scipy.signal.
convolve2d#
- scipy.signal.convolve2d(in1, in2, mode='full', boundary='fill', fillvalue=0)[source]#
对两个二维数组进行卷积。
对 in1 和 in2 进行卷积，输出大小由 mode 决定，边界条件由 boundary 和 fillvalue 决定。
- 参数：
- in1array_like
第一个输入。
- in2array_like
第二个输入。应该与 in1 具有相同维数。
- modestr {‘full’, ‘valid’, ‘same’}, optional
一个字符串，指示输出的大小
full输出是输入的完整离散线性卷积。（默认）
valid输出只包含不依赖于零填充的元素。在 ‘valid’ 模式下，in1 或 in2 必须在每个维度上至少与另一个一样大。
same输出与 in1 的大小相同，相对于 ‘full’ 输出居中。
- boundarystr {‘fill’, ‘wrap’, ‘symm’}, optional
一个标志，指示如何处理边界
fill用 fillvalue 填充输入数组。（默认）
wrap循环边界条件。
symm对称边界条件。
- fillvaluescalar, optional
填充输入数组的值。默认为 0。
- 返回：
- outndarray
一个二维数组，包含 in1 与 in2 的离散线性卷积的子集。
示例
通过用复数 Scharr 算子进行二维卷积来计算图像的梯度。（水平算子是实数，垂直算子是虚数。）使用对称边界条件来避免在图像边界处创建边缘。
>>> import numpy as np >>> from scipy import signal >>> from scipy import datasets >>> ascent = datasets.ascent() >>> scharr = np.array([[ -3-3j, 0-10j, +3 -3j], ... [-10+0j, 0+ 0j, +10 +0j], ... [ -3+3j, 0+10j, +3 +3j]]) # Gx + j*Gy >>> grad = signal.convolve2d(ascent, scharr, boundary='symm', mode='same')
>>> import matplotlib.pyplot as plt >>> fig, (ax_orig, ax_mag, ax_ang) = plt.subplots(3, 1, figsize=(6, 15)) >>> ax_orig.imshow(ascent, cmap='gray') >>> ax_orig.set_title('Original') >>> ax_orig.set_axis_off() >>> ax_mag.imshow(np.absolute(grad), cmap='gray') >>> ax_mag.set_title('Gradient magnitude') >>> ax_mag.set_axis_off() >>> ax_ang.imshow(np.angle(grad), cmap='hsv') # hsv is cyclic, like angles >>> ax_ang.set_title('Gradient orientation') >>> ax_ang.set_axis_off() >>> fig.show()
