scipy.signal.

correlate2d#

scipy.signal.correlate2d(in1, in2, mode='full', boundary='fill', fillvalue=0)[Quelle]#

Kreuzkorrelation von zwei 2-dimensionalen Arrays.

Kreuzkorreliert 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 Kreuzkorrelation 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 umgegangen werden soll

fill: Füllt Eingabearrays mit `fillvalue`. (Standard)
wrap: Kreisförmige Randbedingungen.
symm: Symmetrische Randbedingungen.

fillvalueSkalar, optional

Wert, mit dem aufzufüllende Eingabearrays gefüllt werden. Standard ist 0.

Rückgabe:

correlate2dndarray: Ein 2-dimensionales Array, das einen Teil der diskreten linearen Kreuzkorrelation von in1 mit in2 enthält.

Hinweise

Bei Verwendung des "same"-Modus mit Eingaben gerader Länge unterscheiden sich die Ausgaben von correlate und correlate2d: Es gibt einen 1-Index-Offset zwischen ihnen.

Beispiele

Verwenden Sie die 2D-Kreuzkorrelation, um die Position einer Vorlage in einem verrauschten Bild zu finden.

>>> import numpy as np
>>> from scipy import signal, datasets, ndimage
>>> rng = np.random.default_rng()
>>> face = datasets.face(gray=True) - datasets.face(gray=True).mean()
>>> face = ndimage.zoom(face[30:500, 400:950], 0.5)  # extract the face
>>> template = np.copy(face[135:165, 140:175])  # right eye
>>> template -= template.mean()
>>> face = face + rng.standard_normal(face.shape) * 50  # add noise
>>> corr = signal.correlate2d(face, template, boundary='symm', mode='same')
>>> y, x = np.unravel_index(np.argmax(corr), corr.shape)  # find the match

>>> import matplotlib.pyplot as plt
>>> fig, (ax_orig, ax_template, ax_corr) = plt.subplots(3, 1,
...                                                     figsize=(6, 15))
>>> ax_orig.imshow(face, cmap='gray')
>>> ax_orig.set_title('Original')
>>> ax_orig.set_axis_off()
>>> ax_template.imshow(template, cmap='gray')
>>> ax_template.set_title('Template')
>>> ax_template.set_axis_off()
>>> ax_corr.imshow(corr, cmap='gray')
>>> ax_corr.set_title('Cross-correlation')
>>> ax_corr.set_axis_off()
>>> ax_orig.plot(x, y, 'ro')
>>> fig.show()

../../_images/scipy-signal-correlate2d-1.png