Python 實現(xiàn)圖像逐像素點取鄰域數(shù)據(jù)
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(shù)據(jù)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(shù)據(jù) 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(shù)據(jù) 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(qū)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(jù)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(qū)間V內,且R屬于N4(P);
8連接:兩個像素P和R都在區(qū)間V內,且R屬于N8(P);
m連接:兩個像素P和R都在區(qū)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(jīng)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(qū)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(jù)定義我們也可以發(fā)現(xiàn)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(xiàn)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(guī)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(yōu)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(jīng)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。
相關文章
Python3標準庫之functools管理函數(shù)的工具詳解
functools模塊提供的主要工具就是partial類,可以用來“包裝”一個有默認參數(shù)的callable對象。這篇文章主要介紹了Python3標準庫functools管理函數(shù)的工具的實例詳解,需要的朋友可以參考下2020-02-02一行Python代碼制作動態(tài)二維碼的實現(xiàn)
這篇文章主要介紹了一行Python代碼制作動態(tài)二維碼的實現(xiàn),文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2019-09-09Python matplotlib實現(xiàn)散點圖的繪制
Matplotlib作為Python的2D繪圖庫,它以各種硬拷貝格式和跨平臺的交互式環(huán)境生成出版質量級別的圖形。本文將利用Matplotlib庫繪制散點圖,感興趣的可以了解一下2022-03-03