我发现scipy.signal.fftconvolve
,因为还马格努斯指出,但它的时候并没有意识到ñ 维。由于它是内置的并且可以产生正确的值,因此它似乎是理想的解决方案。 查看scipy.signal.fftconvolve,signal.convolve和signal.correlate(有一个signal.correlate2d,但它似乎返回一个移位的数组,而不是居中)。
从2D卷积示例中:
In [1]: a = asarray([[ 1, 2, 3],
...: [ 4, 5, 6],
...: [ 7, 8, 9]])
In [2]: b = asarray([[-1,-2,-1],
...: [ 0, 0, 0],
...: [ 1, 2, 1]])
In [3]: scipy.signal.fftconvolve(a, b, mode = 'same')
Out[3]:
array([[-13., -20., -17.],
[-18., -24., -18.],
[ 13., 20., 17.]])
正确!另一方面,STSCI版本需要做一些额外的工作才能使边界正确吗?
In [4]: stsci.convolve2d(a, b, fft = True)
Out[4]:
array([[-12., -12., -12.],
[-24., -24., -24.],
[-12., -12., -12.]])
(STSCI方法还需要编译,但我不成功(我刚刚注释掉了非python部分),有一些类似这样的错误并修改了输入([1,2]变成[[1,2]]),等等。因此,我更改了对内置fftconvolve()
函数的接受答案。)
In [5]: a
Out[5]:
array([[3, 0, 0],
[2, 0, 0],
[1, 0, 0]])
In [6]: b
Out[6]:
array([[3, 2, 1],
[0, 0, 0],
[0, 0, 0]])
In [7]: scipy.signal.fftconvolve(a, b[::-1, ::-1])
Out[7]:
array([[ 0., -0., 0., 0., 0.],
[ 0., -0., 0., 0., 0.],
[ 3., 6., 9., 0., 0.],
[ 2., 4., 6., 0., 0.],
[ 1., 2., 3., 0., 0.]])
In [8]: scipy.signal.correlate2d(a, b)
Out[8]:
array([[0, 0, 0, 0, 0],
[0, 0, 0, 0, 0],
[3, 6, 9, 0, 0],
[2, 4, 6, 0, 0],
[1, 2, 3, 0, 0]])
并且内部使用了2的幂次方加速了最新的修订版(然后我通过使用实数FFT作为实数输入并使用5平滑长度而不是2 :D的幂来加快了它的更新速度)。