去掉 一个数据中心大于0的值

如果您想从一个向量或矩阵中删除大于0的元素，可以使用逻辑索引来实现。具体步骤如下：

1. 定义一个向量或矩阵，例如 `A = [-1 2 0; 3 -4 5; 6 0 8]`；
2. 使用逻辑运算符 `>` 得到一个逻辑数组，例如 `idx = A > 0`；
3. 将逻辑数组转换为一维逻辑向量，例如 `idxvec = any(idx,2)`，其中 `any` 函数返回每行中是否存在大于0的元素；
4. 使用逻辑索引删除包含大于0的元素的行或列，例如 `A = A(~idxvec,:)` 将删除包含大于0的元素的行，`A = A(:,~any(idx,1))` 将删除包含大于0的元素的列。

代码示例：

A = [-1 2 0; 3 -4 5; 6 0 8];
idx = A > 0;
idxvec = any(idx,2);
A = A(~idxvec,:)

执行完上述代码后，A 的结果为：

ans =

    -1     2     0

即删除了包含大于0的元素的行。

相关问题

用matlab实现：在红外图像中通过选取7*7大小的窗口以1的步长遍历整张图片获得图像块，将图像块内灰度值进行从小到大排序，得到一维数组并去掉最大值，其余数值进行相邻间差值，选取最大差值点中最大像素的坐标，若差值小于5则取消此数值在原始图像上将相关坐标像素标为0，差值大于5将其作为候选点保存坐标数据，并将其在原始图像坐标上标为1，输出以坐标像素以1为中心的17*17框图大小的结果图像

以下是用MATLAB实现红外图像处理的代码，实现从原始图像中找到可能的小目标区域：

% 读取红外图像
img = imread('infrared_image.jpg');

% 定义窗口大小和步长
win_size = 7;
step_size = 1;

% 遍历整张图像，获取图像块并处理
[row, col] = size(img);
candidate_points = [];
for i = 1:step_size:row-win_size+1
    for j = 1:step_size:col-win_size+1
        % 获取当前窗口内的图像块
        img_block = img(i:i+win_size-1, j:j+win_size-1);
        % 将图像块内的灰度值进行排序，并去掉最大值
        sorted_block = sort(img_block(:));
        sorted_block = sorted_block(1:end-1);
        % 计算相邻间的差值
        diff_block = diff(sorted_block);
        % 找到差值最大的点
        [max_diff, max_idx] = max(diff_block);
        max_val = sorted_block(max_idx+1);
        % 判断差值是否小于5，如果是则取消此数值
        if max_diff < 5
            img_block = zeros(win_size, win_size);
        else
            % 将差值大于5的点保存为候选点
            candidate_points = [candidate_points; max_val, i+max_idx, j+find(img_block==max_val)-1];
            % 在原始图像上标记候选点
            img(i+max_idx, j+find(img_block==max_val)-1) = 1;
        end
    end
end

% 对候选点进行进一步处理，确定真正的小目标区域
for i = 1:size(candidate_points, 1)
    % 获取以候选点为中心的17*17图像块
    center_x = candidate_points(i, 2);
    center_y = candidate_points(i, 3);
    img_block = img(center_x-8:center_x+8, center_y-8:center_y+8);
    % 统计像素值为1的数量
    num_pixels = sum(img_block(:));
    % 如果像素值为1的数量小于10，则取消此候选点
    if num_pixels < 10
        img(center_x, center_y) = 0;
    end
end

% 显示处理后的图像
imshow(img);

这段代码实现了对红外图像的处理，首先遍历整张图像，以7*7的窗口和步长为1的方式获取图像块，然后对每个图像块进行处理。处理过程包括将图像块内的灰度值进行排序，并去掉最大值，计算相邻间的差值，找到差值最大的点。如果差值小于5，则取消此数值；如果差值大于5，则将其作为候选点保存坐标数据，并在原始图像坐标上标为1。然后，对候选点进行进一步处理，确定真正的小目标区域。最终，将处理后的图像显示出来。

Opencv c++代码实现分水岭分割算法，并将其用于下面图像分割，其算法：(1)先使用 Otsu's 二值化对图像进行二值化 (2)使用开运算去除图像中的细小白色噪点 (3)通过距离变换来确定前景图像 (4)可以看到硬币的中心像素值最大（中心离背景像素最远）。对其进行二值处理就得到了分离的前景图。 (5)通过膨胀运算，使得一部分背景成为了物体到的边界，得到的图像中的黑色区域肯定是真实背景。 (6)使用膨胀图减去前景图，得到不确定区域，这部分区域不确定是硬币还是背景，这些区域通常在前景和背景接触的区域(或者两个不同硬币接触的区域)，称之为边界。通过分水岭算法应该能找到确定的边界。 (7)现在可以确定哪些是硬币区域，哪些是背景区域。然后需要创建标记(marker，它是一个与原始图像大小相同的矩阵，int32数据类型)，表示其中的每个区域。分水岭算法将标记的0的区域视为不确定区域，将标记为1的区域视为背景区域，将标记大于1的正整数表示我们想得到的前景。 (8)可以使用 connectedComponents() 来实现这个功能，它是用0标记图像的背景，用大于0的整数标记其他对象。但是OpenCV的分水岭分割函数，会用0表示不确定区域，所以需要对标记统一加一，然后将上一步计算的不确定区域部分标记为0. (9)现在可以调用watershed函数分割图像，如下： watershed(src, markers); (10)maker中标记为-1的地方就是分界线，makers中的最大值减1就是统计的个数。

以下是 Opencv c++ 代码实现分水岭分割算法，实现对图像的分割：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main()
{
    Mat img = imread("coins.jpg", IMREAD_GRAYSCALE);
    if (img.empty())
    {
        cout << "Could not read the image!" << endl;
        return -1;
    }

    // Otsu's 二值化
    Mat binary;
    threshold(img, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);

    // 开运算去除细小白色噪点
    Mat kernel = getStructuringElement(MORPH_ELLIPSE, Size(5, 5));
    morphologyEx(binary, binary, MORPH_OPEN, kernel);

    // 距离变换
    Mat dist;
    distanceTransform(binary, dist, DIST_L2, 3);

    // 取硬币中心像素值最大的区域作为前景图像
    normalize(dist, dist, 0, 1, NORM_MINMAX);
    threshold(dist, dist, 0.5, 1.0, THRESH_BINARY);

    // 膨胀运算
    Mat kernel2 = getStructuringElement(MORPH_ELLIPSE, Size(9, 9));
    dilate(dist, dist, kernel2);

    // 计算不确定区域
    Mat sure_bg;
    threshold(dist, sure_bg, 0.5, 1.0, THRESH_BINARY_INV);
    Mat sure_fg;
    threshold(dist, sure_fg, 0.5, 1.0, THRESH_BINARY);

    // 不确定区域
    Mat uncertain;
    Mat uncertain_temp;
    subtract(sure_bg, binary, uncertain_temp);
    subtract(uncertain_temp, sure_fg, uncertain);

    // 创建标记
    Mat marker(binary.size(), CV_32S);
    marker.setTo(0);
    marker.setTo(1, sure_bg);
    marker.setTo(2, uncertain);
    marker.setTo(3, sure_fg);

    // 分水岭算法
    watershed(img, marker);

    // 统计硬币个数
    int coin_count = 0;
    for (int i = 0; i < marker.rows; i++)
    {
        for (int j = 0; j < marker.cols; j++)
        {
            if (marker.at<int>(i, j) == -1)
            {
                coin_count++;
            }
        }
    }

    cout << "The number of coins is: " << coin_count << endl;

    // 显示结果
    Mat result;
    convertScaleAbs(marker, result);
    imshow("Result", result);

    waitKey(0);
    return 0;
}

这个程序实现了对硬币图像的分割，并统计了硬币的个数。