Python SciPy signal.fftconvolve用法及代码示例

本文简要介绍 python 语言中 scipy.signal.fftconvolve 的用法。

用法:

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

使用 FFT 对两个 N 维数组进行卷积。

使用快速傅里叶变换方法对 in1 和 in2 进行卷积，输出大小由 mode 参数确定。

对于大型数组(n > ~500)，这通常比 convolve 快得多，但在只需要几个输出值时可能会更慢，并且只能输出浮点数组(int 或对象数组输入将被强制转换为浮点数) .

从 v0.19 开始， convolve 会自动选择此方法或基于估计哪个更快的直接方法。

参数 ：：

in1： array_like

第一个输入。

in2： array_like

第二输入。应该具有与 in1 相同的维数。

mode： 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 在每个维度上都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。

axes： int 或 数组 of ints 或 None，可选

计算卷积的轴。默认值是在所有轴上。

返回 ：：

out： 数组

一个 N 维数组，包含 in1 与 in2 的离散线性卷积的子集。

例子：

白噪声的自相关是一种脉冲。

>>> import numpy as np
>>> 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。请注意图像周围的深色边框，这是由于其边界之外的零填充。 convolve2d 函数允许其他类型的图像边界，但速度要慢得多。

>>> from scipy import datasets
>>> face = datasets.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()