我有点困惑,如果你能帮助我,我将非常感激。
我读了很多关于寻找相邻像素的帖子,这是非常有用的:
http://blogs.mathworks.com/steve/2008/02/25/neighbor-indexing-2/然而,我很难将其应用于大小(a)=[8 340 340 15]的4D矩阵(a)。它代表8组3D图像(每组15片),我想获得它们的邻居。我不确定要用哪个尺寸来计算偏移量。这是我尝试过的代码,但我认为它不工作,因为偏移量应该适应4维?没有循环我怎么做呢?
%A is a 4D matrix with 0 or 1 values
Aidx = find(A);
% loop here?
[~,M,~,~] =size(A);
neighbor_offsets = [-1, M, 1, -M]';
neighbors_idx = bsxfun(@plus, Aidx', neighbor_offsets(:));
neighbors = B(neighbors_idx);
谢谢,瑞格
您考虑过使用convn
吗?
msk = [0 1 0; 1 0 1; 0 1 0];
msk4d = permute( msk, [3 1 2 4] ); % make it 1-3-3-1 mask
neighbors_idx = find( convn( A, msk4d, 'same' ) > 0 );
您可能会发现conndef
对于一般定义基本msk
很有用。
不确定我是否理解了你的问题,但是这种方法如何:
如果矩阵是1D:
M = rand(10,1);
N = M(k-1:k+1); %//immediate neighbours of k
然而,如果k
在边界上,这可能会出错。这很容易使用max
和min
修复:
N = M(max(k-1,1):min(k+1,size(M,1))
现在让我们添加一个维度:
M = rand(10,10);
N = M(max(k1-1,1):min(k1+1,size(M,1), max(k2-1,1):min(k2+1,size(M,2))
这很容易,你所要做的就是重复相同的索引,使用size(M,2)
进行边界的微小改变(我也将k
更改为k1
和k2
,你可能会发现使用k
数组而不是单独的k1
和k2
变量效果更好,即k(1)
和k(2)
)
现在让我们跳到4维:
M = rand(10,10,10,10);
N = M(max(k(1)-1,1):min(k(1)+1,size(M,1)), ...
max(k(2)-1,1):min(k(2)+1,size(M,2)), ...
max(k(3)-1,1):min(k(3)+1,size(M,3)), ...
max(k(4)-1,1):min(k(4)+1,size(M,4))); %// Also you can replace all the `size(M,i)` with `end` if you like
我知道你说过你不想要一个循环,但是一个非常短的循环,只是重构一点,也使它一般化:
n=ndims(M);
ind{n} = 0;
for dim = 1:n
ind{dim} = max(k(dim)-1,1):min(k(dim)+1,size(M,dim));
end
N = M(ind{:});
如何在第二次元上获得相邻
sz = size( A );
ndims = numel(sz); % number of dimensions
[d{1:ndims}] = ind2sub( sz, find( A ) );
alongD = 2; % work along this dim
np = d{alongD} + 1;
sel = np <= sz( alongD ); % discard neighbors that fall outside image boundary
nm = d{alongD} - 1;
sel = sel & nm > 0; % discard neighbors that fall outside image boundary
d = cellfun( @(x) x(sel), d, 'uni', 0 );
neighbors = cat( 1, ...
ind2sub( sz, d{1:alongD-1}, np(sel), d{alongD+1:end} ),...
ind2sub( sz, d{1:alongD-1}, nm(sel), d{alongD+1:end} ) );