短篇故事：

这是一个后续问题：将图像切成重叠补丁并将补丁合并到图像的快速方法]

我如何适应答案中提供的代码，以使其不仅适用于大小为x，y的图像，其中像素由浮点数描述，还可以由大小为3,3的矩阵描述？

此外，如何修改代码以使其返回生成器，从而使我可以遍历所有补丁，而不必将所有补丁保存在内存中？

很长的故事：

给定形状为（x，y）的图像，其中每个像素由（3,3）矩阵描述。可以将其描述为形状（x，y，3,3）的矩阵。进一步给定目标补丁大小，例如（11,11），我想从图像（x，y）中提取所有重叠的补丁。

请注意，我不想从矩阵x，y，3,3中获得所有色块，而是从图像x，y中获得（每个像素都是矩阵）。

我将这些补丁用于补丁分类算法，有效地迭代所有补丁，提取特征并学习分类器。但是，鉴于图像巨大且补丁大小较大，因此无法在不损害内存限制的情况下执行此操作。

可能的解决方案：

• sklearn.feature_extraction.image.extract_patches_2d提供了目标功能，但由于内存限制而失败，因此不适用。（但对于小补丁大小的给定图像效果很好）
• 将图像切成重叠色块并将色块合并到图像的快速方法。一个很好的答案似乎是带路的，使用跨步而不是实际创建输入图像的副本。但是，我无法根据我的需要调整答案。

因此，问题是：如何修改此代码以适合新的输入数据？

def patchify(img, patch_shape):
    img = np.ascontiguousarray(img)  # won't make a copy if not needed
    X, Y = img.shape
    x, y = patch_shape
    shape = ((X-x+1), (Y-y+1), x, y) # number of patches, patch_shape
    # The right strides can be thought by:
    # 1) Thinking of `img` as a chunk of memory in C order
    # 2) Asking how many items through that chunk of memory are needed when indices
    #    i,j,k,l are incremented by one
    strides = img.itemsize*np.array([Y, 1, Y, 1])
    return np.lib.stride_tricks.as_strided(img, shape=shape, strides=strides)