Python cusignal.convolution.convolve.convolve2d用法及代码示例

用法: cusignal.convolution.convolve.convolve2d(in1, in2, mode='full', boundary='fill', fillvalue=0)

卷积两个二维数组。将 in1 和 in2 与由 mode 确定的输出大小以及由 boundary 和 fillvalue 确定的边界条件进行卷积。参数——- in1 : 数组

第一个输入。

in2array_like

第二输入。应该具有与 in1 相同的维度数。

模式str {‘full’, ‘valid’, ‘same’}，可选

指示输出大小的字符串：full

输出是输入的完全离散线性卷积。 (默认)

valid: 输出仅包含那些不依赖零填充的元素。在‘valid’ 模式中，in1 或in2 在每个维度上必须至少与另一个一样大。
same: 输出与 in1 大小相同，以 ‘full’ 输出为中心。

边界str {‘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。

填充值标量，可选

填充填充输入数组的值。默认值为 0。

out：ndarray: 一个二维数组，包含 in1 与 in2 的离散线性卷积的子集。

例子：

使用复数 Scharr 算子通过 2D 卷积计算图像的梯度。 (水平算子是实数，垂直算子是虚数。)使用对称边界条件避免在图像边界处产生边。

>>> import cusignal
>>> import cupy as cp
>>> from scipy import misc
>>> ascent = cp.asarray(misc.ascent())
>>> scharr = cp.array([[ -3-3j, 0-10j,  +3 -3j],
...                    [-10+0j, 0+ 0j, +10 +0j],
...                    [ -3+3j, 0+10j,  +3 +3j]]) # Gx + j*Gy
>>> grad = cusignal.convolve2d(ascent, scharr, boundary='symm',                 mode='same')
>>> import matplotlib.pyplot as plt
>>> fig, (ax_orig, ax_mag, ax_ang) = plt.subplots(3, 1, figsize=(6, 15))
>>> ax_orig.imshow(cp.asnumpy(ascent), cmap='gray')
>>> ax_orig.set_title('Original')
>>> ax_orig.set_axis_off()
>>> ax_mag.imshow(cp.asnumpy(cp.absolute(grad)), cmap='gray')
>>> ax_mag.set_title('Gradient magnitude')
>>> ax_mag.set_axis_off()
>>> ax_ang.imshow(cp.asarray(cp.angle(grad)), cmap='hsv')
>>> ax_ang.set_title('Gradient orientation')
>>> ax_ang.set_axis_off()
>>> fig.show()

相关用法

注：本文由纯净天空筛选整理自rapids.ai大神的英文原创作品 cusignal.convolution.convolve.convolve2d。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

返回：

例子：