scipy数值计算（全）

---

一、简介

scipy 官方网站
使用建议：搜索想要了解的函数，会有非常详细的解释以及函数源码。

SciPy：是基于NumPy构建的数学算法和便利函数的集合。它通过为用户提供用于操作和可视化数据的高级命令和类，为 Python 增添了强大的功能。

Scipy 本身是一个专注于科学计算的库，而不是图像处理，因此没有提供读写图像的API。

二、安装

（1）pip 安装：pip install scipy
（2）conda 安装：conda install scipy

import scipy
print("SciPy 版本号:", scipy.__version__)

# 使用命令行，查看版本号
python -c "import scipy; print(scipy.__version__)"

三、模块简介：API reference

SciPy 被组织成涵盖不同科学计算领域的子包。

"""
主要子模块列表如下：
		（1）cluster			聚类算法				（如：层次聚类、k-means聚类、向量量化）
		（2）constants			数学常数+物理常数	（如：圆周率π、黄金比例、光速、引力常数）
		（3）fft				傅立叶变换			（如：快速傅立叶变换、离散正弦和余弦变换、快速汉克尔变换）
		（3）fftpack			快速傅立叶变换		（如：快速傅立叶变换、微分和伪微分算子、卷积）
		（4）integrate			积分和常微分方程求解器（如：定积分、常微分方程求解）
		（5）interpolate		插值				（如：单变量插值、多元插值、一维样条、2-D样条）
		（6）io					读写文件但不支持图像	（如：MATLAB文件、IDL文件、Fortran文件、Wav 声音文件、Arff 文件）
		（7）linalg				线性代数				（如：矩阵求逆、特征值、矩阵函数、矩阵方程求解器）
		（8）ndimage			N维图像处理			（如：滤波器、几何变换）
		（9）odr				正交距离回归ODR		（如：正交距离回归分析）
		（10）optimize			优化和寻根			（如：最小二乘和曲线拟合）
		（11）signal			信号处理				（如：卷积、B 样条、连续和离散时间线性系统、光谱分析）
		（12）sparse			稀疏矩阵				（如：压缩稀疏行矩阵、求解稀疏线性系统）
		（13）spatial			空间算法和数据结构	（如：最近邻查询、凸包和 Voronoi 图）
		（14）special			特殊函数				（如：椭圆函数和积分、贝塞尔函数、统计函数：二项分布、beta分布、伽马分布、正态分布、泊松分布、卡方分布、信息论函数、误差函数）
		（15）stats 			统计函数				（如：概率分布、相关性测试、独立样本测试、统计距离、采样）
"""

四、项目实战

4.1、插值与缩放：scipy.ndimage.zoom

import numpy as np
from scipy.ndimage import zoom
import time

# （1）生成随机数据
original_image = np.random.random((100, 200, 300))
# （2）设置目标长宽高
zoom_factor = (2, 2, 2)
# （3）order阶数越高，精度越高，但耗时越长。
for ii in range(6):
    t = time.time()
    image = zoom(original_image, zoom_factor, order=ii)
    print("总共耗时:", time.time() - t)

"""
总共耗时: 0.25276637077331543
总共耗时: 1.2199947834014893
总共耗时: 3.5486414432525635
总共耗时: 7.243218421936035
总共耗时: 13.442247867584229
总共耗时: 22.708620071411133
"""

"""###########################################################################
# 函数作用：采用插值的方式对多维数组进行缩放
# 函数说明：scipy.ndimage.zoom(input, zoom, output=None, order=3, mode='constant', cval=0.0, prefilter=True, *, grid_mode=False)[source]
# 输入参数：
# 		input: 		        输入数组。可以是任何形状的多维数组。
# 		zoom: 		        缩放因子。可以是一个浮点数或包含每个维度缩放因子的元组。
# 		output（可选）: 	    输出数组，默认情况下，将创建与input相同类型的数组。
# 		order（可选）: 		插值的阶数。较低的阶数会提高计算速度，但可能会导致图像质量下降。
# 					        在scipy1.5.0版本之前，order的默认值是1，之后的默认值更改为3。
#                                 0: 最近邻插值（Nearest-neighbor）  选择最接近目标位置的原始数据点的值。
#                                 1: 双线性插值（Bi-linear默认值）    使用目标位置周围的四个最近邻数据点，按线性权重进行插值。
#                                 2: 双二次插值（Bi-quadratic）      使用目标位置周围的16个最近邻数据点进行二次插值。
#                                 3: 双三次插值（Bi-cubic）          使用目标位置周围的64个最近邻数据点进行三次插值。
#                                 4: 双四次插值（Bi-quartic）
#                                 5: 双五次插值（Bi-quintic）
# 		mode（可选）: 		数组边界的处理方式
#                                 'constant'（常数填充）
#                                 'nearest'（最近邻插值）
#                                 'reflect'（边界反射）
# 		cval（可选）: 		当 mode='constant' 时，指定在边界处的常数值。
# 		prefilter（可选）: 	控制是否应用预滤器。可以提高高阶插值的效果。
#       grid_mode（可选）:    如果为False，则缩放到像素中心的距离。否则，使用包含全像素范围的距离。
#                           例如，当网格模式为False时，长度为5的1d信号被认为长度为4，但当网格模式为True时，长度为5。
##############################################################################"""
# 备注：当order=0,1,2时，时间开销比例1:5:15，内存开销没有区别。

4.2、快速傅里叶变换卷积：scipy.signal.fftconvolve()

4.2.1、信号处理

import numpy as np
from scipy.signal import fftconvolve
import matplotlib.pyplot as plt

# （1）创建两个示例信号
signal1 = np.array([1, 2, 3, 4, 5, 6, 7, 8])
signal2 = np.array([0.5, 1, 0.2, 0.7])
# （2）执行傅里叶变换卷积
result = fftconvolve(signal1, signal2, mode='full')
# （3）图形化
plt.subplot(311), plt.stem(signal1, label='Signal 1'), plt.legend()
plt.subplot(312), plt.stem(signal2, label='Signal 2'), plt.legend()
plt.subplot(313), plt.stem(result, label='Convolution Result'), plt.legend()
plt.show()

"""###########################################################################
# 函数作用：（1）使用快速傅里叶变换（FFT）来加速卷积运算，特别是对于大型数据集。
#         （2）将卷积操作转换为频域上的乘法操作，从而降低了计算的复杂度。
#
# 函数说明：scipy.signal.fftconvolve(in1, in2, mode='full', axes=None)
# 输入参数：
#           in1:    第一个输入数组。
            in2:    第二个输入数组。
            mode:   卷积模式，决定输出的大小。
                        'full':     输出大小为 (N+M-1)，其中 N 和 M 分别是输入数组的大小。
                        'valid':    输出大小为 max(M, N) - min(M, N) + 1，仅计算重叠部分。
                        'same':     输出大小与较大的输入信号相同，通过在较小信号周围填充零来实现。
            axes:   指定要在哪些轴上进行卷积。默认为 None，表示对所有轴进行卷积。
##############################################################################"""

4.2.2、图像处理

import numpy as np
from scipy.signal import fftconvolve
import matplotlib.pyplot as plt

# （1）创建一个二维图像和卷积核
image = np.array([[1, 2, 3],
                  [4, 5, 6],
                  [7, 8, 9]])

kernel = np.array([[0, 1, 0],
                   [1, -4, 1],
                   [0, 1, 0]])
# （2）使用fftconvolve进行二维卷积
result = fftconvolve(image, kernel, mode='same')
# （3）图形化
plt.subplot(1, 3, 1), plt.imshow(image, cmap='gray'), plt.title('raw')
plt.subplot(1, 3, 2), plt.imshow(kernel, cmap='gray'), plt.title('kernel')
plt.subplot(1, 3, 3), plt.imshow(result, cmap='gray'), plt.title('result')
plt.show()


"""###########################################################################
# 函数作用：（1）使用快速傅里叶变换（FFT）来加速卷积运算，特别是对于大型数据集。
#         （2）将卷积操作转换为频域上的乘法操作，从而降低了计算的复杂度。
#
# 函数说明：scipy.signal.fftconvolve(in1, in2, mode='full', axes=None)
# 输入参数：
#           in1:    第一个输入数组。
            in2:    第二个输入数组。
            mode:   卷积模式，决定输出的大小。
                        'full':     输出大小为 (N+M-1)，其中 N 和 M 分别是输入数组的大小。
                        'valid':    输出大小为 max(M, N) - min(M, N) + 1，仅计算重叠部分。
                        'same':     输出大小与较大的输入信号相同，通过在较小信号周围填充零来实现。
            axes:   指定要在哪些轴上进行卷积。默认为 None，表示对所有轴进行卷积。
##############################################################################"""