scipy.ndimage.convolve¶
- scipy.ndimage.convolve(input, weights, output=None, mode='reflect', cval=0.0, origin=0)[源代码]¶
多维卷积。
该数组与给定的内核卷积。
- 参数
- inputarray_like
输入数组。
- weightsarray_like
权重数组,与输入的维数相同
- output数组或数据类型,可选
要在其中放置输出的数组,或返回的数组的数据类型。默认情况下,将创建与输入数据类型相同的数组。
- mode{‘反射’,‘常量’,‘最近’,‘镜像’,‘换行’},可选
这个 mode 参数确定如何将输入数组扩展到其边界之外。默认值为“Reflect”。每个有效值的行为如下所示:
- “反思” (d c b a | a b c d | d c b a )
通过反射最后一个像素的边缘来扩展输入。此模式有时也称为半采样对称。
- “常量” (k k k k | a b c d | k k k k )
通过使用相同的常量值(由定义)填充超出边缘的所有值来扩展输入 cval 参数。
- “最近的” (a a a a | a b c d | d d d d )
通过复制最后一个像素来扩展输入。
- “镜子” (d c b | a b c d | c b a )
通过反射最后一个像素的中心来扩展输入。此模式有时也称为全样本对称。
- “包装” (a b c d | a b c d | a b c d )
通过缠绕到相反的边来扩展输入。
为与插值函数保持一致,还可以使用以下模式名称:
- “网格镜”
这是“反映”的同义词。
- ‘栅格常数’
这是“常量”的同义词。
- ‘网格换行’
这是“包装”的同义词。
- cval标量,可选
在以下情况下填充输入的过去边缘的值 mode 是“恒定的”。默认值为0.0
- originint或Sequence,可选
控制过滤在输入数组像素上的放置。值为0(默认值)时,过滤在像素上方居中,正值使过滤向左移动,负值向右移动。通过传递长度等于输入数组维数的原点序列,可以沿每个轴指定不同的移位。
- 退货
- resultndarray
卷积的结果 input 使用 weights 。
参见
correlate
将图像与内核关联。
注意事项
结果中的每个值都是 \(C_i = \sum_j{{I_{{i+k-j}} W_j}}\) ,其中W是 weights 内核,j是N维空间索引 \(W\) ,我就是那个 input k是W的中心坐标,由 origin 在输入参数中。
示例
也许最容易理解的情况是
mode='constant', cval=0.0
,因为在这种情况下边界(即 weights 内核以任何一个值为中心,扩展到 input )被视为零。>>> a = np.array([[1, 2, 0, 0], ... [5, 3, 0, 4], ... [0, 0, 0, 7], ... [9, 3, 0, 0]]) >>> k = np.array([[1,1,1],[1,1,0],[1,0,0]]) >>> from scipy import ndimage >>> ndimage.convolve(a, k, mode='constant', cval=0.0) array([[11, 10, 7, 4], [10, 3, 11, 11], [15, 12, 14, 7], [12, 3, 7, 0]])
设置
cval=1.0
等同于填充 input 使用1.0(然后仅提取结果的原始区域)。>>> ndimage.convolve(a, k, mode='constant', cval=1.0) array([[13, 11, 8, 7], [11, 3, 11, 14], [16, 12, 14, 10], [15, 6, 10, 5]])
使用
mode='reflect'
(默认值),则外部值反映在 input 来填充缺失的值。>>> b = np.array([[2, 0, 0], ... [1, 0, 0], ... [0, 0, 0]]) >>> k = np.array([[0,1,0], [0,1,0], [0,1,0]]) >>> ndimage.convolve(b, k, mode='reflect') array([[5, 0, 0], [3, 0, 0], [1, 0, 0]])
这包括拐角处的对角线。
>>> k = np.array([[1,0,0],[0,1,0],[0,0,1]]) >>> ndimage.convolve(b, k) array([[4, 2, 0], [3, 2, 0], [1, 1, 0]])
使用
mode='nearest'
中最接近的单个值,则为 input 根据需要重复任意次数,以匹配重叠 weights 。>>> c = np.array([[2, 0, 1], ... [1, 0, 0], ... [0, 0, 0]]) >>> k = np.array([[0, 1, 0], ... [0, 1, 0], ... [0, 1, 0], ... [0, 1, 0], ... [0, 1, 0]]) >>> ndimage.convolve(c, k, mode='nearest') array([[7, 0, 3], [5, 0, 2], [3, 0, 1]])