Python SciPy ndimage.convolve用法及代码示例

本文简要介绍 python 语言中 scipy.ndimage.convolve 的用法。

用法:

scipy.ndimage.convolve(input, weights, output=None, mode='reflect', cval=0.0, origin=0)#

多维卷积。

该数组与给定的内核卷积。

参数 ：：

input： array_like

输入数组。

weights： array_like

权重数组，与输入的维数相同

output： 数组或数据类型，可选

放置输出的数组，或返回数组的 dtype。默认情况下，将创建一个与输入具有相同 dtype 的数组。

mode： {‘reflect’, ‘constant’, ‘nearest’, ‘mirror’, ‘wrap’}，可选

mode 参数确定输入数组如何扩展到其边界之外。默认为‘reflect’。每个有效值的行为如下：

‘reflect’ (d c b a | a b c d | d c b a)

通过反射最后一个像素的边来扩展输入。此模式有时也称为half-sample 对称模式。

‘constant’ (k k k k | a b c d |呸呸呸呸)

通过使用 cval 参数定义的相同常量值填充边之外的所有值来扩展输入。

‘nearest’ (啊啊啊啊| a b c d |嘀嘀嘀嘀)

通过复制最后一个像素来扩展输入。

‘mirror’ (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whole-sample 对称模式。

‘wrap’ (a b c d | a b c d | A B C D)

通过环绕到相对边来扩展输入。

为了与插值函数保持一致，还可以使用以下模式名称：

‘grid-mirror’

这是‘reflect’ 的同义词。

‘grid-constant’

这是‘constant’ 的同义词。

‘grid-wrap’

这是‘wrap’ 的同义词。

cval： 标量，可选

如果模式为‘constant’，则填充过去输入边的值。默认值为 0.0

origin： 整数，可选

控制输入信号的原点，这是滤波器产生输出第一个元素的中心位置。正值将过滤器向右移动，负值将过滤器向左移动。默认值为 0。

返回 ：：

result： ndarray

输入与权重的卷积结果。

注意：

结果中的每个值都是\(C_i = \sum_j{I_{i+k-j} W_j}\), 其中 W 是权重内核，j 是 N-D 空间索引\(W\), 我是输入k 是 W 中心的坐标，由下式指定起源在输入参数中。

例子：

也许最容易理解的情况是mode='constant', cval=0.0，因为在这种情况下边界(即，权重内核，以任何一个值为中心，延伸到边之外输入) 被视为零。

>>> import numpy as np
>>> a = np.array([[1, 2, 0, 0],
...               [5, 3, 0, 4],
...               [0, 0, 0, 7],
...               [9, 3, 0, 0]])
>>> k = np.array([[1,1,1],[1,1,0],[1,0,0]])
>>> from scipy import ndimage
>>> ndimage.convolve(a, k, mode='constant', cval=0.0)
array([[11, 10,  7,  4],
       [10,  3, 11, 11],
       [15, 12, 14,  7],
       [12,  3,  7,  0]])

环境cval=1.0相当于填充的外边输入1.0(然后只提取结果的原始区域)。

>>> ndimage.convolve(a, k, mode='constant', cval=1.0)
array([[13, 11,  8,  7],
       [11,  3, 11, 14],
       [16, 12, 14, 10],
       [15,  6, 10,  5]])

和mode='reflect'(默认)，外部值反映在边输入填写缺失值。

>>> b = np.array([[2, 0, 0],
...               [1, 0, 0],
...               [0, 0, 0]])
>>> k = np.array([[0,1,0], [0,1,0], [0,1,0]])
>>> ndimage.convolve(b, k, mode='reflect')
array([[5, 0, 0],
       [3, 0, 0],
       [1, 0, 0]])

这包括在角落的对角线。

>>> k = np.array([[1,0,0],[0,1,0],[0,0,1]])
>>> ndimage.convolve(b, k)
array([[4, 2, 0],
       [3, 2, 0],
       [1, 1, 0]])

和mode='nearest', 中的单个最接近的值输入根据需要重复多次以匹配重叠权重.

>>> c = np.array([[2, 0, 1],
...               [1, 0, 0],
...               [0, 0, 0]])
>>> k = np.array([[0, 1, 0],
...               [0, 1, 0],
...               [0, 1, 0],
...               [0, 1, 0],
...               [0, 1, 0]])
>>> ndimage.convolve(c, k, mode='nearest')
array([[7, 0, 3],
       [5, 0, 2],
       [3, 0, 1]])