图像比较大的话，在MATLAB上跑起来比较慢，用Python跑就会快很多，贴此备用吧！
#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
#原始数据四周补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
#逐像素取大小为nei_size*nei_size的邻域数据
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
#邻域取训练数据
im1= pad_data(im1,nei_size)
data = gen_dataX(im1,nei_size)
sio.savemat("results/"+str(kk)+"/dataX.mat", {'dataX':dataX})
补充：像素之间的邻域、连接、连通等问题
1.邻域
邻域分为三类：4邻域、对角邻域和8邻域。
对于以像素P为中心的九宫格而言，一个“加号”所涵盖的四个像素被称为中心像素的4邻域，记作N4（P）；角落的四个像素则是对角邻域，记作ND（P）；周围全部8个像素称为中心像素的8邻域，记作N8（P）。
从左到右分别为 4邻域 对角邻域 8邻域
2.连接
两个像素为连接关系需满足两个条件：1.两个像素相互接触（邻接）；2.两个像素满足某个特定的相似准则，比如像素灰度值相等或者灰度值处于同一个区间V内，这个是人为设置的。
这里容易把邻接和连接搞混，邻接就只是两个像素相邻而已，连接则需要满足灰度值的要求。
连接根据像素所在邻域的不同也分为三类：4连接、8连接和m连接。先给出它们的定义：
4连接：两个像素P和R都在区间V内，且R属于N4（P）；
8连接：两个像素P和R都在区间V内，且R属于N8（P）；
m连接：两个像素P和R都在区间V内，且R属于N4（P）或者R属于ND（P），且N4（P）与N4（P）交集中的像素不在V中。
我已经被这堆定义搞晕了，用图片要好理解很多：
从左到右分别为 4连接、8连接、m连接。
这里假设集合V=1，可以看出8连接和m连接的区别了吧，N4§和N4®的交集（黄色部分）如果在V中，那就是8连接；不在V中就是m连接。
除此之外，根据定义我们也可以发现4连接也是包含在m连接里面的，因此可以得到这样的包含关系：
4连接 ∈ m连接 ∈ 8连接
既然m连接包含在8连接里面了，还定义这个东西干嘛呢？课本给出的原因是为了消除8连接的“二义性”，在下面像素的连通里会用到。
3.连通
连通的定义很简单，就是由一系列连接像素组成的通路。比如这样：
连通的路线必须是唯一的，但8连接有时候会出现多条路都能走的情况，这时候m连接就派上用场了。
比如这种情况，蓝色和红色路线都能走，此时我们规定必须要走m连接，那就只剩蓝色路线了。因此m连接的实质就是：在像素间同时存在4-连接和8-连接时，优先采用4-连接，并屏蔽两个和同一像素间存在4-连接的像素之间的8-连接。
这样像素之间的这些关系就都搞明白啦~
以上为个人经验，希望能给大家一个参考，也希望大家多多支持。如有错误或未考虑完全的地方，望不吝赐教。
