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-8import pandas as pdimport numpy as npfrom pandas import DataFramefrom matplotlib import pyplot as pltfrom matplotlib import imageimport scipyimport cv2import scipy.io as sio#原始數據四周補0def 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 resim = 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

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

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。

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好吧啦網。如有錯誤或未考慮完全的地方，望不吝賜教。