scipy.ndimage.

卷积

scipy.ndimage.convolve(input, weights, output=None, mode='reflect', cval=0.0, origin=0)

多维卷积。

数组与给定的核进行卷积。

参数:

输入array_like

输入数组。

权重array_like

权重数组，维度与输入相同

输出数组或数据类型，可选

要放置输出的数组，或返回数组的 dtype。默认情况下，将创建一个与输入具有相同 dtype 的数组。

模式{‘reflect’, ‘constant’, ‘nearest’, ‘mirror’, ‘wrap’}，可选

mode 参数决定了输入数组在边界之外如何扩展。默认值是 ‘reflect’。每个有效值的行为如下：

‘reflect’ (d c b a | a b c d | d c b a)

输入通过反射最后一个像素的边缘来扩展。这种模式有时也被称为半样本对称。

‘常量’ (k k k k | a b c d | k k k k)

输入通过填充边缘以外的所有值来扩展，这些值由 cval 参数定义为相同的常数值。

‘nearest’ (a a a a | a b c d | d d d d)

输入通过复制最后一个像素来扩展。

‘mirror’ (d c b | a b c d | c b a)

输入通过围绕最后一个像素的中心进行反射来扩展。这种模式有时也被称为全样本对称。

‘wrap’ (a b c d | a b c d | a b c d)

输入通过环绕到相对的边缘来扩展。

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。

‘网格常数’

这是“常量”的同义词。

‘grid-wrap’

这是 ‘wrap’ 的同义词。

cval标量，可选

如果 mode 是 ‘constant’，则填充输入边缘之外的值。默认值为 0.0。

起源int, 可选

控制输入信号的起点，即滤波器中心的位置，用于生成输出的第一个元素。正值将滤波器向右移动，负值将滤波器向左移动。默认值为0。

返回:

结果ndarray

input 与 weights 的卷积结果。

参见

correlate

将图像与核相关联。

注释

结果中的每个值为 \(C_i = \sum_j{I_{i+k-j} W_j}\)，其中 W 是 weights 核，j 是 \(W\) 上的 N-D 空间索引，I 是 input，k 是 W 中心的坐标，由输入参数中的 origin 指定。

示例

Try it in your browser!

也许最容易理解的情况是 mode='constant', cval=0.0，因为在这种情况下，边界（即，weights 核，以任何一个值为中心，延伸到 input 的边缘之外）被视为零。

>>> import numpy as np
>>> a = np.array([[1, 2, 0, 0],
...               [5, 3, 0, 4],
...               [0, 0, 0, 7],
...               [9, 3, 0, 0]])
>>> k = np.array([[1,1,1],[1,1,0],[1,0,0]])
>>> from scipy import ndimage
>>> ndimage.convolve(a, k, mode='constant', cval=0.0)
array([[11, 10,  7,  4],
       [10,  3, 11, 11],
       [15, 12, 14,  7],
       [12,  3,  7,  0]])

设置 cval=1.0 等同于用1.0填充 input 的外边缘（然后只提取结果中的原始区域）。

>>> ndimage.convolve(a, k, mode='constant', cval=1.0)
array([[13, 11,  8,  7],
       [11,  3, 11, 14],
       [16, 12, 14, 10],
       [15,  6, 10,  5]])

使用 ``mode=’reflect’``（默认），input 边缘的值会被反射以填充缺失的值。

>>> b = np.array([[2, 0, 0],
...               [1, 0, 0],
...               [0, 0, 0]])
>>> k = np.array([[0,1,0], [0,1,0], [0,1,0]])
>>> ndimage.convolve(b, k, mode='reflect')
array([[5, 0, 0],
       [3, 0, 0],
       [1, 0, 0]])

这包括对角线在角落处。

>>> k = np.array([[1,0,0],[0,1,0],[0,0,1]])
>>> ndimage.convolve(b, k)
array([[4, 2, 0],
       [3, 2, 0],
       [1, 1, 0]])

使用 mode='nearest' ，input 中与边缘最接近的单个值会根据需要重复多次，以匹配重叠的 weights 。

>>> c = np.array([[2, 0, 1],
...               [1, 0, 0],
...               [0, 0, 0]])
>>> k = np.array([[0, 1, 0],
...               [0, 1, 0],
...               [0, 1, 0],
...               [0, 1, 0],
...               [0, 1, 0]])
>>> ndimage.convolve(c, k, mode='nearest')
array([[7, 0, 3],
       [5, 0, 2],
       [3, 0, 1]])

Go BackOpen In Tab