卷积#
- scipy.ndimage.convolve(input, weights, output=None, mode='reflect', cval=0.0, origin=0, *, axes=None)[source]#
多维卷积。
数组与给定核进行卷积。
- 参数:
- input类数组
输入数组。
- weights类数组
权重数组,与输入具有相同维度数
- output数组或数据类型,可选
用于放置输出的数组,或返回数组的数据类型。默认情况下,将创建一个与输入具有相同数据类型的数组。
- mode{'reflect', 'constant', 'nearest', 'mirror', 'wrap'},可选
参数 mode 决定输入数组如何在其边界之外进行扩展。默认值为 'reflect'。每个有效值的行为如下所示
- 'reflect' (d c b a | a b c d | d c b a)
输入通过沿最后一个像素边缘反射进行扩展。此模式有时也称为半采样对称。
- 'constant' (k k k k | a b c d | k k k k)
输入通过用相同常量值(由参数 cval 定义)填充边缘之外的所有值进行扩展。
- 'nearest' (a a a a | a b c d | d d d d)
输入通过复制最后一个像素进行扩展。
- 'mirror' (d c b | a b c d | c b a)
输入通过沿最后一个像素中心反射进行扩展。此模式有时也称为全采样对称。
- 'wrap' (a b c d | a b c d | a b c d)
输入通过环绕到对边进行扩展。
为了与插值函数保持一致,也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 mode 为 'constant',则用于填充输入超出边缘的值。默认值为 0.0
- origin整型或序列,可选
控制滤波器在输入数组像素上的放置。值为 0(默认值)将滤波器置于像素中心,正值将滤波器向右移动,负值向左移动。通过传递一个长度等于输入数组维数的一个原点序列,可以沿每个轴指定不同的偏移量。
- axes整型元组或 None,可选
如果为 None,则 input 将沿所有轴进行过滤。否则,input 将沿指定轴进行过滤。当指定 axes 时,用于 mode 或 origin 的任何元组必须与 axes 的长度匹配。这些元组中的第 i 个条目对应于 axes 中的第 i 个条目。
- 返回:
- resultndarray
input 与 weights 卷积的结果。
另请参阅
correlate
将图像与核进行相关操作。
备注
结果中的每个值都是 \(C_i = \sum_j{I_{i+k-j} W_j}\),其中 W 是 weights 核,j 是 \(W\) 上的 N 维空间索引,I 是 input,k 是 W 中心坐标,由输入参数中的 origin 指定。
示例
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 weights 核以任何一个值居中时,超出 input 边缘的部分)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]])
将
cval=1.0
设置为将 input 的外边缘填充 1.0(然后仅提取结果的原始区域)是等效的。>>> 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]])
使用
mode='reflect'
(默认值),外部值在 input 的边缘处反射以填充缺失值。>>> 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]])
这包括对角线上的角点。
>>> 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]])
使用
mode='nearest'
,input 中距离边缘最近的单个值会重复多次,以匹配重叠的 weights。>>> 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]])