Python SciPy ndimage.gaussian_filter用法及代码示例

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

用法:

scipy.ndimage.gaussian_filter(input, sigma, order=0, output=None, mode='reflect', cval=0.0, truncate=4.0, *, radius=None, axes=None)#

多维高斯滤波器。

参数 ：：

input： array_like

输入数组。

sigma： 标量或标量序列

高斯核的标准差。每个轴的高斯滤波器的标准偏差作为一个序列或单个数字给出，在这种情况下，它对所有轴都是相等的。

order： int 或整数序列，可选

过滤器沿每个轴的顺序以整数序列或单个数字的形式给出。 0 阶对应于具有高斯核的卷积。正阶对应于具有高斯导数的卷积。

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： str 或序列，可选

mode 参数确定当过滤器与边框重叠时如何扩展输入数组。通过传递长度等于输入数组维数的模式序列，可以沿每个轴指定不同的模式。默认值为‘reflect’。有效值及其行为如下：

‘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-constant’

这是‘constant’ 的同义词。

‘grid-mirror’

这是‘reflect’ 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。

truncate： 浮点数，可选

在这么多标准偏差处截断过滤器。默认值为 4.0。

radius： 无或 int 或整数序列，可选

高斯核的半径。每个轴的半径以序列或单个数字的形式给出，在这种情况下，所有轴的半径都相等。如果指定，则内核沿每个轴的大小将为2*radius + 1， 和截短被忽略。默认为“无”。

axes： int 或 None 的元组，可选

如果无，则沿所有轴过滤输入。否则，将沿指定轴过滤输入。当指定轴时，用于 sigma、阶、模式和/或半径的任何元组都必须与轴的长度匹配。这些元组中的第 i 个条目对应于轴中的第 i 个条目。

返回 ：：

gaussian_filter： ndarray

返回与形状相同的数组输入.

注意：

多维滤波器被实现为一维卷积滤波器序列。中间数组存储在与输出相同的数据类型中。因此，对于精度有限的输出类型，结果可能不精确，因为存储的中间结果可能精度不足。

高斯核的大小2*radius + 1沿着每个轴。如果半径为 None，默认值radius = round(truncate * sigma)将会被使用。

例子：

>>> from scipy.ndimage import gaussian_filter
>>> import numpy as np
>>> a = np.arange(50, step=2).reshape((5,5))
>>> a
array([[ 0,  2,  4,  6,  8],
       [10, 12, 14, 16, 18],
       [20, 22, 24, 26, 28],
       [30, 32, 34, 36, 38],
       [40, 42, 44, 46, 48]])
>>> gaussian_filter(a, sigma=1)
array([[ 4,  6,  8,  9, 11],
       [10, 12, 14, 15, 17],
       [20, 22, 24, 25, 27],
       [29, 31, 33, 34, 36],
       [35, 37, 39, 40, 42]])

>>> from scipy import datasets
>>> import matplotlib.pyplot as plt
>>> fig = plt.figure()
>>> plt.gray()  # show the filtered result in grayscale
>>> ax1 = fig.add_subplot(121)  # left side
>>> ax2 = fig.add_subplot(122)  # right side
>>> ascent = datasets.ascent()
>>> result = gaussian_filter(ascent, sigma=5)
>>> ax1.imshow(ascent)
>>> ax2.imshow(result)
>>> plt.show()