scipy.ndimage.gaussian_filter¶
- scipy.ndimage.gaussian_filter(input, sigma, order=0, output=None, mode='reflect', cval=0.0, truncate=4.0)[源代码]¶
多维高斯过滤。
- 参数
- inputarray_like
输入数组。
- sigma标量或标量序列
高斯核的标准差。对于每个轴，高斯过滤的标准偏差以序列或单个数字的形式给出，在这种情况下，所有轴的标准偏差都是相等的。
- order整型或整型序列，可选
过滤沿每个轴的顺序以整数序列或单个数字的形式给出。阶数为0对应于与高斯核的卷积。正阶数对应于与高斯导数的卷积。
- 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字符串或序列，可选
这个 mode 参数确定过滤与边框重叠时如何扩展输入数组。通过传递长度等于输入数组维数的模式序列，可以沿每个轴指定不同的模式。默认值为“Reflect”。有效值及其行为如下所示：
- “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：
- ‘栅格常数’
这是“常量”的同义词。
- “网格镜”
这是“反映”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。
- truncate浮动
以如此多的标准差截断过滤。默认值为4.0。
- 退货
- gaussian_filterndarray
返回的形状与的数组相同 input 。
注意事项
多维过滤被实现为一维卷积滤波器序列。中间数组以与输出相同的数据类型存储。因此，对于精度有限的输出类型，结果可能不精确，因为中间结果的存储精度可能不够高。
示例
>>> from scipy.ndimage import gaussian_filter >>> a = np.arange(50, step=2).reshape((5,5)) >>> a array([[ 0, 2, 4, 6, 8], [10, 12, 14, 16, 18], [20, 22, 24, 26, 28], [30, 32, 34, 36, 38], [40, 42, 44, 46, 48]]) >>> gaussian_filter(a, sigma=1) array([[ 4, 6, 8, 9, 11], [10, 12, 14, 15, 17], [20, 22, 24, 25, 27], [29, 31, 33, 34, 36], [35, 37, 39, 40, 42]])
>>> from scipy import misc >>> import matplotlib.pyplot as plt >>> fig = plt.figure() >>> plt.gray() # show the filtered result in grayscale >>> ax1 = fig.add_subplot(121) # left side >>> ax2 = fig.add_subplot(122) # right side >>> ascent = misc.ascent() >>> result = gaussian_filter(ascent, sigma=5) >>> ax1.imshow(ascent) >>> ax2.imshow(result) >>> plt.show()
