scipy.ndimage.rank_filter

scipy.ndimage.rank_filter(input, rank, size=None, footprint=None, output=None, mode='reflect', cval=0.0, origin=0)[源代码]

计算过滤的多维排名。

参数
inputarray_like

输入数组。

rank集成

RANK参数可以小于零,即RANK=-1表示最大的元素。

size标量或元组,可选

请参见下面的示意图。如果给定示意图,则忽略。

footprint数组,可选

或者 sizefootprint 必须定义。 size 在每个元素位置给出从输入数组获取的形状,以定义过滤函数的输入。 footprint 是一个布尔数组,它指定(隐式)一个形状,而且指定此形状中的哪些元素将传递给过滤函数。因此, size=(n,m) 相当于 footprint=np.ones((n,m)) 。我们会调整 size 设置为输入数组的维数,以便如果输入数组是Shape(10,10,10),并且 size 为2,则实际使用的大小为(2,2,2)。什么时候 footprint 给出了, size 被忽略。

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
rank_filterndarray

过滤数组。形状与 input

示例

>>> from scipy import ndimage, 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 = ndimage.rank_filter(ascent, rank=42, size=20)
>>> ax1.imshow(ascent)
>>> ax2.imshow(result)
>>> plt.show()
../../_images/scipy-ndimage-rank_filter-1.png