Python中的离散拉普拉斯算子(del2等价物)
我需要Python/Numpy等效的Matlab(倍频程)离散拉普拉斯算子(函数)del2()。我尝试了两种Python解决方案,它们似乎都与del2的输出不匹配。我有八度音阶Python中的离散拉普拉斯算子(del2等价物),python,numpy,scipy,scientific-computing,Python,Numpy,Scipy,Scientific Computing,我需要Python/Numpy等效的Matlab(倍频程)离散拉普拉斯算子(函数)del2()。我尝试了两种Python解决方案,它们似乎都与del2的输出不匹配。我有八度音阶 image = [3 4 6 7; 8 9 10 11; 12 13 14 15;16 17 18 19] del2(image) 这就是结果 0.25000 -0.25000 -0.25000 -0.75000 -0.25000 -0.25000 0.00000 0.00000 0.0
image = [3 4 6 7; 8 9 10 11; 12 13 14 15;16 17 18 19]
del2(image)
这就是结果
0.25000 -0.25000 -0.25000 -0.75000
-0.25000 -0.25000 0.00000 0.00000
0.00000 0.00000 0.00000 0.00000
0.25000 0.25000 0.00000 0.00000
[[ 23 19 15 11]
[ 3 -1 0 -4]
[ 4 0 0 -4]
[-13 -17 -16 -20]]
[[ 6 6 3 3]
[ 0 -1 0 -1]
[ 1 0 0 -1]
[-3 -4 -4 -5]]
关于Python,我试过了
import numpy as np
from scipy import ndimage
import scipy.ndimage.filters
image = np.array([[3, 4, 6, 7],[8, 9, 10, 11],[12, 13, 14, 15],[16, 17, 18, 19]])
stencil = np.array([[0, 1, 0],[1, -4, 1], [0, 1, 0]])
print ndimage.convolve(image, stencil, mode='wrap')
结果是什么
0.25000 -0.25000 -0.25000 -0.75000
-0.25000 -0.25000 0.00000 0.00000
0.00000 0.00000 0.00000 0.00000
0.25000 0.25000 0.00000 0.00000
[[ 23 19 15 11]
[ 3 -1 0 -4]
[ 4 0 0 -4]
[-13 -17 -16 -20]]
[[ 6 6 3 3]
[ 0 -1 0 -1]
[ 1 0 0 -1]
[-3 -4 -4 -5]]
我也试过了
scipy.ndimage.filters.laplace(image)
这就是结果
0.25000 -0.25000 -0.25000 -0.75000
-0.25000 -0.25000 0.00000 0.00000
0.00000 0.00000 0.00000 0.00000
0.25000 0.25000 0.00000 0.00000
[[ 23 19 15 11]
[ 3 -1 0 -4]
[ 4 0 0 -4]
[-13 -17 -16 -20]]
[[ 6 6 3 3]
[ 0 -1 0 -1]
[ 1 0 0 -1]
[-3 -4 -4 -5]]
因此,所有输出似乎都不匹配。倍频程代码del2.m表明它是一个拉普拉斯算子。我遗漏了什么吗?也许你在找。根据这里的代码
我试图编写一个与Python等效的代码。这似乎有效,任何反馈都将不胜感激
import numpy as np
def del2(M):
dx = 1
dy = 1
rows, cols = M.shape
dx = dx * np.ones ((1, cols - 1))
dy = dy * np.ones ((rows-1, 1))
mr, mc = M.shape
D = np.zeros ((mr, mc))
if (mr >= 3):
## x direction
## left and right boundary
D[:, 0] = (M[:, 0] - 2 * M[:, 1] + M[:, 2]) / (dx[:,0] * dx[:,1])
D[:, mc-1] = (M[:, mc - 3] - 2 * M[:, mc - 2] + M[:, mc-1]) \
/ (dx[:,mc - 3] * dx[:,mc - 2])
## interior points
tmp1 = D[:, 1:mc - 1]
tmp2 = (M[:, 2:mc] - 2 * M[:, 1:mc - 1] + M[:, 0:mc - 2])
tmp3 = np.kron (dx[:,0:mc -2] * dx[:,1:mc - 1], np.ones ((mr, 1)))
D[:, 1:mc - 1] = tmp1 + tmp2 / tmp3
if (mr >= 3):
## y direction
## top and bottom boundary
D[0, :] = D[0,:] + \
(M[0, :] - 2 * M[1, :] + M[2, :] ) / (dy[0,:] * dy[1,:])
D[mr-1, :] = D[mr-1, :] \
+ (M[mr-3,:] - 2 * M[mr-2, :] + M[mr-1, :]) \
/ (dy[mr-3,:] * dx[:,mr-2])
## interior points
tmp1 = D[1:mr-1, :]
tmp2 = (M[2:mr, :] - 2 * M[1:mr - 1, :] + M[0:mr-2, :])
tmp3 = np.kron (dy[0:mr-2,:] * dy[1:mr-1,:], np.ones ((1, mc)))
D[1:mr-1, :] = tmp1 + tmp2 / tmp3
return D / 4
您可以使用卷积来计算拉普拉斯函数,方法是将数组与适当的:
我测试了这个函数,与del2输出相比,它是不同的。当然,在离散化方面可能会有差异,例如在边界上。你能更具体地描述一下你是如何测试它的以及它是如何不同的吗?我测试了a=[3 4 6;7 8 9;1 3 3];disp(del2(a))。在Python方面,我调用了你提到的函数,结果完全不同,在每个单元格上。啊,我测试了一个更大的矩阵,是的,差异在边界上。我怎么能让边界和del2一样呢?奇怪的是,在移植del2之后,我发现问题出现在其他地方,解决了这些问题,结果证明laplace()调用在我的应用程序中也起作用。在内部,操作符都是一样的(Matlab显然除以4,而Python没有)。在边界上,还可以通过向
laplace()
提供mode=“wrap”
使两个Python版本相同。但是仅仅看一下Matlab的结果,我不知道Matlab在边界上做了什么。实际上它在边上做了立方外推:所以如果你用laplace()尝试最后一个例子
在边界上也无法得到正确的结果。您也可以尝试使用一个实现。我想第一个if子句应该是mc>=3
。而且我不确定当dx!=1或dy!=1