scipy.signal.correlate2d¶

scipy.signal.correlate2d(in1, in2, mode='full', boundary='fill', fillvalue=0)[源代码]¶

使两个二维数组相互关联。

互相关 in1 和 in2 其输出大小由 mode ，以及由以下条件确定的边界条件 boundary 和 fillvalue 。

参数

in1array_like

第一次输入。

in2array_like

第二个输入。应具有与的维度数量相同的维度 in1 。

modestr{‘完整’，‘有效’，‘相同’}，可选

指示输出大小的字符串：

full: 输出是输入的全离散线性互相关。(默认)
valid: 输出只包含那些不依赖于补零的元素。在“有效”模式下， in1 或 in2 必须在每个维度上至少与其他维度一样大。
same: 输出的大小与 in1 ，相对于“完整”输出居中。

boundarystr{‘Fill’，‘WRAP’，‘symm’}，可选

指示如何处理边界的标志：

fill: 用填充值填充输入数组。(默认)
wrap: 圆形边界条件。
symm: 对称边界条件。

fillvalue标量，可选

要填充输入数组的值。默认值为0。

退货

correlate2dndarray: 包含以下项的离散线性互相关子集的二维数组 in1 使用 in2 。

注意事项

当使用具有偶数长度输入的“相同”模式时， correlate 和 correlate2d 不同：它们之间有1个索引偏移。

示例

使用2D互相关在噪声图像中查找模板的位置：

>>> from scipy import signal
>>> from scipy import misc
>>> rng = np.random.default_rng()
>>> face = misc.face(gray=True) - misc.face(gray=True).mean()
>>> template = np.copy(face[300:365, 670:750])  # right eye
>>> template -= template.mean()
>>> face = face + rng.standard_normal(face.shape) * 50  # add noise
>>> corr = signal.correlate2d(face, template, boundary='symm', mode='same')
>>> y, x = np.unravel_index(np.argmax(corr), corr.shape)  # find the match

>>> import matplotlib.pyplot as plt
>>> fig, (ax_orig, ax_template, ax_corr) = plt.subplots(3, 1,
...                                                     figsize=(6, 15))
>>> ax_orig.imshow(face, cmap='gray')
>>> ax_orig.set_title('Original')
>>> ax_orig.set_axis_off()
>>> ax_template.imshow(template, cmap='gray')
>>> ax_template.set_title('Template')
>>> ax_template.set_axis_off()
>>> ax_corr.imshow(corr, cmap='gray')
>>> ax_corr.set_title('Cross-correlation')
>>> ax_corr.set_axis_off()
>>> ax_orig.plot(x, y, 'ro')
>>> fig.show()

../../_images/scipy-signal-correlate2d-1.png

scipy.signal.convolve2d

scipy.signal.sepfir2d