scipy.signal.fftconvolve¶
- scipy.signal.fftconvolve(in1, in2, mode='full', axes=None)[源代码]¶
使用FFT对两个N维数组进行卷积。
卷积 in1 和 in2 使用快速傅立叶变换方法,输出大小由 mode 论点。
这通常比
convolve
对于大型数组(n>~500),但当仅需要少量输出值时可能会较慢,并且只能输出浮点数组(整数或对象数组输入将强制转换为浮点数组)。从版本0.19开始,
convolve
根据估计的速度自动选择此方法或直接方法。- 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卷积。(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。
- axesINT的INT或ARRAY_LIKE或NONE,可选
要在其上计算卷积的轴。默认值为所有轴。
- 退货
- out阵列
包含以下项的离散线性卷积的子集的N维数组 in1 使用 in2 。
参见
convolve
使用直接卷积或FFT卷积算法,具体取决于哪个更快。
oaconvolve
使用重叠相加方法进行卷积,当输入数组较大且大小差异较大时,此方法通常会更快。
示例
白噪声的自相关是一种脉冲。
>>> from scipy import signal >>> rng = np.random.default_rng() >>> sig = rng.standard_normal(1000) >>> autocorr = signal.fftconvolve(sig, sig[::-1], mode='full')
>>> import matplotlib.pyplot as plt >>> fig, (ax_orig, ax_mag) = plt.subplots(2, 1) >>> ax_orig.plot(sig) >>> ax_orig.set_title('White noise') >>> ax_mag.plot(np.arange(-len(sig)+1,len(sig)), autocorr) >>> ax_mag.set_title('Autocorrelation') >>> fig.tight_layout() >>> fig.show()
使用FFT卷积实现的高斯模糊。请注意图像周围的黑色边框,这是由于超出其边界的补零。这个
convolve2d
函数允许其他类型的图像边界,但速度要慢得多。>>> from scipy import misc >>> face = misc.face(gray=True) >>> kernel = np.outer(signal.windows.gaussian(70, 8), ... signal.windows.gaussian(70, 8)) >>> blurred = signal.fftconvolve(face, kernel, mode='same')
>>> fig, (ax_orig, ax_kernel, ax_blurred) = plt.subplots(3, 1, ... figsize=(6, 15)) >>> ax_orig.imshow(face, cmap='gray') >>> ax_orig.set_title('Original') >>> ax_orig.set_axis_off() >>> ax_kernel.imshow(kernel, cmap='gray') >>> ax_kernel.set_title('Gaussian kernel') >>> ax_kernel.set_axis_off() >>> ax_blurred.imshow(blurred, cmap='gray') >>> ax_blurred.set_title('Blurred') >>> ax_blurred.set_axis_off() >>> fig.show()