scipy.signal.
fftconvolve#
- scipy.signal.fftconvolve(in1, in2, mode='full', axes=None)[source]#
使用 FFT 对两个 N 维数组进行卷积。
使用快速傅里叶变换方法对 in1 和 in2 进行卷积，输出大小由 mode 参数确定。
对于大型数组 (n > ~500)，这通常比
convolve快得多，但在只需要少量输出值的情况下可能会更慢，并且只能输出浮点数组（int 或 object 数组输入将被转换为浮点型）。从 v0.19 开始，
convolve会根据对哪种方法更快进行估计，自动选择这种方法或直接方法。- 参数：
- in1array_like
第一个输入。
- in2array_like
第二个输入。应该与 in1 具有相同数量的维度。
- modestr {‘full’, ‘valid’, ‘same’}, optional
指示输出大小的字符串
full输出是输入的完全离散线性卷积。（默认）
valid输出仅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。
- axesint 或 int 数组或 None，可选
要计算卷积的轴。默认情况下是在所有轴上。
- 返回值：
- outarray
一个 N 维数组，包含 in1 与 in2 离散线性卷积的一个子集。
另请参阅
convolve根据哪种方法更快，使用直接卷积或 FFT 卷积算法。
oaconvolve使用重叠相加方法进行卷积，当输入数组很大并且大小差异显著时，这种方法通常更快。
示例
白噪声的自相关是脉冲。
>>> import numpy as np >>> from scipy import signal >>> rng = np.random.default_rng() >>> sig = rng.standard_normal(1000) >>> autocorr = signal.fftconvolve(sig, sig[::-1], mode='full')
>>> import matplotlib.pyplot as plt >>> fig, (ax_orig, ax_mag) = plt.subplots(2, 1) >>> ax_orig.plot(sig) >>> ax_orig.set_title('White noise') >>> ax_mag.plot(np.arange(-len(sig)+1,len(sig)), autocorr) >>> ax_mag.set_title('Autocorrelation') >>> fig.tight_layout() >>> fig.show()
使用 FFT 卷积实现的高斯模糊。请注意图像周围的暗边界，这是由于超出边界的零填充造成的。
convolve2d函数允许其他类型的图像边界，但速度要慢得多。>>> from scipy import datasets >>> face = datasets.face(gray=True) >>> kernel = np.outer(signal.windows.gaussian(70, 8), ... signal.windows.gaussian(70, 8)) >>> blurred = signal.fftconvolve(face, kernel, mode='same')
>>> fig, (ax_orig, ax_kernel, ax_blurred) = plt.subplots(3, 1, ... figsize=(6, 15)) >>> ax_orig.imshow(face, cmap='gray') >>> ax_orig.set_title('Original') >>> ax_orig.set_axis_off() >>> ax_kernel.imshow(kernel, cmap='gray') >>> ax_kernel.set_title('Gaussian kernel') >>> ax_kernel.set_axis_off() >>> ax_blurred.imshow(blurred, cmap='gray') >>> ax_blurred.set_title('Blurred') >>> ax_blurred.set_axis_off() >>> fig.show()
