gaussian_filter#
- scipy.ndimage.gaussian_filter(input, sigma, order=0, output=None, mode='reflect', cval=0.0, truncate=4.0, *, radius=None, axes=None)[source]#
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形式给出，分别对应于每个轴，或者以单个数字给出，在这种情况下，所有轴的标准差都相等。
- 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的形式给出，或者以单个数字给出。阶数为 0 对应于与高斯核进行卷积。正阶数对应于与高斯的该阶导数进行卷积。
- output数组或数据类型，可选
放置输出的数组，或返回数组的数据类型。默认情况下，将创建与输入相同数据类型的数组。
- mode字符串或序列，可选
当滤波器重叠边界时，mode 参数决定如何扩展输入数组。通过传递长度等于输入数组维度数量的模式序列，可以沿着每个轴指定不同的模式。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)
输入通过关于最后一个像素的边缘进行反射来扩展。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 cval 参数定义的相同常数值填充所有超出边缘的值来扩展。
- ‘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的中心进行反射来扩展。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)
输入通过环绕到另一侧的边缘来扩展。
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’，则用于填充输入边缘之外的值。默认值为 0.0。
- truncate浮点数，可选
在这么多标准差处截断滤波器。默认值为 4.0。
- radiusNone 或整数或整数序列，可选
高斯核的半径。半径以序列形式给出，分别对应于每个轴，或者以单个数字给出，在这种情况下，所有轴的半径都相等。如果指定，则沿每个轴的核大小将为
2*radius + 1，而 truncate 将被忽略。默认值为 None。- axes整数元组或 None，可选
如果为 None，则沿所有轴对 input 进行滤波。否则，沿指定的轴对 input 进行滤波。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。
- 返回值:
- gaussian_filterndarray
返回与 input 形状相同的数组。
备注
多维滤波器被实现为一系列一维卷积滤波器。中间数组存储在与输出相同的数据类型中。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，则将使用默认的radius = round(truncate * sigma)。示例
>>> 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()
