编辑：评论中的问题已解决，感谢您的帮助
编辑2：我认为链接的解决方案在数学上不正确，但也许我错了。问题在于您除以窗口大小，但不要将二次差分加在一起。
解决方案：我现在的解决方案是按np.finfo(np.float).precision计算精度并将每个值设置为零，即低于pow(1, np.finfo(np.float).precision)]，因为它应该是机器epsilon错误的上限。如果矩阵中有负值，则在检查值是否低于错误阈值之前，必须将它们乘以-1。否则像-2这样的值也会设置为0。
我有一个2D数组，其强度值来自图像（52x111）。为了计算局部标准差，我使用了另一个线程（improving code efficiency: standard deviation on sliding windows）的答案
最小强度值为 0.0 ，因为我使用的过滤函数的参数为mode = "constant"和cval = 0。
我的平均过滤器看起来像这样：
mean = uniform_filter(img_data, size=3, cval= 0, mode="constant", origin=0)
np.amin(mean)的结果是-2.47949808833e-15
怎么可能，过滤器屈服于负值？
为了澄清事情，整个相关代码如下所示：
mean = uniform_filter(img_data, size=3, cval= 0, mode="constant", origin=0)
mean_of_squared = uniform_filter(img_data**2, 3, cval= 0, mode='constant', origin=0)
squared_mean = mean * mean
stdev = (mean_of_squared - squared_mean) ** 0.5
作为替代方案，我使用scipy中的concolve函数
window_size = 3
mean_filter = np.ones((window_size, window_size)) / 9
mean = convolve(img_data, mean_filter)
效果很好，但比uniform_filter方法慢得多
据我记得，我手动检查的所有坐标都只是 0.0 的窗口，但我不确定这是否是一般情况。为什么uniform_filter表现得像它的任何想法？