gauss_spline#
- scipy.signal.gauss_spline(x, n)[Quelle]#
Gaußsche Approximation der B-Spline-Basisfunktion der Ordnung n.
- Parameter:
- xarray_like
ein Knotenvektor
- nint
Die Ordnung des Splines. Muss nicht-negativ sein, d.h. n >= 0
- Rückgabe:
- resndarray
B-Spline-Basisfunktionswerte, approximiert durch eine Gaußsche Funktion mit Mittelwert Null.
Hinweise
Die B-Spline-Basisfunktion kann für große n gut durch eine Gaußsche Funktion mit Mittelwert Null und einer Standardabweichung von \(\sigma=(n+1)/12\) approximiert werden.
\[\frac{1}{\sqrt {2\pi\sigma^2}}exp(-\frac{x^2}{2\sigma})\]Referenzen
[1]Bouma H., Vilanova A., Bescos J.O., ter Haar Romeny B.M., Gerritsen F.A. (2007) Fast and Accurate Gaussian Derivatives Based on B-Splines. In: Sgallari F., Murli A., Paragios N. (eds) Scale Space and Variational Methods in Computer Vision. SSVM 2007. Lecture Notes in Computer Science, vol 4485. Springer, Berlin, Heidelberg
Beispiele
Wir können B-Spline-Basisfunktionen berechnen, die durch eine Gaußsche Verteilung approximiert werden.
>>> import numpy as np >>> from scipy.signal import gauss_spline >>> knots = np.array([-1.0, 0.0, -1.0]) >>> gauss_spline(knots, 3) array([0.15418033, 0.6909883, 0.15418033]) # may vary