scipy.signal.

correlate2d#

scipy.signal.correlate2d(in1, in2, mode='full', boundary='fill', fillvalue=0)[源代码]#

对两个 2 维数组进行互相关。

根据 mode 确定的输出大小以及根据 boundary 和 fillvalue 确定的边界条件，对 in1 和 in2 进行互相关。

参数:

in1array_like

第一个输入。

in2array_like

第二个输入。维度数目应与 in1 相同。

modestr {‘full’, ‘valid’, ‘same’}, 可选

指示输出大小的字符串

full: 输出是输入的完整离散线性互相关。（默认）
valid: 输出仅包含不依赖于零填充的元素。在“有效”模式下，in1 或 in2 的每一维度都必须至少与另一维度一样大。
same: 输出大小与 in1 相同，相对于“完整”输出居中放置。

boundarystr {‘fill’, ‘wrap’, ‘symm’}, 可选

一个指示如何处理边界的标志

fill: 用填充值填充输入数组。（默认）
wrap: 循环边界条件。
symm: 对称边界条件。

fillvalue标量，可选

填充输入数组的填充值。默认值为 0。

返回:

correlate2dndarray: 一个包含 in1 与 in2 离散线性互相关子集的二维数组。

注释

在使用具有偶数长度输入的“相同”模式中，correlate 和 correlate2d 的输出有所不同：它们之间有一个 1 指数偏移。

示例

使用 2D 互相关查找模板在噪声图像中的位置

>>> import numpy as np
>>> from scipy import signal, datasets, ndimage
>>> rng = np.random.default_rng()
>>> face = datasets.face(gray=True) - datasets.face(gray=True).mean()
>>> face = ndimage.zoom(face[30:500, 400:950], 0.5)  # extract the face
>>> template = np.copy(face[135:165, 140:175])  # right eye
>>> template -= template.mean()
>>> face = face + rng.standard_normal(face.shape) * 50  # add noise
>>> corr = signal.correlate2d(face, template, boundary='symm', mode='same')
>>> y, x = np.unravel_index(np.argmax(corr), corr.shape)  # find the match

>>> import matplotlib.pyplot as plt
>>> fig, (ax_orig, ax_template, ax_corr) = plt.subplots(3, 1,
...                                                     figsize=(6, 15))
>>> ax_orig.imshow(face, cmap='gray')
>>> ax_orig.set_title('Original')
>>> ax_orig.set_axis_off()
>>> ax_template.imshow(template, cmap='gray')
>>> ax_template.set_title('Template')
>>> ax_template.set_axis_off()
>>> ax_corr.imshow(corr, cmap='gray')
>>> ax_corr.set_title('Cross-correlation')
>>> ax_corr.set_axis_off()
>>> ax_orig.plot(x, y, 'ro')
>>> fig.show()

../../_images/scipy-signal-correlate2d-1.png