scipy.ndimage.gaussian_filter1d¶
- scipy.ndimage.gaussian_filter1d(input, sigma, axis=- 1, order=0, output=None, mode='reflect', cval=0.0, truncate=4.0)[源代码]¶
一维高斯过滤。
- 参数
- inputarray_like
输入数组。
- sigma标量
高斯核的标准差
- axis整型，可选
的轴线 input 用来进行计算的。默认值为-1。
- order整型，可选
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{‘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。
- truncate浮动，可选
以如此多的标准差截断过滤。默认值为4.0。
- 退货
- gaussian_filter1dndarray
示例
>>> from scipy.ndimage import gaussian_filter1d >>> gaussian_filter1d([1.0, 2.0, 3.0, 4.0, 5.0], 1) array([ 1.42704095, 2.06782203, 3. , 3.93217797, 4.57295905]) >>> gaussian_filter1d([1.0, 2.0, 3.0, 4.0, 5.0], 4) array([ 2.91948343, 2.95023502, 3. , 3.04976498, 3.08051657]) >>> import matplotlib.pyplot as plt >>> rng = np.random.default_rng() >>> x = rng.standard_normal(101).cumsum() >>> y3 = gaussian_filter1d(x, 3) >>> y6 = gaussian_filter1d(x, 6) >>> plt.plot(x, 'k', label='original data') >>> plt.plot(y3, '--', label='filtered, sigma=3') >>> plt.plot(y6, ':', label='filtered, sigma=6') >>> plt.legend() >>> plt.grid() >>> plt.show()
