快捷導(dǎo)航

python如何處理matlab的mat數(shù)據(jù)

更新時(shí)間：2022年05月11日 10:11:02 作者：amcomputer

這篇文章主要介紹了python如何處理matlab的mat數(shù)據(jù)，具有很好的參考價(jià)值，希望對大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教

處理matlab的mat數(shù)據(jù)

python 和matlab是2個(gè)常用的實(shí)驗(yàn)室平臺工具，在一些應(yīng)用下，這2個(gè)不同平臺下的數(shù)據(jù)會打交道，因此如何讀取和保存顯得尤為重要，這里需要用到python的第三方平臺下的scipy模塊。

先用下面這個(gè)命令檢查是否下載好scipy

import scipy

如果報(bào)錯(cuò)，用python install scipy 或者 conda install scipy 下載安裝

需要用到scipy中的輸入輸出類中的loadmat 和savemat方法：

import scipy.io as sio
?
sio.loadmat(file_name, mdict=None, appendmat=True, **kwargs)
sio.savemat(file_name, mdict, appendmat=True, format='5', long_field_names=False, do_compression=False, oned_as='row'

下面介紹一個(gè)簡單的錯(cuò)誤例子：（需要傳字典格式的參數(shù)）

import scipy.io as sio
import numpy as np
?
x = np.ones((3,3))
?
x
Out[86]:?
array([[1., 1., 1.],
? ? ? ?[1., 1., 1.],
? ? ? ?[1., 1., 1.]])
?
sio.savemat('f.mat',x)
Traceback (most recent call last):
?
? File "<ipython-input-87-d739bc03c885>", line 1, in <module>
? ? sio.savemat('f.mat',x)

下面介紹一個(gè)簡單的保存導(dǎo)入例子：

import scipy.io as sio
import numpy as np
?
x = np.ones((3,3))
?
x
Out[86]:?
array([[1., 1., 1.],
? ? ? ?[1., 1., 1.],
? ? ? ?[1., 1., 1.]])
?
sio.savemat('f.mat',{"x":x})
?
?
?
myMat =sio.loadmat('f.mat')
?
print(myMat) #輸出為字典
{'__header__': b'MATLAB 5.0 MAT-file Platform: nt, Created on: Fri Aug 21 16:29:37 2020', '__version__': '1.0', '__globals__': [], 'x': array([[1., 1., 1.],
? ? ? ?[1., 1., 1.],
? ? ? ?[1., 1., 1.]])}
?
#以保存名為key，輸出list value
print(myMat['x'])
[[1. 1. 1.]
?[1. 1. 1.]
?[1. 1. 1.]]

如果想把python數(shù)據(jù)保存為mat數(shù)據(jù)，則需要cell格式數(shù)據(jù)，而python沒有實(shí)現(xiàn)cell，因此需要用到numpy模塊，可以看這篇博客。

處理matlab的*.mat格式數(shù)據(jù)及常見錯(cuò)誤匯總

由于matlab和python兩種語言的編程方式不同，有時(shí)候在進(jìn)行程序混編時(shí)，需要利用python調(diào)用matlab下的格式數(shù)據(jù)，下面介紹如何調(diào)用mat格式數(shù)據(jù)及常見錯(cuò)誤解決方法，僅供參考！

一、數(shù)據(jù)讀取錯(cuò)誤

＃　最初用loadmat讀取數(shù)據(jù)
import numpy as np
from scipy.io mport loadmat
img = loadmat('im.mat')['im']   #im.mat為mat數(shù)據(jù)的名稱，['im'] 中的im表示該文件下im的數(shù)據(jù)

使用如上代碼讀取數(shù)據(jù)時(shí)，會出現(xiàn)如下錯(cuò)誤：

在這里插入圖片描述

如果出現(xiàn)以上錯(cuò)誤，改用下面方式讀取，

import h5py
img = h5py.File('im.mat')['im']
img = h5py.File('im.mat'，'r')['im']    # 無警告

二、數(shù)據(jù)類型錯(cuò)誤

（用Python處理圖像時(shí)，若涉及加減運(yùn)算，溢出差值被重新賦值255-0）

# python代碼
import h5py
import numpy as np
img = h5py.File('im.mat')['im']
# python中的M，N剛剛好與matlab中的M，N取值相反，此處進(jìn)行轉(zhuǎn)置與matlab相同矩陣格式進(jìn)行處理
x = np.array(img).T  
[M, N] = x.shape
if M < 16 and N < 16:
    score = -2
# Feature Extraction:
# 1. horizontal features
d_h = x[:, 1:N] - x[:, 0:N - 1]   # 該步操作圖像產(chǎn)生滿溢，溢出后差值可能都被賦為255，依次遞減

此種情況下，d_h數(shù)據(jù)會出現(xiàn)滿溢情況，下面就是相同數(shù)據(jù)在python和matlab下面進(jìn)行運(yùn)算的差異性。

在這里插入圖片描述

% Matlab 代碼
img = laod('im.mat')
[M, N] = size(x)
if M < 16 | N < 16
    score = -2;
end   
x = double(img);  % 將無符號類型uint8數(shù)據(jù)類型轉(zhuǎn)換為double類型
% Feature Extraction:
% 1. horizontal features
d_h = x(:, 2:N) - x(:, 1:(N-1));

在這里插入圖片描述

原因： 導(dǎo)入數(shù)據(jù)類型為 uint8 數(shù)據(jù)格式，該種格式下是沒有負(fù)數(shù)的，在matlab中進(jìn)行運(yùn)算時(shí)，先將uint8數(shù)據(jù)類型轉(zhuǎn)化為了double類型，然后進(jìn)行了減法運(yùn)算，所以會出現(xiàn)如上結(jié)果，但是在python中，由于沒有double類型，所以需要自己手動設(shè)置數(shù)據(jù)格式類型，只需要改成不是uint8格式即可（具體格式需要根據(jù)需求，此處改成了int8格式類型）。解決方法非常簡單，只需在上面的一行代碼中加入數(shù)據(jù)類型即可：

x = np.array(img,dtype = 'int8').T   # 對讀取的uint8格式數(shù)據(jù)進(jìn)行重新定義一下格式即可
x = np.array(img,dtype = 'float').T   # 下面這種格式雖然是浮點(diǎn)型，但是計(jì)算過程不容易出錯(cuò)，如果是上面的int8會出現(xiàn)部分錯(cuò)誤，需要注意

現(xiàn)在看一下結(jié)果，就跟matlab處理結(jié)果一樣了。

在這里插入圖片描述

雖然下面是浮點(diǎn)型，但是能夠保證數(shù)據(jù)轉(zhuǎn)化的精度和準(zhǔn)確性，img的影像數(shù)據(jù)轉(zhuǎn)化成數(shù)值時(shí)不出錯(cuò)誤，非必要情況下，不要使用int8數(shù)據(jù)格式，因?yàn)槭褂胕nt8格式數(shù)據(jù)類型，會在某些部分出錯(cuò)，這一定要注意。（改組數(shù)據(jù)中（0，80）數(shù)值在int8格式轉(zhuǎn)化時(shí)出錯(cuò)，原始數(shù)值為129，轉(zhuǎn)化之后變成127，而使用float格式則不會出現(xiàn)錯(cuò)誤）

在這里插入圖片描述