median_filter#
- scipy.ndimage.median_filter(input, size=None, footprint=None, output=None, mode='reflect', cval=0.0, origin=0, *, axes=None)[source]#
计算多维中值滤波器。
- 参数:
- input类数组
输入数组。
- size标量或元组,可选
请参阅下面的 footprint。如果给定 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取出的形状,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中哪些元素将传递给滤波器函数。因此,
size=(n,m)
等效于footprint=np.ones((n,m))
。我们将 size 调整为输入数组的维数,因此,如果输入数组的形状是 (10,10,10),且 size 是 2,则实际使用的尺寸是 (2,2,2)。当给定 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,将创建一个与输入数组具有相同数据类型的数组。
- mode{‘reflect’, ‘constant’, ‘nearest’, ‘mirror’, ‘wrap’},可选
参数 mode 决定了输入数组如何在其边界之外进行扩展。默认值为 'reflect'。每个有效值的行为如下:
- ‘reflect’(d c b a | a b c d | d c b a)
通过最后一个像素的边缘反射来扩展输入。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)
通过用由 cval 参数定义的相同常量值填充边缘之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)
通过最后一个像素的中心反射来扩展输入。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。
为了与插值函数保持一致,也可以使用以下模式名称:
- ‘grid-mirror’
这是 'reflect' 的同义词。
- ‘grid-constant’
这是 'constant' 的同义词。
- ‘grid-wrap’
这是 'wrap' 的同义词。
- cval标量,可选
如果 mode 为 'constant',则用于填充输入数组边缘以外的值。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放置。值为 0(默认值)时,滤波器中心位于像素上方;正值将滤波器向左移动,负值则向右移动。通过传递一个长度等于输入数组维数的 origin 序列,可以沿每个轴指定不同的偏移。
- axes整数元组或 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 size、origin 和/或 mode 的任何元组的长度必须与 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:
- median_filterndarray
滤波后的数组。其形状与 input 相同。
注意
对于具有
uint8
、float32
或float64
数据类型的二维图像,专用函数scipy.signal.medfilt2d
可能更快。但是,它仅限于cval=0
的常量模式。该滤波器总是返回在排序数组中索引为
n // 2
的参数,其中n
是滤波器足迹中的元素数量。请注意,当n
为偶数时,这与传统的中值定义不同。此外,此函数不支持float16
数据类型,存在 NaN 时的行为未定义,并且内存消耗与n**4
成比例。为了支持float16
,更好地控制滤波器的定义,并限制内存使用,请考虑将 NumPy 函数 np.median 或 np.nanmedian 与vectorized_filter
结合使用。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.median_filter(ascent, size=20) >>> ax1.imshow(ascent) >>> ax2.imshow(result) >>> plt.show()