scipy.signal.

fftconvolve

scipy.signal.fftconvolve(in1, in2, mode='full', axes=None)

使用FFT对两个N维数组进行卷积。

使用快速傅里叶变换方法卷积 in1 和 in2，输出大小由 mode 参数决定。

对于大型数组（n > ~500），这通常比 convolve 快得多，但在只需要少量输出值时可能会更慢，并且只能输出浮点数组（整数或对象数组输入将被转换为浮点数）。

自 v0.19 版本起，convolve 会根据速度估计自动选择此方法或直接方法。

参数:

在1array_like

第一个输入。

in2array_like

第二个输入。应与 in1 具有相同的维度。

模式str {‘full’, ‘valid’, ‘same’}, 可选

一个表示输出大小的字符串：

full

输出是输入的完整离散线性卷积。（默认）

valid

输出仅包含那些不依赖于零填充的元素。在’有效’模式下，in1 或 in2 在每个维度上都必须至少与其他一样大。

same

输出的大小与 in1 相同，相对于 ‘full’ 输出居中。

轴int 或 int 类型的数组，或 None，可选

计算卷积的轴。默认是所有轴。

返回:

出数组

一个N维数组，包含 in1 与 in2 的离散线性卷积的子集。

参见

convolve

根据速度选择直接卷积或FFT卷积算法。

oaconvolve

使用重叠相加法进行卷积，当输入数组较大且大小显著不同时，这种方法通常更快。

示例

Try it in your browser!

白噪声的自相关性是一个脉冲。

>>> import numpy as np
>>> from scipy import signal
>>> rng = np.random.default_rng()
>>> sig = rng.standard_normal(1000)
>>> autocorr = signal.fftconvolve(sig, sig[::-1], mode='full')

>>> import matplotlib.pyplot as plt
>>> fig, (ax_orig, ax_mag) = plt.subplots(2, 1)
>>> ax_orig.plot(sig)
>>> ax_orig.set_title('White noise')
>>> ax_mag.plot(np.arange(-len(sig)+1,len(sig)), autocorr)
>>> ax_mag.set_title('Autocorrelation')
>>> fig.tight_layout()
>>> fig.show()

使用FFT卷积实现的Gaussian模糊。注意图像周围的暗边，这是由于边界外的零填充导致的。`convolve2d`函数允许其他类型的图像边界，但速度要慢得多。

>>> from scipy import datasets
>>> face = datasets.face(gray=True)
>>> kernel = np.outer(signal.windows.gaussian(70, 8),
...                   signal.windows.gaussian(70, 8))
>>> blurred = signal.fftconvolve(face, kernel, mode='same')

>>> fig, (ax_orig, ax_kernel, ax_blurred) = plt.subplots(3, 1,
...                                                      figsize=(6, 15))
>>> ax_orig.imshow(face, cmap='gray')
>>> ax_orig.set_title('Original')
>>> ax_orig.set_axis_off()
>>> ax_kernel.imshow(kernel, cmap='gray')
>>> ax_kernel.set_title('Gaussian kernel')
>>> ax_kernel.set_axis_off()
>>> ax_blurred.imshow(blurred, cmap='gray')
>>> ax_blurred.set_title('Blurred')
>>> ax_blurred.set_axis_off()
>>> fig.show()

Go BackOpen In Tab