scipy.ndimage.

gaussian_laplace

scipy.ndimage.gaussian_laplace(input, sigma, output=None, mode='reflect', cval=0.0, *, axes=None, **kwargs)

使用高斯二阶导数的多维拉普拉斯滤波器。

参数:

inputarray_like

输入数组。

sigma标量或标量序列

高斯滤波器的标准差，对于每个轴以序列的形式给出，或者以单个数字的形式给出，在这种情况下，它对于所有轴都相等。

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 参数确定当滤波器与边界重叠时如何扩展输入数组。 通过传递长度等于输入数组维数的模式序列，可以沿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样本对称。

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

通过使用相同的常数值填充超出边缘的所有值来扩展输入，该常数值由 cval 参数定义。

‘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样本对称。

‘wrap’ (a b c d | a b c d | a b c d)

通过环绕到相对的边缘来扩展输入。

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”，则填充输入边缘的值。 默认为 0.0。

axesint 或 None 的元组

应用滤波器的轴。如果提供了 sigma 或 mode 元组，则它们的长度必须与轴的数量匹配。

额外的关键字参数将传递给 gaussian_filter()。

返回:

gaussian_laplacendarray

过滤后的数组。具有与 input 相同的形状。

示例

在浏览器中尝试一下！

>>> from scipy import ndimage, datasets
>>> import matplotlib.pyplot as plt
>>> ascent = datasets.ascent()

>>> 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

>>> result = ndimage.gaussian_laplace(ascent, sigma=1)
>>> ax1.imshow(result)

>>> result = ndimage.gaussian_laplace(ascent, sigma=3)
>>> ax2.imshow(result)
>>> plt.show()

返回在新标签页中打开