scipy.ndimage.

gaussian_laplace

scipy.ndimage.gaussian_laplace(input, sigma, output=None, mode='reflect', cval=0.0, **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以序列形式为每个轴指定，或作为单个数字，在这种情况下对所有轴都相同。

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，将创建与输入相同 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。通过传递长度等于输入数组维数的模式序列，可以在每个轴上指定不同的模式。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)

输入通过用由 cval 参数定义的相同常数值填充边缘以外的所有值来扩展。

‘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)

输入通过包裹到相对边缘来扩展。

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以外的值。默认值为 0.0。

额外的关键字参数将传递给 gaussian_filter()。

返回值:

gaussian_laplacendarray

过滤后的数组。具有与 input 相同的形状。

示例

在您的浏览器中试用！

>>> 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