用词:
通过将标准高斯滤波器应用于两个辅助阵列V和W并取两者之比,可以很容易地获得忽略给定阵列中NaNs的高斯滤波器U。
这里,V是原始U的副本,NaNs替换为零,W是一个带零的数组,表示NaNs在原始U中的位置。
其思想是,用零替换NaNs会在滤波阵列中引入一个误差,然而,可以通过将相同的高斯滤波器应用于另一个辅助阵列并将两者结合来补偿该误差。
在Python中:import numpy as np
import scipy as sp
import scipy.ndimage
U=sp.randn(10,10) # random array...
U[U<2]=np.nan # ...with NaNs for testing
V=U.copy()
V[np.isnan(U)]=0
VV=sp.ndimage.gaussian_filter(V,sigma=2.0)
W=0*U.copy()+1
W[np.isnan(U)]=0
WW=sp.ndimage.gaussian_filter(W,sigma=2.0)
Z=VV/WW
数字:
这里高斯滤波器的系数被设置为[0.25,0.50,0.25]用于演示目的,并且它们的总和为0.25+0.50+0.25=1,而不丧失一般性。
在用零替换NaNs并应用高斯滤波器(参见下面的VV)之后,很明显零引入了一个错误,即由于“丢失”数据,系数0.25+0.50=0.75不再等于一,因此低估了“真”值。
然而,这可以通过使用第二辅助阵列(参见下面的WW)来补偿,该辅助阵列在使用相同的高斯滤波之后,仅包含系数的和。
因此,分割两个过滤的辅助阵列可以重新调整系数,使它们的总和为一,而忽略NaN位置。array U 1 2 NaN 1 2
auxiliary V 1 2 0 1 2
auxiliary W 1 1 0 1 1
position a b c d e
filtered VV_b = 0.25*V_a + 0.50*V_b + 0.25*V_c
= 0.25*1 + 0.50*2 + 0
= 1.25
filtered WW_b = 0.25*W_a + 0.50*W_b + 0.25*W_c
= 0.25*1 + 0.50*1 + 0
= 0.75
ratio Z = VV_b / WW_b
= (0.25*1 + 0.50*2) / (0.25*1 + 0.50*1)
= 0.333*1 + 0.666*2
= 1.666