我发现了
scipy.signal.fftconvolve
,正如magnus指出的那样
(链接),但当时没有意识到它是
n维的。由于它是内置的并且产生正确的值,似乎是理想的解决方案。
来自
2D卷积示例:
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.]])
(The STSCI方法还需要编译,但我没有成功(我只是注释掉了非Python部分),有一些错误,例如
this 并且会修改输入([1, 2] 变成 [[1, 2]])等。因此,我将我的接受答案更改为内置的
fftconvolve()
函数。)
当然,相关性与卷积是相同的,但一个输入被反转:
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]])
而最新修订版已通过内部使用2的幂大小进行加速(然后我通过使用实数FFT进行实际输入和使用5光滑长度而不是2的幂 进一步加速:D)。