scipy.ndimage.

spline_filter1d

scipy.ndimage.spline_filter1d(input, order=3, axis=-1, output=<class 'numpy.float64'>, mode='mirror')

沿着给定的轴计算一维样条滤波器。

沿着给定轴的数组行通过样条滤波器进行过滤。样条的阶数必须 >= 2 且 <= 5。

参数:

输入array_like

输入数组。

顺序int, 可选

样条的顺序，默认是 3。

轴int, 可选

应用样条滤波器的轴。默认是最后一个轴。

输出ndarray 或 dtype，可选

要放置输出的数组，或返回数组的 dtype。默认是 numpy.float64。

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

mode 参数决定了输入数组在边界之外如何扩展。默认值为 ‘mirror’。每个有效值的行为如下（参见 边界模式 的额外图表和详细信息）：

‘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。

‘grid-mirror’

这是“reflect”的同义词。

‘常量’ (k k k k | a b c d | k k k k)

输入通过填充边缘之外的所有值来扩展，这些值由 cval 参数定义为相同的常数值。在输入边缘之外不进行插值。

‘grid-constant’ (k k k k | a b c d | k k k k)

输入通过填充边缘之外的所有值来扩展，这些值由 cval 参数定义为相同的常数值。插值也发生在输入范围之外的样本中。

‘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。

‘grid-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。

‘wrap’ (d b c d | a b c d | b c a b)

输入通过环绕到相对的边缘来扩展，但这种方式使得最后一个点和初始点完全重叠。在这种情况下，重叠点的采样选择并不明确。

返回:

spline_filter1dndarray

过滤后的输入。

参见

spline_filter

多维样条滤波器。

注释

ndimage 中的所有插值函数都使用样条插值对输入图像进行处理。如果使用 order > 1 的 B 样条，输入图像的值首先需要转换为 B 样条系数，这是通过沿输入的所有轴顺序应用此一维滤波器来完成的。所有需要 B 样条系数的函数都会自动过滤它们的输入，这种行为可以通过 prefilter 关键字参数控制。对于接受 mode 参数的函数，只有在过滤时使用的 mode 与插值时使用的 mode 匹配时，结果才会正确。

对于复数 输入，此函数独立处理实部和虚部。

Added in version 1.6.0: 复数值支持已添加。

示例

Try it in your browser!

我们可以沿着给定的轴使用一维样条对图像进行滤波：

>>> from scipy.ndimage import spline_filter1d
>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> orig_img = np.eye(20)  # create an image
>>> orig_img[10, :] = 1.0
>>> sp_filter_axis_0 = spline_filter1d(orig_img, axis=0)
>>> sp_filter_axis_1 = spline_filter1d(orig_img, axis=1)
>>> f, ax = plt.subplots(1, 3, sharex=True)
>>> for ind, data in enumerate([[orig_img, "original image"],
...             [sp_filter_axis_0, "spline filter (axis=0)"],
...             [sp_filter_axis_1, "spline filter (axis=1)"]]):
...     ax[ind].imshow(data[0], cmap='gray_r')
...     ax[ind].set_title(data[1])
>>> plt.tight_layout()
>>> plt.show()

Go BackOpen In Tab