优和常见坑一次性讲清楚，适合正在啃 MATLAB 图像处理、做光学模拟或者纯粹想炫个技的同学参考。
1. 斑马图的设计思路与选型逻辑
1.1 斑马图到底在表达什么
斑马图的核心思想非常朴素：给定一个二维数据矩阵（可以是灰度图像，也可以是任意数值场），通过某种周期性映射规则，把连续的数值范围划分成一个个"亮带"和"暗带"，相邻两条带的宽度相同或渐变，从而形成条纹图案。你在 MATLAB 里构造一个黑白条纹矩阵并不难，难的是让条纹本身承载有意义的信息。
举个例子，假设你拿到一张亮度不均匀的照片，直接用肉眼往往很难判断到底哪个区域偏暗、哪个区域过曝，因为人眼对缓慢渐变的灰阶并不敏感。但如果你把这张图的灰度值映射成斑马条纹，亮度每升高一个固定间隔，条纹就切换一次黑白状态。这样一来，亮度均匀的区域条纹宽度一致、边界清晰；亮度剧烈变化的区域条纹会变密甚至断裂，过曝区域则会变成纯白一片。这种"以条纹异常定位数值异常"的思路，就是斑马图最有价值的用法。
1.2 为什么选择 MATLAB 而不是 Python 或其他工具
我早年也用过 Python 的 matplotlib 绘制类似图案，但最终主力还是回到了 MATLAB，主要是三个原因：
第一，MATLAB 的矩阵操作天然契合斑马图的生成逻辑。斑马图本质上就是对矩阵的每个元素做范围判断，MATLAB 里一行mod(floor(I / width), 2) == 1就能完成全矩阵的映射，不需要写循环，运行速度快且代码极其简洁。
第二，MATLAB 的imagesc、imshow、colormap三件套在处理图像类数据时交互性更好，可以实时调整颜色映射和坐标轴显示，调试效率比 Python 高不少。
第三，也是比较实际的一点，很多理工科同学的教学环境、课程作业和课题组代码库都是 MATLAB 生态，用 MATLAB 写的斑马图工具可以直接嵌入到现有项目里，比如处理电磁场分布、光学相位图或者振动模态图，不用额外搭环境。
不过我也要说明，斑马图的原理是通用的，你完全可以把下面的思路移植到任何编程语言里，核心就那么几步逻辑，语言只是工具。
1.3 斑马图的典型应用场景
在我实际接触过的需求里，斑马图最常见的场景有四类：
- 图像亮度异常检测：把灰度图的亮度值映射为条纹，条纹变形的地方就是亮度突变处，常用于工业视觉检测，比如检查产品表面涂层是否均匀。
- 相位场可视化：光学或电磁场的相位分布通常在
[-pi, pi]区间，直接用灰度图显示时，pi和-pi边界处的跳变非常突兀。用斑马图则可以把相位周期性地折叠成黑白条纹，边界信息一目了然，这在分析涡旋光束、干涉条纹时特别实用。 - 模式场图分析：比如热搜里提到的 TM11 模式，场分布有正有负，斑马图能直接显示零场线的位置，也就是黑白条纹的分界线，这对分析波导模式、谐振腔模式帮助很大。
- 散点密度与数据分布展示：把散点密度映射成条纹图，可以避免传统热力图颜色区分度不足的问题。
明白斑马图的本质之后，接下来就是实打实的代码层面的事情了。
2. 核心细节解析：数据映射、颜色与条纹参数
2.1 灰度值到斑马条纹的数学映射
斑马图生成的数学基础是周期性矩形波（方波）映射。最简单的实现方式是取模运算：
zebra(x, y) = 1 当 floor(I(x, y) / W) 为偶数 zebra(x, y) = 0 当 floor(I(x, y) / W) 为奇数这里的I(x, y)是像素或数据点的数值，W是单条亮带/暗带的宽度，也就是数值意义上每多少灰度值切换一次颜色。为什么用floor而不是直接mod(I, W)？因为floor可以把连续的数值范围划分成一个个半开区间[nW, (n+1)W)，每个区间对应一个完整的条纹，而单纯的mod只会告诉你余数，很难直接映射到条纹序号上。
另一种常见的映射是正弦波调制：
zebra(x, y) = 1 当 sin(I(x, y) * 2 * pi * f) > 0 zebra(x, y) = 0 当 sin(I(x, y) * 2 * pi * f) <= 0其中f是空间频率，控制条纹的疏密程度。这种方式生成的条纹边界是平滑过渡的，因为正弦波本身是连续函数，你可以在阈值附近做渐变而不是硬性的黑白切换，视觉上更柔和。
2.2 条纹方向与数据维度的关系
很多人一开始会混淆"条纹方向"和"数据变化方向"。实际上，斑马条纹是沿着数据值变化的梯度方向排列的。举个例子：
- 如果数据只在
x方向上变化（比如亮度从左到右递增），y方向不变，那么同一行内数值不同，同一列内数值相同，取模之后条纹自然就是垂直的。 - 如果数据在
x和y两个方向都不变，只有中心区域有一个圆形凸起（比如高斯光斑），条纹就会围绕中心形成一圈一圈的同心环。
理解了这一点，你在设计斑马图时就不会把条纹方向搞反。想要水平条纹，就让数据在y方向变化；想要垂直条纹，就让数据在x方向变化；想要斜向条纹，就得让数据沿对角线方向变化，最简单的办法是构造一个斜率场，比如I = X + Y。
2.3 颜色映射与显示细节
斑马图不一定是黑白的，你完全可以用colormap切换成蓝白、红白等任意两色组合。在实际操作中，我建议用imagesc而不是imshow来显示斑马图，因为imagesc会自动做数据归一化，并且支持直接叠加坐标轴、colorbar，方便观察数值和条纹的对应关系。
有一个细节需要注意：如果使用imshow显示逻辑矩阵（logical类型），它会默认显示为黑白两色，这没什么问题；但如果你把逻辑矩阵直接传给uint8转换，值0和1显示出来几乎是全黑的，因为 1 在 0-255 的灰度范围里太暗了。正确做法是先乘以 255 再转uint8，或者直接用逻辑矩阵配合imagesc并使用colormap(gray)。
另外，如果想把斑马图叠加到原图上做半透明可视化，可以用imshow的AlphaData属性，这样既能保留原图纹理细节，又能看到条纹信息。这个技巧我在亮度检测场景里用得非常多。
2.4 参数选择：条纹宽度与频率怎么定
参数选择是斑马图最容易翻车的地方。条纹太粗，信息分辨率太低，看不出细节变化；条纹太细，人眼会看到摩尔纹或者闪烁感，而且图像压缩传输后还会出现伪影。我给一个参考标准：
- 在图像处理场景中，如果图像灰度范围是 0-255，条纹宽度
W取 16 到 64 比较合适。太宽比如 128，全图只有两三条条纹，基本失去意义；太窄比如 4，条纹会密集到无法辨认。 - 在数值场模拟场景中，需要先统计数据的动态范围
[minVal, maxVal]，设定想要的条纹数量N（比如 8 到 12 条），然后W = (maxVal - minVal) / N。 - 如果用正弦调制法，频率
f的取值范围建议在0.5 / W左右，这样条纹在数值域上的密度与取模法大致相当。
注意：条纹数量不是越多越好。人眼能轻松分辨的条纹密度是有限的，超过 32 条之后基本都在作茧自缚。做科研绘图时，审稿人也不会喜欢一张密不透风的条纹图。
3. 实操过程：从零到一生成斑马图
3.1 环境准备与测试数据构造
我用的是 MATLAB R2022b，其实 R2016b 之后的版本都能正常运行下面这些代码，不涉及高版本特有函数。先构造一个高斯光斑作为测试数据，这个场景非常经典，因为它同时包含平滑变化区域和快速衰减区域，能很好地展示斑马图的细节表现力。
% 构造测试图像：二维高斯光斑 x = linspace(-3, 3, 512); y = linspace(-3, 3, 512); [X, Y] = meshgrid(x, y); I = exp(-(X.^2 + Y.^2) / 1.5); figure; imagesc(I); axis image; colormap(gray); title({'原始灰度数据', '高斯光斑'}); colorbar;跑完这段代码，你应该能看到一个中心亮、边缘暗的圆形光斑。这就是我们要处理的原始数据。这里meshgrid生成的是二维网格坐标，exp(-(X.^2 + Y.^2) / 1.5)是标准高斯函数，1.5控制光斑的扩散半径，数值越小光斑越集中。
3.2 用取模法生成基础斑马图
接下来是核心代码段。我用取模法把高斯光斑映射成斑马条纹，bandWidth参数设为 0.25，意思就是亮度每变化 0.25 就切换一次条纹状态。高斯光斑的亮度范围大约在 0 到 1 之间，所以最多有 4 条亮带和 4 条暗带。
% 取模法生成斑马图 bandWidth = 0.25; zebra = mod(floor(I / bandWidth), 2) == 1; figure; imagesc(zebra); axis image; colormap(gray); title({'斑马图（取模法）', ['bandWidth = ', num2str(bandWidth)]}); % 转成 uint8 保存 zebra_uint8 = uint8(zebra * 255); imwrite(zebra_uint8, 'zebra_gaussian.png');运行后你会看到一圈一圈的同心环条纹，中心区域条纹较宽，越往外条纹越窄。这是因为高斯函数在中心区域变化平缓，在边缘区域变化剧烈，所以条纹被压缩了。这个现象本身就很有信息量：条纹宽的地方数据变化慢，条纹窄的地方数据变化快。
3.3 用正弦调制法生成渐变斑马图
取模法的缺点是条纹边界过于锐利，在某些场景下会丢失中间灰度信息。这时候可以换成正弦调制法，它的条纹边界是渐变的，适合展示连续变化的物理量。
% 正弦调制法生成渐变斑马图 freq = 8; % 条纹周期数 zebra_sin = sin(I * freq * 2 * pi); figure; imagesc(zebra_sin); axis image; colormap(gray); title({'斑马图（正弦调制法）', ['freq = ', num2str(freq)]});注意这里的zebra_sin不再是逻辑矩阵，而是取值在[-1, 1]的浮点矩阵。直接用imagesc显示时，MATLAB 会自动把最小值映射到黑色、最大值映射到白色，所以你会看到亮暗交替的正弦条纹。如果想把正弦结果也转成二值图，只需要加一句zebra_sin_binary = zebra_sin > 0;。
我实际测试下来，正弦调制法在处理光学干涉条纹模拟时特别好用，因为干涉条纹本来就是余弦分布，直接用正弦调制法生成的光强分布天然符合物理规律。
3.4 进阶玩法：方向可控的条纹生成与叠加显示
很多时候我们不光要环形条纹，还需要垂直、水平、斜向条纹。构造方式也很直接：让数据沿特定方向线性变化即可。
% 生成垂直条纹 x_vec = linspace(0, 1, 512); x_mesh = repmat(x_vec, 512, 1); vertical_stripes = mod(floor(x_mesh / 0.05), 2) == 1; % 生成水平条纹 y_mesh = repmat(x_vec', 1, 512); horizontal_stripes = mod(floor(y_mesh / 0.05), 2) == 1; % 生成斜向条纹 slanted = mod(floor((x_mesh + y_mesh) / 0.1), 2) == 1; % 叠加到原始高斯光斑上（半透明） figure; imshow(I, []); hold on; h = imshow(double(vertical_stripes)); set(h, 'AlphaData', 0.3); title({'原图叠加垂直斑马条纹', 'Alpha = 0.3'});这里的核心思路是把横纵坐标网格直接当作数据源，repmat用于扩展向量方向。改变x_mesh + y_mesh的系数可以控制斜向条纹的角度，比如2 * x_mesh + y_mesh会生成更接近垂直方向的斜纹。这个技巧在需要标注图像分区或者做视觉动线的场景里非常好用。
3.5 相位图斑马条纹转换
接下来是从灰度相位图到斑马条纹的转换，这也是最容易被忽略的进阶用法。在电磁场、光学分析中，相位图通常用atan2(Y, X)生成螺旋相位分布，直接灰度显示时分界线不清晰，但换成斑马图就能清楚看到相位从pi到-pi的跳变位置。
% 生成螺旋相位分布 phase = atan2(Y, X); figure; subplot(1,2,1); imagesc(phase); axis image; colormap(hsv); title({'螺旋相位图', 'hsv 颜色映射'}); colorbar; % 相位斑马图：相位落在 [0, pi) 为白，[-pi, 0) 为黑 phase_zebra = mod(phase, 2 * pi) < pi; subplot(1,2,2); imagesc(phase_zebra); axis image; colormap(gray); title({'相位斑马图', '零相位线清晰可见'});运行之后你会看到，原本在灰度图上模糊难辨的相位奇点，在斑马图上变成了一条清晰的放射线，相位梯度一目了然。这个方法可以帮你快速定位光学涡旋的中心位置，也能应用在干涉计量分析中。热搜词里提到的"matlab 潮汐 分潮"之类的场景，本质上也是周期信号分析，如果你把潮汐数据的位相转为二维场然后画斑马图，同样能直观看到不同分潮之间的相位关系。
4. 常见问题与排查技巧实录
4.1 条纹全黑或全白，根本看不到图
这是最常见的现象，八成是数据范围问题。如果数据的数值范围是[0, 1]而bandWidth设为 2，那么floor(I / 2)恒等于 0，所有像素都落在偶数区间里，自然全白。解决办法是先查看数据范围（min(I(:))和max(I(:))），然后把条纹宽度设置为数据范围的十分之一到二十分之一。
另一个隐蔽问题是数据类型。如果你的I是uint8类型，除以一个小数会先被四舍五入取整，导致计算结果完全错误。强烈建议在计算前先执行I = double(I);。
4.2 条纹出现锯齿和摩尔纹
条纹边界出现锯齿，一般是因为显示分辨率不够或者条纹频率过高。在 MATLAB 的imagesc显示中，可以通过设置figure('Renderer', 'painters')改善一部分向量图形的锯齿，但更根本的办法是提高数据矩阵的分辨率（增大linspace的采样点数），或者降低条纹密度。
摩尔纹则是采样不满足奈奎斯特定理的典型表现。简单理解，当你把连续数据离散成 512x512 的网格时，条纹频率如果超过网格能表达的最高频率（每两个像素一个周期），就会产生混叠。我给的参考值是：条纹周期数不要超过数据行数的 1/8，比如 512 行数据最多画 64 条条纹，再密就会出现假条纹。
4.3 title 标题换行问题
制作报告图时，经常需要两行标题，比如第一行写图名、第二行写参数。很多新手用title('第一行\n第二行')是无效的，因为 MATLAB 的title默认不支持\n换行。正确写法是用单元格数组：
title({'斑马图（取模法）', 'bandWidth = 0.25'});如果想在同一行内穿插普通文本和变量值，用num2str拼接：
bw = 0.25; title({'斑马图（取模法）', ['bandWidth = ' num2str(bw)]});另外，如果需要给每个子图标上(a)、(b)这样的编号，可以在title里直接加：
subplot(1,2,1); title({'(a) 原始灰度图'}); subplot(1,2,2); title({'(b) 斑马图'});这个细节在很多论文绘图中比较常见，提前处理好能省不少事。热搜词里"matlab title中进行换行"和"matlab 每个字母加(a)(b)...."指向的就是这个需求。
4.4 导出图片清晰度不够
用imwrite导出 PNG 或 JPEG 时，很多人会发现导出的图比较模糊。原因通常是直接保存了显示窗口的截图（用截图工具），而没有用imwrite或print导出原始数据。我这里建议：
- 如果是二值斑马图，直接用
imwrite(uint8(zebra * 255), 'filename.png')，这是无损导出。 - 如果是带坐标轴、标题的图形窗口，用
exportgraphics(gcf, 'filename.png', 'Resolution', 300)，得到 300 dpi 的高清图，投稿和报告都够用。
4.5 颜色映射不是黑白而是彩色
有朋友反馈明明用的是灰度图，显示出来却带颜色。这个问题的根源是之前用colormap(jet)或者其他彩色映射设置过当前图窗，新建figure没有重置。解决办法很粗暴但有效：在imagesc后面强制指定colormap(gray)，或者开头用clf; colormap(gray);重置图窗状态。
如果记不住这些坑，可以把常用功能封装成一个函数，每次调用直接传数据和参数，省心不少。我在实际项目中就把斑马图生成封装成了plotZebra(I, bandWidth, direction)这样的工具函数，默认支持环形、水平、垂直、斜向四种模式，团队里其他人用起来也很方便。
4.6 性能问题：大矩阵计算慢
斑马图本身计算量不大，但如果你在处理 4K 甚至 8K 的高清图像，floor和mod这类全矩阵运算也会出现卡顿。优化思路有两个：一是把图像先降采样处理，分析完成后再映射回原始分辨率；二是用parfor并行计算，不过斑马图这个场景矩阵运算已经向量化，并行提升有限，主要瓶颈在内存带宽而非 CPU 计算。
还有一个容易踩坑的问题是，I中如果含有NaN或Inf，floor和mod都会返回非预期结果，导致斑马图出现奇怪的空白或全黑区域。处理方式是先判断有限值：I(~isfinite(I)) = min(I(isfinite(I)));，或者直接把非有限值区域标记为特定颜色再叠加显示。
5. 斑马图在具体研究场景中的应用扩展
5.1 TM11 模式场图的斑马图显示
热搜词里反复出现"怎么用matlab画tm11"，我就顺带说一句。TM11 是波导中的一个横磁模式，场分布呈现双峰结构，有正有负。直接用灰度图显示时，正负区域虽然颜色不同，但边界并不明显。把场值映射成斑马图后，零场线正好落在黑白条纹的交界处，边界定位精度大幅提升。代码逻辑很简单：
% 模拟 TM11 场分布（x 方向和 y 方向各一个波腹） field_tm11 = sin(pi * X / 3) .* sin(pi * Y / 3); zebra_tm11 = mod(floor(field_tm11 / 0.25), 2) == 1; figure; imagesc(zebra_tm11); axis image; colormap(gray); title({'TM11 模式场斑马图'});这个图最适合用来观察模式场零线的位置和正负区域分布。如果你在写电磁场相关的课程报告，这种展示方式会很加分，比单纯的伪彩图直观得多。
5.2 亮度平衡检测
热搜词里还有"matlab亮度平衡"，这也正好是斑马图的强项。工业上检测 LED 屏幕的亮度均匀性时，经常用斑马纹叠加的方式来观察亮度突变区域。你可以把一张屏幕照片读进来，灰度转换后画斑马图，亮度不均匀的区域条纹会明显变形。
% 亮度平衡检测：叠加斑马纹到原图 img = imread('screen_photo.jpg'); img_gray = rgb2gray(img); bandWidth = 24; zebra_overlay = mod(floor(double(img_gray) / bandWidth), 2) == 1; figure; imshow(img); hold on; h = imshow(double(zebra_overlay)); set(h, 'AlphaData', 0.4); title({'亮度均匀性检测', '斑马纹叠加显示'});这个方案的原理是：如果屏幕亮度均匀，每个灰度带的宽度应该一致，斑马纹是等宽的平行条纹；如果某个区域偏亮或偏暗，灰度值会在较短距离内跨越多个带，导致条纹局部变密或变疏。肉眼扫一眼就能判读，比逐像素数值比较高效得多。
5.3 散点密度映射成条纹
散点图的密度信息往往被重叠的散点掩盖，MATLAB 里可以用histcounts2统计二维直方图，然后把密度矩阵映射成斑马图。这样高密度区域会形成密集的条纹，低密度区域条纹稀疏，视觉层次非常丰富。常用在流场分析、人群密度分布等场景。
% 生成随机散点 rng(42); data_x = randn(10000, 1); data_y = randn(10000, 1); % 二维直方图统计 [N, Xedges, Yedges] = histcounts2(data_x, data_y, 50); density = N'; % 生成密度斑马图 zebra_density = mod(floor(density / 5), 2) == 1; figure; imagesc(zebra_density); axis image; colormap(gray); title({'散点密度斑马图'});需要说明的是，密度斑马图有轻微的信息损失，因为它在同一密度区间内把不同的值压缩成了同一种颜色。实际使用时建议把斑马图和原始热力图并列展示，互相补充。
6. 写在最后的一点经验
我在反复调试斑马图的过程中，最深刻的一个体会是：这个工具真正的价值不在于"画出一张好看的条纹图"，而在于它把一维数值映射变成了二维空间结构，让肉眼能够瞬间捕捉到数据中的梯度变化和异常区域。对做图像处理、光学分析、电磁场仿真的朋友来说，值得花半小时把这篇博文里的代码跑一遍，整理成自己常用的工具函数，后面遇到类似需求直接调用就行。
最后再分享一个小技巧：把斑马图和原始数据放在同一个图窗里对比显示，一条一条地调整bandWidth或者频率参数，你会对数据本身的分布特征有更直观的理解。有时候，一个简单的可视化改造就能让原本晦涩的数据分析报告变得清清楚楚，而斑马图正是这样一种"低调但好用"的工具。
本文还有配套的精品资源，点击获取
