scipy.signal.

convolve2d#

scipy.signal.convolve2d(in1, in2, mode='full', boundary='fill', fillvalue=0)[Quelle]#

Faltet zwei zweidimensionale Arrays.

Faltet in1 und in2 mit einer Ausgabegröße, die durch mode bestimmt wird, und Randbedingungen, die durch boundary und fillvalue bestimmt werden.

Parameter:

in1array_like

Erster Input.

in2array_like

Zweiter Input. Sollte dieselbe Anzahl von Dimensionen wie in1 haben.

modestr {‘full’, ‘valid’, ‘same’}, optional

Ein String, der die Größe der Ausgabe angibt

full: Die Ausgabe ist die vollständige diskrete lineare Faltung der Eingaben. (Standard)
valid: Die Ausgabe besteht nur aus den Elementen, die nicht von der Null-Pufferung abhängen. Im Modus 'valid' muss entweder in1 oder in2 in jeder Dimension mindestens so groß sein wie der andere.
same: Die Ausgabe hat die gleiche Größe wie in1 und ist zentriert bezüglich der 'full'-Ausgabe.

boundarystr {‘fill’, ‘wrap’, ‘symm’}, optional

Ein Flag, das angibt, wie mit Rändern umzugehen ist.

fill: Füllt die Eingabearrays mit fillvalue auf. (Standard)
wrap: Zirkuläre Randbedingungen.
symm: Symmetrische Randbedingungen.

fillvalueSkalar, optional

Wert, mit dem die Eingabearrays aufgefüllt werden. Standard ist 0.

Rückgabe:

outndarray: Ein zweidimensionales Array, das einen Teil der diskreten linearen Faltung von in1 mit in2 enthält.

Beispiele

Berechnet den Gradienten eines Bildes durch 2D-Faltung mit einem komplexen Scharr-Operator. (Der horizontale Operator ist reell, der vertikale ist imaginär.) Verwenden Sie symmetrische Randbedingungen, um Kanten an den Bildrändern zu vermeiden.

>>> import numpy as np
>>> from scipy import signal
>>> from scipy import datasets
>>> ascent = datasets.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()

../../_images/scipy-signal-convolve2d-1.png