gaussian_filter#
- scipy.ndimage.gaussian_filter(input, sigma, order=0, output=None, mode='reflect', cval=0.0, truncate=4.0, *, radius=None, axes=None)[源]#
多维高斯滤波。
- 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可以作为每个轴的序列给出,或者作为一个单一数字,在这种情况下它对所有轴都相等。
- orderint 或 int 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
用于放置输出的数组,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。
- modestr 或序列,可选
mode 参数决定了当滤波器与边界重叠时,输入数组如何扩展。通过传递一个长度等于输入数组维数的模式序列,可以为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)
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采样对称。
- 'constant' (k k k k | a b c d | k k k k)
通过用由 cval 参数定义的相同常量值填充超出边缘的所有值来扩展输入。
- 'nearest' (a a a a | a b c d | d d d d)
通过复制最后一个像素来扩展输入。
- 'mirror' (d c b | a b c d | c b a)
通过反射最后一个像素的中心来扩展输入。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)
通过环绕到对边来扩展输入。
为了与插值函数保持一致,也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',用于填充输入边缘外的值。默认值为 0.0。
- truncate浮点数,可选
在此标准差倍数处截断滤波器。默认值为 4.0。
- radiusNone 或 int 或 int 序列,可选
高斯核的半径。半径可以作为每个轴的序列给出,或者作为一个单一数字,在这种情况下它对所有轴都相等。如果指定,沿每个轴的核大小将是
2*radius + 1
,并且 truncate 将被忽略。默认值为 None。- axesint 元组或 None,可选
如果为 None,input 将沿所有轴进行滤波。否则,input 将沿指定轴进行滤波。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:
- gaussian_filterndarray
返回与 input 形状相同的数组。
注释
多维滤波器实现为一系列一维卷积滤波器。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不精确的精度存储。
高斯核沿每个轴的大小为
2*radius + 1
。如果 radius 为 None,将使用默认值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()