1、假定你所有步骤都对的，再查看参数选的对不对；
2、是对图像变换成1D列向量、还是把图像的频谱变换成1D列向量，结果肯定不一样；
3、要不换DFT做做，高阶累积量记得是通过傅立叶变换来定义的。
4、三阶累积量以上，理论上肯定不含高斯白噪声了，但那只是振幅频谱和相位频谱，你还必须把
那些结果再复原到空间域去，变成图像进行比较。
实在没别的了，你最好问问你们导师和周围同学什么的。
将函数作为参数传入，这样的函数称为高阶函数。 函数式编程就是指这种高度抽象的编程范式。
变量可以指向函数，函数的参数能接收变量，那么一个函数就可以接收另一个函数作为参数，这种函数就称之为高阶函数。如下所示：
map(fun, lst)，将传入的函数变量func作用到lst变量的每个元素中，并将结果组成新的列表返回。
定义一个匿名函数并调用，定义格式如-->lambda arg1,arg2…:表达式
reduce把一个函数作用在一个序列[x1, x2, x3, …]上，这个函数必须接收两个参数，reduce把结果继续和序列的下一个元素做累积计算。
filter() 函数用于过滤序列，过滤掉不符合条件的元素，返回由符合条件元素组成的新列表。
闭包的定义？闭包本质上就是一个函数
如何创建闭包？
如何使用闭包？典型的使用场景是装饰器的使用。
global与nonlocal的区别：
简单的使用如下：
偏函数主要辅助原函数，作用其实和原函数差不多，不同的是，我们要多次调用原函数的时候，有些参数，我们需要多次手动的去提供值。
而偏函数便可简化这些操作，减少函数调用，主要是将一个或多个参数预先赋值，以便函数能用更少的参数进行调用。
我们再来看一下偏函数的定义：
类func = functools.partial(func, *args, **keywords)
我们可以看到，partial 一定接受三个参数，从之前的例子，我们也能大概知道这三个参数的作用。简单介绍下：
总结
本文是对Python 高阶函数相关知识的分享，主题内容总结如下：
高阶统计量的定义与性质§1.1 准备知识的分布函数为,则称为的特征函数.其中为概率密度函数. 离散情况: * 特征函数是概率密度的付里叶变换. 例:设~,则特征函数为 令,则 根据公式:,则若,则.
2.多维随机变量的特征函数 设随机变量联合概率分布函数为,则联合特征函数为 令,,则 矩阵形式 或 标量形式 其中,为联合概率密度函数. 例:设维高斯随机变量为 , 的概率密度为 的特征函数为 矩阵形式 其中,, 标量形式
3.随机变量的第二特征函数 定义:特征函数的对数为第二特征函数为 (1)单变量高斯随机过程的第二特征函数 (2)多变量情形
§1.2 高阶矩与高阶累积量的定义
1.单个随机变量情形 高阶矩定义 随机变量的阶矩定义为 显然,.随机变量的阶中心矩定义为 (1) 由式(1)可见,,,. 若存在,则的特征函数可按泰勒级数展开,即(2) 并且与的阶导数之间的关系为
(2)高阶累积量定义 的第二特征函数按泰勒级数展开,有(3) 并且与的阶导数之间的关系为 称为随机变量的阶累积量,实际上由及的连续性,存在,使时,,故第二特征函数对有意义且单值(只考虑对数函数的主值),的前阶导数在处存在,故也存在.
