圖像比較大的話，在MATLAB上跑起來比較慢，用Python跑就會快很多，貼此備用吧！
#coding=utf-8
import pandas as pd
import numpy as np
from pandas import DataFrame
from matplotlib import pyplot as plt
from matplotlib import image
import scipy
import cv2
import scipy.io as sio
#原始數據四周補0
def pad_data(data,nei_size):
m,n = data.shape
t1 = np.zeros([nei_size//2,n])
data = np.concatenate((t1,data,t1))
m,n = data.shape
t2 = np.zeros([m,nei_size//2])
data = np.concatenate((t2,data,t2),axis=1)
return data
#逐像素取大小為nei_size*nei_size的鄰域數據
def gen_dataX(data,nei_size):
x,y = data.shape
m = x-nei_size//2*2;n = y-nei_size//2*2
res = np.zeros([m*n,nei_size**2])
print m,n
k = 0
for i in range(nei_size//2,m+nei_size//2):
for j in range(nei_size//2,n+nei_size//2):
res[k,:] = np.reshape(data[i-nei_size//2:i+nei_size//2+1,j-nei_size//2:j+nei_size//2+1].T,(1,-1))
k += 1
print k
return res
im = sio.loadmat('data/im1.mat');
im1 = im1['im1']
nei_size=5
#鄰域取訓練數據
im1= pad_data(im1,nei_size)
data = gen_dataX(im1,nei_size)
sio.savemat("results/"+str(kk)+"/dataX.mat", {'dataX':dataX})
補充：像素之間的鄰域、連接、連通等問題
1.鄰域
鄰域分為三類：4鄰域、對角鄰域和8鄰域。
對于以像素P為中心的九宮格而言，一個“加號”所涵蓋的四個像素被稱為中心像素的4鄰域，記作N4（P）；角落的四個像素則是對角鄰域，記作ND（P）；周圍全部8個像素稱為中心像素的8鄰域，記作N8（P）。
從左到右分別為 4鄰域 對角鄰域 8鄰域
2.連接
兩個像素為連接關系需滿足兩個條件：1.兩個像素相互接觸（鄰接）；2.兩個像素滿足某個特定的相似準則，比如像素灰度值相等或者灰度值處于同一個區間V內，這個是人為設置的。
這里容易把鄰接和連接搞混，鄰接就只是兩個像素相鄰而已，連接則需要滿足灰度值的要求。
連接根據像素所在鄰域的不同也分為三類：4連接、8連接和m連接。先給出它們的定義：
4連接：兩個像素P和R都在區間V內，且R屬于N4（P）；
8連接：兩個像素P和R都在區間V內，且R屬于N8（P）；
m連接：兩個像素P和R都在區間V內，且R屬于N4（P）或者R屬于ND（P），且N4（P）與N4（P）交集中的像素不在V中。
我已經被這堆定義搞暈了，用圖片要好理解很多：
從左到右分別為 4連接、8連接、m連接。
這里假設集合V=1，可以看出8連接和m連接的區別了吧，N4§和N4®的交集（黃色部分）如果在V中，那就是8連接；不在V中就是m連接。
除此之外，根據定義我們也可以發現4連接也是包含在m連接里面的，因此可以得到這樣的包含關系：
4連接 ∈ m連接 ∈ 8連接
既然m連接包含在8連接里面了，還定義這個東西干嘛呢？課本給出的原因是為了消除8連接的“二義性”，在下面像素的連通里會用到。
3.連通
連通的定義很簡單，就是由一系列連接像素組成的通路。比如這樣：
連通的路線必須是唯一的，但8連接有時候會出現多條路都能走的情況，這時候m連接就派上用場了。
比如這種情況，藍色和紅色路線都能走，此時我們規定必須要走m連接，那就只剩藍色路線了。因此m連接的實質就是：在像素間同時存在4-連接和8-連接時，優先采用4-連接，并屏蔽兩個和同一像素間存在4-連接的像素之間的8-連接。
這樣像素之間的這些關系就都搞明白啦~
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。
您可能感興趣的文章:- Python之修改圖片像素值的方法
- python圖像常規操作
- Python實現計算圖像RGB均值方式
- python統計RGB圖片某像素的個數案例
