您可以简单地将M x N矩阵（您的图像）转换为MN维向量。例如，如果您有 10 个图像，每个图像 10x10 像素，您可以将它们转换为 10 个向量，每个向量包含 100 个元素（您可以按行或按列进行，没关系）。然后将所有这些向量放在一起构造一个n x d矩阵，其中n是图像的数量，d是每个图像中的像素数。

到目前为止，我们只是准备了数据进行分析。现在让我们进入这个问题：

• 我正在寻找一种可以将二维数据用于输入和输出的监督学习算法。

这意味着什么？

首先-输入输出的维度不是机器学习算法的属性。

第二 -通过2d，你的意思是一个矩阵？恐怕您的数据不是真正的二维数据！如果您的意思是矩阵，则M x N矩阵是N维空间中 M 个样本的数据。您可能从图像中产生的那些向量也在MN维空间中。

第三 - 监督算法采用一些教学样本（称为训练）来学习任务。这里的老师是什么？如果您的训练数据包含一些模糊和对应的原始图像，那么您可以尝试通过探索模糊区域来了解白色像素的位置。我的建议：

1. 如果对您的图像应用了平滑过滤器，则模糊像素很可能看起来像高斯。所以首先提取高斯。
2. 由于您已经有了与那些高斯相对应的锐利白色的位置，您可以使用均值、均值的位置以及方差作为特征（输入）和锐利白色像素的位置作为目标（输出）。

分类器可以是一个简单的神经网络（MLP 应该在这里工作）或一个简单的 SVM。

如果没有有关您的数据的更多信息和对问题的更具体描述（例如，您的图像到底是什么？如果您可以在此处发布其中一张，我可能会提供更多帮助），则无法评估上述答案

根据您拥有的数据量，一个好的方法应该是某种形式的基于神经网络的编码器-解码器。

谷歌上有很多“神经网络图像去噪”的结果，但常见的方法是：

• 从您的输入图像开始
• 通过越来越小的卷积层
• 通过越来越大的反卷积层将其放大（通常这部分是第一个卷积阶段的镜像）
• 将输出与您的预期结果进行比较