scipy.ndimage.

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 sizefootprint 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 sizeorigin 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。

另请参阅

scipy.signal.medfilt2d

注意

对于具有 uint8float32float64 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.mediannp.nanmedianvectorized_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()
../../_images/scipy-ndimage-median_filter-1.png