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]])

多维图像处理 (scipy.ndimage )

scipy.ndimage.convolve1d