scipy.ndimage.spline_filter1d¶
- scipy.ndimage.spline_filter1d(input, order=3, axis=-1, output=<class 'numpy.float64'>, mode='mirror')[源代码]¶
沿给定轴计算一维样条线过滤。
沿给定轴的阵列直线由样条线过滤过滤。样条曲线的阶数必须是>=2和<=5。
- 参数
- inputarray_like
输入数组。
- order整型，可选
样条线的阶数，默认值为3。
- axis整型，可选
沿其应用样条线过滤的轴。默认值为最后一个轴。
- outputndarray或dtype，可选
要在其中放置输出的数组，或返回的数组的数据类型。默认值为
numpy.float64。- mode{‘反射’，‘格网镜像’，‘常量’，‘格网常量’，‘最近’，‘镜像’，‘格网换行’，‘WRAP’}，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“MIRROR”。每个有效值的行为如下所示(请参阅上的其他绘图和详细信息 boundary modes )：
- “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。
- “网格镜”
这是“反映”的同义词。
- “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。不会在输入边缘之外执行插值。
- ‘栅格常数’ (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。对于输入范围之外的采样也会进行插值。
- “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。
- ‘网格换行’ (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。
- “包装” (d b c d | a b c d | b c a b )
通过缠绕到相对边来延伸输入，但方式是使最后一个点和初始点完全重叠。在这种情况下，没有很好地定义在重叠点将选择哪个样本。
- 退货
- spline_filter1dndarray
过滤后的输入。
参见
spline_filter多维样条线过滤。
注意事项
中的所有插值函数 ndimage 对输入图像进行样条插值。如果使用的B样条曲线 order > 1 首先，必须将输入图像值转换为B样条系数，这是通过沿输入的所有轴顺序应用此1-D过滤来完成的。所有需要B样条系数的函数都将自动对其输入进行过滤运算，这一行为可通过 prefilter 关键字参数。对于接受 mode 参数匹配时，结果才会正确。 mode 过滤时使用。
对于复值 input ，此函数独立处理实部和虚部。
1.6.0 新版功能: 增加了复值支持。
示例
我们可以沿给定轴使用一维样条线对图像进行过滤操作：
>>> from scipy.ndimage import spline_filter1d >>> import matplotlib.pyplot as plt >>> orig_img = np.eye(20) # create an image >>> orig_img[10, :] = 1.0 >>> sp_filter_axis_0 = spline_filter1d(orig_img, axis=0) >>> sp_filter_axis_1 = spline_filter1d(orig_img, axis=1) >>> f, ax = plt.subplots(1, 3, sharex=True) >>> for ind, data in enumerate([[orig_img, "original image"], ... [sp_filter_axis_0, "spline filter (axis=0)"], ... [sp_filter_axis_1, "spline filter (axis=1)"]]): ... ax[ind].imshow(data[0], cmap='gray_r') ... ax[ind].set_title(data[1]) >>> plt.tight_layout() >>> plt.show()
