scipy.ndimage.correlate¶
- scipy.ndimage.correlate(input, weights, output=None, mode='reflect', cval=0.0, origin=0)[源代码]¶
多维相关性。
该数组与给定的内核相关。
- 参数
- inputarray_like
输入数组。
- weightsndarray
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
相关分析的结果 input 使用 weights 。
参见
convolve将图像与内核进行卷积。
示例
相关性是在图像上移动过滤蒙版(通常称为内核)并计算每个位置的乘积和的过程。
>>> from scipy.ndimage import correlate >>> input_img = np.arange(25).reshape(5,5) >>> print(input_img) [[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14] [15 16 17 18 19] [20 21 22 23 24]]
定义用于关联的核(权重)。在本例中，它表示中心和上下、左、右下一个元素的总和。
>>> weights = [[0, 1, 0], ... [1, 1, 1], ... [0, 1, 0]]
我们可以计算关联结果：例如，元素
[2,2]是7 + 11 + 12 + 13 + 17 = 60。>>> correlate(input_img, weights) array([[ 6, 10, 15, 20, 24], [ 26, 30, 35, 40, 44], [ 51, 55, 60, 65, 69], [ 76, 80, 85, 90, 94], [ 96, 100, 105, 110, 114]])