scipy.ndimage.

缩放

scipy.ndimage.zoom(input, zoom, output=None, order=3, mode='constant', cval=0.0, prefilter=True, *, grid_mode=False)

缩放数组。

数组使用请求阶数的样条插值进行缩放。

参数:

输入array_like

输入数组。

缩放浮点数或序列

沿轴的缩放因子。如果是一个浮点数，zoom 对每个轴都是相同的。如果是一个序列，zoom 应该包含每个轴的一个值。

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。

顺序int, 可选

样条插值的顺序，默认是 3。顺序必须在 0-5 的范围内。

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 ‘constant’。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。

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。

预过滤器bool, 可选

确定是否在插值之前使用 spline_filter 对输入数组进行预过滤。默认值为 True，这将创建一个临时的 float64 数组来存储过滤后的值，如果 order > 1。如果设置为 False，则如果 order > 1，输出将略微模糊，除非输入已经预过滤，即它是原始输入上调用 spline_filter 的结果。

网格模式bool, 可选

如果为 False，则放大像素中心之间的距离。否则，使用包括整个像素范围的距离。例如，长度为 5 的 1d 信号在 grid_mode 为 False 时被认为是长度为 4，但在 grid_mode 为 True 时被认为是长度为 5。请参见以下视觉示例：

| pixel 1 | pixel 2 | pixel 3 | pixel 4 | pixel 5 |
     |<-------------------------------------->|
                        vs.
|<----------------------------------------------->|

上图中的箭头起点对应于每种模式中的坐标位置0。

返回:

缩放ndarray

缩放的输入。

注释

对于复数 输入，此函数会独立缩放实部和虚部。

Added in version 1.6.0: 复数值支持已添加。

示例

Try it in your browser!

>>> from scipy import ndimage, datasets
>>> import matplotlib.pyplot as plt

>>> fig = plt.figure()
>>> ax1 = fig.add_subplot(121)  # left side
>>> ax2 = fig.add_subplot(122)  # right side
>>> ascent = datasets.ascent()
>>> result = ndimage.zoom(ascent, 3.0)
>>> ax1.imshow(ascent, vmin=0, vmax=255)
>>> ax2.imshow(result, vmin=0, vmax=255)
>>> plt.show()

>>> print(ascent.shape)
(512, 512)

>>> print(result.shape)
(1536, 1536)

Go BackOpen In Tab