maximum_filter#
- scipy.ndimage.maximum_filter(input, size=None, footprint=None, output=None, mode='reflect', cval=0.0, origin=0, *, axes=None)[source]#
计算多维最大值滤波器。
- 参数:
- inputarray_like
输入数组。
- size标量或元组，可选
参见下文的 `footprint`。如果提供了 `footprint`，则忽略此参数。
- footprint数组，可选
必须定义 `size` 或 `footprint` 中的一个。`size` 定义了从输入数组中每个元素位置获取的形状，以作为滤波器函数的输入。`footprint` 是一个布尔数组，它（隐式地）指定了一个形状，同时也指定了该形状内哪些元素将传递给滤波器函数。因此，
size=(n,m)等同于footprint=np.ones((n,m))。我们会根据输入数组的维度调整 `size`，因此，如果输入数组的形状是 (10,10,10)，并且 `size` 为 2，那么实际使用的尺寸将是 (2,2,2)。当提供了 `footprint` 时，`size` 将被忽略。- output数组或数据类型，可选
用于存放输出的数组，或返回数组的数据类型。默认情况下，将创建一个与输入具有相同数据类型的数组。
- mode字符串或序列，可选
`mode` 参数决定了当滤波器与边界重叠时，输入数组如何进行扩展。通过传递一个长度等于输入数组维度的模式序列，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)
通过围绕最后一个像素的边缘进行反射来扩展输入。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)
通过用 `cval` 参数定义的相同常量值填充边界以外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)
通过围绕最后一个像素的中心进行反射来扩展输入。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)
通过环绕到对边来扩展输入。
为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'，用于填充输入边缘以外区域的值。默认值为 0.0。
- origin整数或序列，可选
控制滤波器在输入数组像素上的位置。值为 0（默认值）将滤波器居中于像素，正值将滤波器向左移动，负值向右移动。通过传递一个长度等于输入数组维度的原点序列，可以为每个轴指定不同的偏移。
- axes整数元组或 None，可选
如果为 `None`，则 `input` 沿所有轴进行滤波。否则，`input` 沿指定的轴进行滤波。当指定 `axes` 时，`size`、`origin` 和/或 `mode` 中使用的任何元组必须与 `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:
- maximum_filterndarray
滤波后的数组。与 `input` 具有相同的形状。
备注
模式序列（每个轴一个）仅在 `footprint` 可分离时受支持。否则，必须提供单个模式字符串。
此函数处理 NaN 元素时的行为未定义。要控制 NaN 存在时的行为，请考虑使用
vectorized_filter。示例
>>> from scipy import ndimage, 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 = ndimage.maximum_filter(ascent, size=20) >>> ax1.imshow(ascent) >>> ax2.imshow(result) >>> plt.show()
