1.影象模糊
影象的高斯模糊是非常經典的影象卷積例子。本質上，影象模糊就是將（灰度）影象i 和乙個高斯核進行卷積操作：
，其中是標準差為σ的二維高斯核。高斯模糊通常是其他影象處理操作的一部分，比如影象插值操作、興趣點計算以及很多其他應用。scipy 有用來做濾波操作的scipy.ndimage.filters 模組。該模組使用快速一維分離的方式來計算卷積。eg：
))im2 = filters.gaussian_filter(im,5) %第二個引數表示標準差
隨著σ 的增加，一幅影象被模糊的程度。σ 越大，處理後的影象細節丟失越多。如果打算模糊一幅彩色影象，只需簡單地對每乙個顏色通道進行高斯模糊：
原始影象 使用σ=5的高斯濾波器
2.影象導數
在很多應用中影象強度的變化情況是非常重要的資訊。強度的變化可以用灰度影象i（對於彩色影象，通常對每個顏色通道分別計算導數）的x和y 方向導數ix 和iy 進行描述。影象的梯度向量為
。梯度有兩個重要的屬性，一是梯度的大小：
，它描述了影象強度變化的強弱，一是梯度的角度：
，描述了影象中在每個點（畫素）上強度變化最大的方向。numpy 中的arctan2() 函式
返回弧度表示的有符號角度，角度的變化區間為-π...π。可以用離散近似的方式來計算影象的導數。影象導數大多數可以通過卷積簡單地實現：
。對於dx 和dy，通常選擇prewitt 濾波器：
或者sobel 濾波器：
這些導數濾波器可以使用scipy.ndimage.filters 模組的標準卷積操作來簡單地實現：
)) #轉化為灰度影象
# sobel 導數濾波器
imx =zeros(im.shape)
filters.sobel(im,
1,imx)
imy =zeros(im.shape)
filters.sobel(im,
0,imy)
magnitude = sqrt(imx**2+imy**2)
上面的指令碼使用sobel 濾波器來計算x 和y 的方向導數，以及梯度大小。sobel() 函式的第二個引數表示選擇x 或者y 方向導數，第三個引數儲存輸出的變數。在兩個導數影象中，正導數顯示為亮的畫素，負導數顯示為暗的畫素。灰色區域表示導數的值接近於零。
上述計算影象導數的方法有一些缺陷：在該方法中，濾波器的尺度需要隨著影象解析度的變化而變化。為了在影象雜訊方面更穩健，以及在任意尺度上計算導數，可以使用高斯導數濾波器：
。之前用於模糊的filters.gaussian_filter() 函式可以接受額外的引數，用來計算高斯導數。可以簡單地按照下面的方式來處理：
sigma = 5該函式的第三個引數指定對每個方向計算哪種型別的導數，第二個引數為使用的標準差。# 標準差
imx =zeros(im.shape)
filters.gaussian_filter(im, (sigma,sigma), (
0,1), imx)
imy =zeros(im.shape)
filters.gaussian_filter(im, (sigma,sigma), (
1,0), imy)
SciPy中的統計模組
numpy 替我們搞定了向量和矩陣的相關操作，基本上算是乙個高階的科學計算器。scipy 基於 numpy 提供了更為豐富和高階的功能擴充套件，在統計 優化 插值 數值積分 時頻轉換等方面提供了大量的可用函式，接下來我們就學習一下 scipy 中的統計和優化模組。import numpy as np...
利用python中的scipy模組做線性規劃
為數學建模準備。scipy.optimize.linprog 引數選擇 linprog c,a ub,b ub,a ed,b ed,bounds none 引數解釋 c 價值向量，只規劃最小值，若規劃最大值需改為 c，但注意得出的結果應再加負號即為所求最大值 a ub和b ub 分別對應於不等式約束...
scipy安裝 安裝Scipy失敗 解決途徑
這個問題困擾我一天，後來發現好簡單，忍不住記錄分享。症狀描述 在cmd 中輸入 pip install numpty pip install numpty 安裝numpy庫成功，但輸入 pip install scipy 安裝失敗，我嘗試很多方法都失敗。中間歷經曲折直接上答案。成功經驗 在shell...