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)[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 sigmaordermode 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()
../../_images/scipy-ndimage-gaussian_filter-1.png