scipy.signal.convolve2d¶
- scipy.signal.convolve2d(in1, in2, mode='full', boundary='fill', fillvalue=0)[源代码]¶
对两个二维数组进行卷积。
卷积 in1 和 in2 其输出大小由 mode ，以及由以下条件确定的边界条件 boundary 和 fillvalue 。
- 参数
- in1array_like
第一次输入。
- in2array_like
第二个输入。应具有与的维度数量相同的维度 in1 。
- modestr{‘完整’，‘有效’，‘相同’}，可选
指示输出大小的字符串：
full输出是输入的全离散线性卷积。(默认)
valid输出只包含那些不依赖于补零的元素。在“有效”模式下， in1 或 in2 必须在每个维度上至少与其他维度一样大。
same输出的大小与 in1 ，相对于“完整”输出居中。
- boundarystr{‘Fill’，‘WRAP’，‘symm’}，可选
指示如何处理边界的标志：
fill用填充值填充输入数组。(默认)
wrap圆形边界条件。
symm对称边界条件。
- fillvalue标量，可选
要填充输入数组的值。默认值为0。
- 退货
- outndarray
包含以下项的离散线性卷积的子集的二维数组 in1 使用 in2 。
示例
利用复Scharr算子进行二维卷积，计算图像的梯度。(水平运算符是实数，垂直运算符是虚数。)使用对称边界条件避免在图像边界处创建边缘。
>>> from scipy import signal >>> from scipy import misc >>> ascent = misc.ascent() >>> scharr = np.array([[ -3-3j, 0-10j, +3 -3j], ... [-10+0j, 0+ 0j, +10 +0j], ... [ -3+3j, 0+10j, +3 +3j]]) # Gx + j*Gy >>> grad = signal.convolve2d(ascent, scharr, boundary='symm', mode='same')
>>> import matplotlib.pyplot as plt >>> fig, (ax_orig, ax_mag, ax_ang) = plt.subplots(3, 1, figsize=(6, 15)) >>> ax_orig.imshow(ascent, cmap='gray') >>> ax_orig.set_title('Original') >>> ax_orig.set_axis_off() >>> ax_mag.imshow(np.absolute(grad), cmap='gray') >>> ax_mag.set_title('Gradient magnitude') >>> ax_mag.set_axis_off() >>> ax_ang.imshow(np.angle(grad), cmap='hsv') # hsv is cyclic, like angles >>> ax_ang.set_title('Gradient orientation') >>> ax_ang.set_axis_off() >>> fig.show()
