Python SciPy ndimage.gaussian_filter用法及代碼示例

本文簡要介紹 python 語言中 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)#

多維高斯濾波器。

參數 ：：

input： array_like

輸入數組。

sigma： 標量或標量序列

高斯核的標準差。每個軸的高斯濾波器的標準偏差作為一個序列或單個數字給出，在這種情況下，它對所有軸都是相等的。

order： int 或整數序列，可選

過濾器沿每個軸的順序以整數序列或單個數字的形式給出。 0 階對應於具有高斯核的卷積。正階對應於具有高斯導數的卷積。

output： 數組或數據類型，可選

放置輸出的數組，或返回數組的 dtype。默認情況下，將創建一個與輸入具有相同 dtype 的數組。

mode： str 或序列，可選

mode 參數確定當過濾器與邊框重疊時如何擴展輸入數組。通過傳遞長度等於輸入數組維數的模式序列，可以沿每個軸指定不同的模式。默認值為‘reflect’。有效值及其行為如下：

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

通過反射最後一個像素的邊來擴展輸入。此模式有時也稱為half-sample 對稱模式。

‘constant’ (k k k k | a b c d |呸呸呸呸)

通過使用 cval 參數定義的相同常量值填充邊之外的所有值來擴展輸入。

‘nearest’ (啊啊啊啊| a b c d |嘀嘀嘀嘀)

通過複製最後一個像素來擴展輸入。

‘mirror’ (d c b | a b c d | c b a)

通過反射最後一個像素的中心來擴展輸入。此模式有時也稱為whole-sample 對稱模式。

‘wrap’ (a b c d | a b c d | A B C D)

通過環繞到相對邊來擴展輸入。

為了與插值函數保持一致，還可以使用以下模式名稱：

‘grid-constant’

這是‘constant’ 的同義詞。

‘grid-mirror’

這是‘reflect’ 的同義詞。

‘grid-wrap’

這是‘wrap’ 的同義詞。

cval： 標量，可選

如果模式為‘constant’，則填充過去輸入邊的值。默認值為 0.0。

truncate： 浮點數，可選

在這麽多標準偏差處截斷過濾器。默認值為 4.0。

radius： 無或 int 或整數序列，可選

高斯核的半徑。每個軸的半徑以序列或單個數字的形式給出，在這種情況下，所有軸的半徑都相等。如果指定，則內核沿每個軸的大小將為2*radius + 1， 和截短被忽略。默認為“無”。

axes： int 或 None 的元組，可選

如果無，則沿所有軸過濾輸入。否則，將沿指定軸過濾輸入。當指定軸時，用於 sigma、階、模式和/或半徑的任何元組都必須與軸的長度匹配。這些元組中的第 i 個條目對應於軸中的第 i 個條目。

返回 ：：

gaussian_filter： ndarray

返回與形狀相同的數組輸入.

注意：

多維濾波器被實現為一維卷積濾波器序列。中間數組存儲在與輸出相同的數據類型中。因此，對於精度有限的輸出類型，結果可能不精確，因為存儲的中間結果可能精度不足。

高斯核的大小2*radius + 1沿著每個軸。如果半徑為 None，默認值radius = round(truncate * sigma)將會被使用。

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()