python scipy卷積運(yùn)算的實(shí)現(xiàn)方法

更新時(shí)間：2019年09月16日 15:21:56 作者：劉知昊

這篇文章主要介紹了python scipy卷積運(yùn)算的實(shí)現(xiàn)方法,文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

scipy的signal模塊經(jīng)常用于信號(hào)處理，卷積、傅里葉變換、各種濾波、差值算法等。

*兩個(gè)一維信號(hào)卷積

>>> import numpy as np
>>> x=np.array([1,2,3])
>>> h=np.array([4,5,6])
>>> import scipy.signal
>>> scipy.signal.convolve(x,h) #卷積運(yùn)算
array([ 4, 13, 28, 27, 18])

卷積運(yùn)算大致可以分成3步，首先先翻轉(zhuǎn)，讓兩個(gè)信號(hào)列反過來，如上面就是1,2,3和6,5,4。然后作平移，6,5,4最開始在1,2,3的左邊，沒有重疊，現(xiàn)在向右移動(dòng)，4和1就重疊了。對(duì)于重疊的部分，作乘積求和。也就是1x4得到第一個(gè)結(jié)果1，然后再移動(dòng)后5x1+4x2得到第二個(gè)結(jié)果13以此類推。

卷積運(yùn)算可以用來做大整數(shù)的乘法(數(shù)組表示數(shù)的乘法)，比如在上面的例子中，要求123乘以456，可以先得到它的卷積序列，然后從后往前，18將8保留，進(jìn)位1給27；然后27變成28，把8保留進(jìn)位2給28；然后28變成30，把0保留進(jìn)位3給13；然后13變成16，把6保留進(jìn)位1給4；4變成5即是最高位。也就是乘法的結(jié)果是56088。

*對(duì)白噪聲卷積

>>> import numpy as np
>>> from scipy import signal
>>> import matplotlib.pyplot as plt
>>> sig=np.random.randn(1000) #生成隨機(jī)數(shù)
>>> autocorr=signal.fftconvolve(sig,sig[::-1],mode='full') #fft算法實(shí)現(xiàn)卷積
>>> fig,(ax_orig,ax_mag)=plt.subplots(2,1) #建立兩行一列圖形
>>> ax_orig.plot(sig) #在第一行把原始的隨機(jī)數(shù)序列sig畫出來
[<matplotlib.lines.Line2D object at 0x0000000006E1DC88>]
>>> ax_orig.set_title('White noise') #設(shè)置標(biāo)題'白噪聲'
<matplotlib.text.Text object at 0x0000000006931860>
>>> ax_mag.plot(np.arange(-len(sig)+1,len(sig)),autocorr) #卷積后的圖像
[<matplotlib.lines.Line2D object at 0x0000000006E1DB00>]
>>> ax_mag.set_title('Autocorrelation') #設(shè)置標(biāo)題
<matplotlib.text.Text object at 0x0000000006DFE8D0>
>>> fig.tight_layout() #此句可以防止圖像重疊
>>> fig.show() #顯示圖像

fftconvolve只是用fft算法(快速傅立葉變換)實(shí)現(xiàn)的卷積，其結(jié)果應(yīng)當(dāng)和普通的convolve一樣。

這里寫圖片描述

*二維圖像卷積運(yùn)算

>>> import numpy as np
>>> from scipy import signal
>>> from scipy import misc
>>> import matplotlib.pyplot as plt
>>> face=misc.face(gray=True) #創(chuàng)建一個(gè)灰度圖像
>>> scharr=np.array([[-3-3j,0-10j,+3-3j],
    [-10+0j,0+0j,+10+0j],
     [-3+3j,0+10j,+3+3j]]) #設(shè)置一個(gè)特殊的卷積和
>>> grad=signal.convolve2d(face,scharr,boundary='symm',mode='same') #把圖像的face數(shù)組和設(shè)計(jì)好的卷積和作二維卷積運(yùn)算,設(shè)計(jì)邊界處理方式為symm
>>> fig,(ax1,ax2)=plt.subplots(1,2,figsize=(10,6)) #建立1行2列的圖fig
>>> ax1.imshow(face,cmap='gray') #顯示原始的圖
<matplotlib.image.AxesImage object at 0x00000000078FC198>
>>> ax1.set_axis_off() #不顯示坐標(biāo)軸
>>> ax2.imshow(np.absolute(grad),cmap='gray') #顯示卷積后的圖
<matplotlib.image.AxesImage object at 0x00000000078FCE48>
>>> ax2.set_axis_off() #不顯示坐標(biāo)軸
>>> fig.show() #顯示繪制好的畫布

二維的卷積需要用上面的signal.convolve2d()。

之所以要對(duì)卷積后的圖像數(shù)組grad作np.absolute()求絕對(duì)值運(yùn)算是因?yàn)榛叶葓D像的值都是正值，沒有負(fù)的，為了防止出現(xiàn)負(fù)值所以才這樣做。

這里寫圖片描述