scipy.signal.fftconvolve

scipy.signal.fftconvolve(in1, in2, mode='full', axes=None)

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()

上一页

scipy.signal.correlate

下一页

scipy.signal.oaconvolve