minimum_filter#
- scipy.ndimage.minimum_filter(input, size=None, footprint=None, output=None, mode='reflect', cval=0.0, origin=0, *, axes=None)[源代码][源代码]#
计算多维最小滤波器。
- 参数:
- 输入array_like
输入数组。
- 大小标量或元组，可选
见下方足迹。如果提供了足迹，则忽略。
- 足迹数组，可选
必须定义 size 或 footprint。size 给出了从输入数组中提取的形状，在每个元素位置，以定义传递给过滤器函数的输入。footprint 是一个布尔数组，它指定（隐式地）一个形状，但同时也指定了此形状内的哪些元素将被传递给过滤器函数。因此
size=(n,m)等同于footprint=np.ones((n,m))。我们调整 size 以适应输入数组的维度数量，因此，如果输入数组的形状是 (10,10,10)，而 size 是 2，那么实际使用的 size 是 (2,2,2)。当给出 footprint 时，size 被忽略。- 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str 或 序列, 可选
mode 参数决定了当滤波器跨越边界时输入数组如何扩展。通过传递一个长度等于输入数组维数的模式序列，可以沿着每个轴指定不同的模式。默认值是 ‘reflect’。有效值及其行为如下：
- ‘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：
- ‘网格常数’
这是“常量”的同义词。
- ‘grid-mirror’
这是“reflect”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。
- 轴int 或 None 的元组，可选
如果为 None，则 input 沿所有轴进行过滤。否则，input 沿指定的轴进行过滤。当指定 axes 时，用于 size、origin 和/或 mode 的任何元组的长度必须与 axes 的长度匹配。这些元组中的第 i 个条目对应于 axes 中的第 i 个条目。
- 返回:
- minimum_filterndarray
过滤后的数组。与 input 具有相同的形状。
注释
当足迹是可分离的时候，仅支持一系列模式（每个轴一个）。否则，必须提供一个单一的模式字符串。
示例
>>> from scipy import ndimage, datasets >>> import matplotlib.pyplot as plt >>> fig = plt.figure() >>> plt.gray() # show the filtered result in grayscale >>> ax1 = fig.add_subplot(121) # left side >>> ax2 = fig.add_subplot(122) # right side >>> ascent = datasets.ascent() >>> result = ndimage.minimum_filter(ascent, size=20) >>> ax1.imshow(ascent) >>> ax2.imshow(result) >>> plt.show()
