欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Python 實現(xiàn)圖像逐像素點取鄰域數(shù)據(jù)

 更新時間:2021年03月17日 09:53:12   作者:xmpp10  
這篇文章主要介紹了Python 實現(xiàn)圖像逐像素點取鄰域數(shù)據(jù),具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧

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

  • python按照多個條件排序的方法

    python按照多個條件排序的方法

    今天小編就為大家分享一篇python按照多個條件排序的方法,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2019-02-02
  • python單線程實現(xiàn)多個定時器示例

    python單線程實現(xiàn)多個定時器示例

    這篇文章主要介紹了python單線程實現(xiàn)多個定時器示例,需要的朋友可以參考下
    2014-03-03
  • 人機交互程序 python實現(xiàn)人機對話

    人機交互程序 python實現(xiàn)人機對話

    這篇文章主要為大家詳細介紹了人機交互程序,初步實現(xiàn)python人機對話,具有一定的參考價值,感興趣的小伙伴們可以參考一下
    2017-11-11
  • 使用Python在Word表格中插入或刪除行或列的幾種方法

    使用Python在Word表格中插入或刪除行或列的幾種方法

    Word文檔中的表格可以用于組織和展示數(shù)據(jù),在實際應用過程中,有時為了調整表格的結構或適應不同的數(shù)據(jù)展示需求,我們可能會需要插入、刪除行或列,本文提供了幾種使用Python在Word表格中插入或刪除行、列的方法供參考
    2024-07-07
  • pytorch中的自定義反向傳播,求導實例

    pytorch中的自定義反向傳播,求導實例

    今天小編就為大家分享一篇pytorch中的自定義反向傳播,求導實例,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2020-01-01
  • 解決pycharm不能自動保存在遠程linux中的問題

    解決pycharm不能自動保存在遠程linux中的問題

    這篇文章主要介紹了解決pycharm不能自動保存在遠程linux中的問題,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2021-02-02
  • Python3標準庫之functools管理函數(shù)的工具詳解

    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)

    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
    2019-09-09
  • python實現(xiàn)布隆過濾器及原理解析

    python實現(xiàn)布隆過濾器及原理解析

    布隆過濾器( BloomFilter )是一種數(shù)據(jù)結構,比較巧妙的概率型數(shù)據(jù)結構(probabilistic data structure),特點是高效地插入和查詢,可以用來告訴你 “某樣東西一定不存在或者可能存在”。這篇文章主要介紹了python實現(xiàn)布隆過濾器 ,需要的朋友可以參考下
    2019-12-12
  • Python matplotlib實現(xiàn)散點圖的繪制

    Python 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

最新評論