scipy.ndimage.

convolve#

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

多维卷积。

数组与给定内核进行卷积。

参数：
inputarray_like

输入数组。

weightsarray_like

权重数组，维度与输入相同

outputarray 或 dtype，可选

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

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

mode 参数决定了输入数组如何在其边界之外扩展。默认值为‘reflect’。每个有效值的具体行为如下：

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

输入通过关于最后一个像素的边缘反射来扩展。此模式有时也被称为半样本对称。

‘constant’ (k k k k | a b c d | k k k k)

输入通过用由 cval 参数定义的相同常数值填充边界之外的所有值来扩展。

‘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来扩展。

‘mirror’ (d c b | a b c d | c b a)

输入通过关于最后一个像素中心的反射来扩展。此模式有时也被称为全样本对称。

‘wrap’ (a b c d | a b c d | a b c d)

输入通过环绕到相对边缘来扩展。

为了与插值函数保持一致，以下模式名称也可以使用：

‘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’，则用于填充输入边缘之外的值。默认值为 0.0。

origin整数，可选

控制输入信号的原点，即滤波器居中以产生输出的第一个元素的位置。正值将滤波器向右移动，负值将滤波器向左移动。默认值为 0。

返回值：
resultndarray

input 与 weights 卷积的结果。

另请参见

correlate

将图像与内核进行互相关。

注释

result 中的每个值都是 \(C_i = \sum_j{I_{i+k-j} W_j}\)，其中 W 是 weights 内核，j 是 W 上的 N 维空间索引，I 是 input，k 是 W 中心的坐标，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 内核以任何一个值为中心，扩展到 input 的边缘之外）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]])

设置 cval=1.0 等效于用 1.0 填充 input 的外边缘（然后仅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]])

使用 mode='reflect'（默认值），在 input 的边缘反射外部值以填充缺失值。

>>> 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]])

这包括在角落对角线反射。

>>> 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 中边缘的单个最近值将被重复，次数与重叠的 weights 相匹配。

>>> 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]])
本页内容