scipy.ndimage.

关联

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

多维相关性。

该数组与给定的核相关联。

参数:

输入array_like

输入数组。

权重ndarray

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’，则用于填充输入边缘之外的值。默认值为 0.0。

起源int 或 sequence，可选

控制过滤器在输入数组像素上的位置。值为0（默认）时，过滤器位于像素中心，正值使过滤器向左移动，负值向右移动。通过传递一个与输入数组维度数量相等的原点序列，可以沿着每个轴指定不同的偏移量。

返回:

结果ndarray

input 与 weights 相关联的结果。

参见

convolve

用一个核卷积图像。

示例

Try it in your browser!

相关性是将一个通常称为核的滤波器掩码在图像上移动，并在每个位置计算乘积和的过程。

>>> from scipy.ndimage import correlate
>>> import numpy as np
>>> input_img = np.arange(25).reshape(5,5)
>>> print(input_img)
[[ 0  1  2  3  4]
[ 5  6  7  8  9]
[10 11 12 13 14]
[15 16 17 18 19]
[20 21 22 23 24]]

定义一个用于相关性的核（权重）。在这个例子中，它是用于中心元素及其上下左右相邻元素的和。

>>> weights = [[0, 1, 0],
...            [1, 1, 1],
...            [0, 1, 0]]

我们可以计算一个相关性结果：例如，元素 [2,2] 是 7 + 11 + 12 + 13 + 17 = 60。

>>> correlate(input_img, weights)
array([[  6,  10,  15,  20,  24],
    [ 26,  30,  35,  40,  44],
    [ 51,  55,  60,  65,  69],
    [ 76,  80,  85,  90,  94],
    [ 96, 100, 105, 110, 114]])

Go BackOpen In Tab