scipy（或其他流行的库）中是否有基于 FFT 的 2D 互相关或卷积函数？
有这样的功能：
scipy.signal.correlate2d- “直接方法实现的convolveND大数据会很慢”scipy.ndimage.correlate- “使用精确计算（即非 FFT）将数组与给定内核相关联。”scipy.fftpack.convolve.convolve，我不太明白，但似乎是错误的numarray 有一个带switch的correlate2d()函数fft=True，但我猜 numarray 被折叠成 numpy，我找不到这个函数是否包含在内。
正如 magnus 所指出的那样，我发现了scipy.signal.fftconvolve，但当时并没有意识到它是n维的。由于它是内置的并产生正确的值，因此它似乎是理想的解决方案。
从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.]])
正确的！另一方面，STSCI 版本需要一些额外的工作才能使边界正确？
In [4]: stsci.convolve2d(a, b, fft = True)
Out[4]:
array([[-12., -12., -12.],
[-24., -24., -24.],
[-12., -12., -12.]])
（STSCI 方法还需要编译，我没有成功（我只是注释掉了非 python 部分），有一些像这样的错误并修改输入（[1, 2] 变为 [[1, 2]]），等等。所以我将我接受的答案更改为内置fftconvolve()函数。）
当然，相关性与卷积是一回事，但有一个输入反转：
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]])
并且最新版本已通过在内部使用 2 的幂来加速（然后我通过使用真正的 FFT 进行实际输入并使用 5-smooth 长度而不是 2 的幂来加速它 ：D ）。
查看 scipy.signal.fftconvolve、signal.convolve 和 signal.correlate（有一个 signal.correlate2d 但它似乎返回一个移位数组，而不是居中）。
我想你想要 scipy.stsci 包：
http://docs.scipy.org/doc/scipy/reference/stsci.html
In [30]: scipy.__version__
Out[30]: '0.7.0'
In [31]: from scipy.stsci.convolve import convolve2d, correlate2d
我在 scipy 中忘记了这个包的状态，但我知道我们将 ndimage 作为 stsci_python 发布包的一部分包含在内，以方便我们的用户：
http://www.stsci.edu/resources/software_hardware/pyraf/stsci_python/current/download
或者如果您愿意，您应该可以从存储库中提取它：
https://www.stsci.edu/svn/ssb/stsci_python/stsci_python/trunk/ndimage/
我编写了一个互相关/卷积包装器，它负责填充和 nans，并在此处包含一个简单的平滑包装器。它不是一个流行的包，但除了 numpy（或 fftw 用于更快的 ffts）之外，它也没有依赖项。
如果有人感兴趣，我还在这里实现了 FFT 速度测试代码。它显示 - 令人惊讶的是 - numpy 的 fft 比 scipy 的快，至少在我的机器上是这样。
编辑：在此处将代码移至 N 维版本
请注意，自 Scipy 1.4 以来就有scipy.signal.oaconvolve，它使用Overlap-add 方法。