scipy.ndimage.

gaussian_filter

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:

inputarray_like

输入数组。

sigma标量或标量序列

高斯核的标准差。高斯滤波器的标准差以序列的形式给出每个轴，或者以单个数字给出，在这种情况下，它对所有轴都相同。

order整数或整数序列，可选

沿每个轴的滤波器阶数以整数序列或单个数字给出。阶数为 0 对应于与高斯核的卷积。正阶数对应于与高斯导数的卷积。

output数组或dtype，可选

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

mode字符串或序列，可选

mode 参数决定当滤波器与边界重叠时如何扩展输入数组。通过传递一个长度等于输入数组维数的模式序列，可以指定沿每个轴的不同模式。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缘来扩展输入。此模式有时也称为半样本对称。

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

输入通过用相同的常数值填充边缘之外的所有值来扩展，该常数值由 cval 参数定义。

‘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)

输入通过反射最后一个像素的中心来扩展。此模式有时也称为全样本对称。

‘wrap’ (a b c d | a b c d | a b c d)

输入通过环绕到相对的边缘来扩展。

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 mode 为 ‘constant’，则填充输入边缘之外的值。默认为 0.0。

truncate浮点数，可选

在此标准差处截断滤波器。默认为 4.0。

radiusNone 或 整数 或整数序列，可选

高斯核的半径。半径以序列的形式给出每个轴，或者以单个数字给出，在这种情况下，它对所有轴都相同。如果指定，则沿每个轴的内核大小将为 2*radius + 1，并且忽略 truncate。默认为 None。

axes整数元组或None，可选

如果为 None，则沿所有轴过滤 input。否则，沿指定的轴过滤 input。当指定 axes 时，用于 sigma、order、mode 和/或 radius 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:

gaussian_filterndarray

返回与 input 形状相同的数组。

注释

多维滤波器实现为 1-D 卷积滤波器序列。中间数组以与输出相同的数据类型存储。因此，对于精度有限的输出类型，结果可能不精确，因为中间结果可能以精度不足的方式存储。

高斯核沿每个轴的大小将为 2*radius + 1。如果 radius 为 None，则将使用默认值 radius = round(truncate * sigma)。

示例

在您的浏览器中尝试一下！

>>> 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()

返回在新标签页中打开