Matlab 我怎样才能把矩阵中的弱元素归零到强元素附近呢？

我有一个像素矩阵，包含一些点和很多零元素。从这些非零点，我想丢弃那些在矩阵的N范围内有更强点的点。范围是像素之间的欧几里德距离

input  = [0.0 0.0 0.0 0.9 0.0 0.0 
          0.0 0.0 0.2 0.0 0.0 0.5 
          0.0 0.0 0.7 0.0 0.0 0.0 
          0.0 0.4 0.1 0.0 0.0 0.0];

output = [0.0 0.0 0.0 0.9 0.0 0.0   % 0.7 is the largest number in range
          0.0 0.0 0.0 0.0 0.0 0.5   % 0.2 got removed; was next to 0.9 and 0.7
          0.0 0.0 0.7 0.0 0.0 0.0   % 0.7 is the largest number in range
          0.0 0.0 0.0 0.0 0.0 0.0]; % 0.1 and 0.4 both got removed; were next to 0.7

更新：这是我到目前为止提出的问题。它迭代所有非零像素，并将当前像素与邻域中最大的像素进行比较。但是，该邻域包含的像素数不超过10个。我需要选择一个圆形区域，而不是通过索引偏移来选择区域。此外，如果有一个更短的方法，我将不胜感激，也许可以用内置的Matlab函数替换循环，如

conv2

或

imfilter

% Discard points near stronger points
points = find(Image > 0);
radius = args.Results.min_dist;
for i = 1:size(points)
    [index_y, index_x] = ind2sub(size(Image), points(i));
    %  Find neighborhood
    from_x = max(index_x-radius, 1);
    from_y = max(index_y-radius, 1);
    to_x = min(index_x+radius, size(Image, 2));
    to_y = min(index_y+radius, size(Image, 1));
    neighbors = Image(from_y:to_y, from_x:to_x);
    % Discard if there is a stronger neighbor
    largest = max(max(neighbors));
    if Image(index_y, index_x) < largest
        Image(index_y, index_x) = 0;
    end
end

%放弃更强点附近的点
点=查找（图像>0）；
半径=args.Results.minu dist；
对于i=1：尺寸（点）
[index_y，index_x]=ind2sub（大小（图像），点（i））；
%寻找邻居
from_x=最大值（指数_x-半径，1）；
from_y=最大值（指数_y-半径，1）；
to_x=min（索引_x+半径，大小（图像，2））；
to_y=最小值（索引_y+半径，大小（图像，1））；
邻居=图像（从y:到y，从x:到x）；
%如果有更强的邻居，则丢弃
最大=最大（最大（相邻））；
如果图像（索引y，索引x）<最大
图像（索引y，索引x）=0；
结束
结束

有各种免费的MATLAB图像处理工具箱函数的替代品；例如，您可以查看

倍频程

，或者如果这不适合您，请查看，例如，尽管它需要mex编译

---

您正在寻找具有突然截止的过滤器。过滤器是工具箱中的标准工具。首先看一下工具的文档，如

imfilter

和

imdiplate

和

imopen

解决此问题的

基本工作流程可以如下所述-

对所有非零值点进行排序
从值最高的点开始，并将其N邻域内的所有非零点设置为零
对第二高的点执行同样的操作，并将其N邻域内的所有非零点设置为零，不包括值高于当前值的非零点。这个排除部分可以在代码中使用非常有用的MATLAB工具
triu
实现

继续，直到覆盖所有非零点。当然，当我们沿着这个阶梯向下移动时，会有较少的点需要搜索，因为前面讨论了排除子句

这些步骤可以通过矢量化方法实现，不使用特殊的工具箱，并假设
a
作为输入-

%// Distance parameter
N = 2; 

%// Find all non-zero points and then sort them in descending manner
[x,y] = find(A~=0)
pts = [x y]
[val,sorted_idx] = sort(A(A~=0),'descend')
pts = pts(sorted_idx,:)

%// Find euclidean distances
distmat = sqrt(squared_dist(pts,pts))

%// Find points to be removed (set to zero); then calculate their linear indices
rm_pts = pts(any(triu(distmat<N,1),1),:)
rm_lin_idx = sub2ind(size(A),rm_pts(:,1),rm_pts(:,2))

%// Use those linear indices to set those in the input as zeros
out = A;
out(rm_lin_idx) = 0;

代码运行-

A =
         0         0         0    0.9000         0         0
         0         0    0.2000         0         0    0.5000
         0         0    0.7000         0         0         0
         0    0.4000    0.1000         0         0         0
out =
         0         0         0    0.9000         0         0
         0         0         0         0         0    0.5000
         0         0    0.7000         0         0         0
         0         0         0         0         0         0

如果您安装了图像处理工具箱（或中提到的免费替代品之一），您可以非常轻松地实现这一点：

函数
imdeplate
基本上是一个滑动最大滤波器。所以我们要做的是，对于每个像素，我们寻找半径
R
指定的邻域中的最大值。然后我们将实际值与找到的最大值进行比较，如果较小，则将该值设置为零

function A = zeroOutWeakElements(A, R)
[X,Y] = ndgrid(-ceil(R):ceil(R));
neighborhood = (X.^2 + Y.^2)<=R^2;
A(imdilate(A,neighborhood)>A) = 0;

函数A=zerooweakelements（A，R）
[X，Y]=ndgrid（-ceil（R）：ceil（R））；
邻域=（X.^2+Y.^2）A）=0；

对于较大的完整矩阵和较小的距离，这也将比当前接受的解决方案快得多。稀疏矩阵和大半径的好处会逐渐消失，但我想你应该用实际数据进行测试，以确定什么是最好的。
如何定义“强点”？@Divakar By strong point，我只是指像素矩阵中的较大值。这就是我指的如何定义“强”和“弱”。我猜这里一定有一些加权标准。你有图像处理工具箱吗？@mehmet如果只有较小的像素（或者根本没有像素），我想将像素保持在0.3以下在N的欧几里德距离内，您可以使用
fspecial
指定自己的内核，同时寻找
max
。。。我花了一点时间思考了一下
sort
、
triu
和
any
的可选组合。。。真的很优雅@谢谢！这真的是解决方案中最棘手的事情之一，我想！）非常优雅的解决方案使用形态学+1.
function A = zeroOutWeakElements(A, R)
[X,Y] = ndgrid(-ceil(R):ceil(R));
neighborhood = (X.^2 + Y.^2)<=R^2;
A(imdilate(A,neighborhood)>A) = 0;