此類實現了 [154] 中描述的 PCT（位置-顏色-紋理）簽名提取。該演算法分為特徵取樣器和聚類器。特徵取樣器在給定座標集處生成樣本。聚類器然後使用 k-means 演算法生成這些樣本的聚類。得到的聚類集是輸入影像的簽名。更多...

#include <opencv2/xfeatures2d.hpp>

cv::xfeatures2d::PCTSignatures 的協作圖

公共型別
列舉	距離函式 { L0_25 , L0_5 , L1 , L2 , L2SQUARED , L5 , L_INFINITY }
	Lp 距離函式選擇器。更多...

列舉	點分佈 { UNIFORM , REGULAR , NORMAL }
	隨機點生成器支援的點分佈。更多...

列舉	相似度函式 { MINUS , GAUSSIAN , HEURISTIC }
	相似度函式選擇器。更多...

公共成員函式
virtual void	computeSignature (InputArray image, OutputArray signature) const =0
	計算給定影像的簽名。

virtual void	computeSignatures (const std::vector< Mat > &images, std::vector< Mat > &signatures) const =0
	平行計算多幅影像的簽名。

virtual int	getClusterMinSize () const =0
	此引數乘以迭代索引，得到聚類大小的下限。包含點數少於此限制的聚類，其質心將被捨棄，並且點將被重新分配。

virtual int	getDistanceFunction () const =0
	用於在 k-means 中測量兩點之間距離的距離函式選擇器。

virtual float	getDropThreshold () const =0
	移除 k-means 中權重小於或等於給定閾值的質心。

virtual int	getGrayscaleBits () const =0
	分配位中表示的灰度點陣圖的顏色解析度（即，值 4 表示使用 16 種灰色陰影）。灰度點陣圖用於計算對比度和熵值。

virtual int	getInitSeedCount () const =0
	k-means 演算法的初始種子數（初始聚類數）。

virtual std::vector< int >	getInitSeedIndexes () const =0
	k-means 演算法的初始種子（初始聚類數）。

virtual int	getIterationCount () const =0
	k-means 聚類的迭代次數。我們使用固定次數的迭代，因為修改後的聚類是修剪聚類（而不是迭代細化 k 個聚類）。

virtual float	getJoiningDistance () const =0
	兩個質心之間的歐幾里得距離閾值。如果兩個聚類中心之間的距離小於此距離，則其中一個質心將被捨棄，並且點將被重新分配。

virtual int	getMaxClustersCount () const =0
	生成聚類的最大數量。如果超出此數量，則聚類將按其權重排序，最小的聚類將被裁剪。

virtual int	getSampleCount () const =0
	從影像中獲取的初始樣本數。

virtual std::vector< Point2f >	getSamplingPoints () const =0
	從影像中獲取的初始樣本。這些取樣特徵成為聚類的輸入。

virtual float	getWeightA () const =0
	權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

virtual float	getWeightB () const =0
	權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

virtual float	getWeightContrast () const =0
	權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

virtual float	getWeightEntropy () const =0
	權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

virtual float	getWeightL () const =0
	權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

virtual float	getWeightX () const =0
	權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

virtual float	getWeightY () const =0
	權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

virtual int	getWindowRadius () const =0
	用於計算對比度和熵的紋理取樣視窗大小（視窗中心始終位於對應特徵樣本的 x,y 座標選擇的畫素處）。

virtual void	setClusterMinSize (int clusterMinSize)=0
	此引數乘以迭代索引，得到聚類大小的下限。包含點數少於此限制的聚類，其質心將被捨棄，並且點將被重新分配。

virtual void	setDistanceFunction (int distanceFunction)=0
	用於在 k-means 中測量兩點之間距離的距離函式選擇器。可用值：L0_25, L0_5, L1, L2, L2SQUARED, L5, L_INFINITY。

virtual void	setDropThreshold (float dropThreshold)=0
	移除 k-means 中權重小於或等於給定閾值的質心。

virtual void	setGrayscaleBits (int grayscaleBits)=0
	分配位中表示的灰度點陣圖的顏色解析度（即，值 4 表示使用 16 種灰色陰影）。灰度點陣圖用於計算對比度和熵值。

virtual void	setInitSeedIndexes (std::vector< int > initSeedIndexes)=0
	k-means 演算法的初始種子索引。

virtual void	setIterationCount (int iterationCount)=0
	k-means 聚類的迭代次數。我們使用固定次數的迭代，因為修改後的聚類是修剪聚類（而不是迭代細化 k 個聚類）。

virtual void	setJoiningDistance (float joiningDistance)=0
	兩個質心之間的歐幾里得距離閾值。如果兩個聚類中心之間的距離小於此距離，則其中一個質心將被捨棄，並且點將被重新分配。

virtual void	setMaxClustersCount (int maxClustersCount)=0
	生成聚類的最大數量。如果超出此數量，則聚類將按其權重排序，最小的聚類將被裁剪。

virtual void	setSamplingPoints (std::vector< Point2f > samplingPoints)=0
	設定用於取樣輸入影像的取樣點。

virtual void	setTranslation (int idx, float value)=0
	特徵空間各個軸的平移量。

virtual void	setTranslations (const std::vector< float > &translations)=0
	特徵空間各個軸的平移量。

virtual void	setWeight (int idx, float value)=0
	權重（乘法常數），用於線性拉伸特徵空間的各個軸。

virtual void	setWeightA (float weight)=0
	權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

virtual void	setWeightB (float weight)=0
	權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

virtual void	setWeightContrast (float weight)=0
	權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

virtual void	setWeightEntropy (float weight)=0
	權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

virtual void	setWeightL (float weight)=0
	權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

virtual void	setWeights (const std::vector< float > &weights)=0
	權重（乘法常數），用於線性拉伸特徵空間的各個軸。

virtual void	setWeightX (float weight)=0
	權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

virtual void	setWeightY (float weight)=0
	權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

virtual void	setWindowRadius (int radius)=0
	用於計算對比度和熵的紋理取樣視窗大小（視窗中心始終位於對應特徵樣本的 x,y 座標選擇的畫素處）。

繼承自 cv::Algorithm 的公共成員函式
	Algorithm ()

virtual	~Algorithm ()

virtual void	clear ()
	清除演算法狀態。

virtual bool	empty () const
	如果 Algorithm 為空（例如，在最開始或讀取失敗後），則返回 true。

virtual String	getDefaultName () const

virtual void	read (const FileNode &fn)
	從檔案儲存中讀取演算法引數。

virtual void	save (const String &filename) const

void	write (const Ptr< FileStorage > &fs, const String &name=String()) const

virtual void	write (FileStorage &fs) const
	將演算法引數儲存到檔案儲存中。

void	write (FileStorage &fs, const String &name) const

靜態公共成員函式
static Ptr< PCTSignatures >	create (const int initSampleCount=2000, const int initSeedCount=400, const int pointDistribution=0)
	使用樣本數和種子數建立 PCTSignatures 演算法。它生成自己的取樣點集和聚類種子索引。

static Ptr< PCTSignatures >	create (const std::vector< Point2f > &initSamplingPoints, const int initSeedCount)
	使用預先生成的取樣點和聚類種子數建立 PCTSignatures 演算法。它使用提供的取樣點並生成自己的聚類種子索引。

static Ptr< PCTSignatures >	create (const std::vector< Point2f > &initSamplingPoints, const std::vector< int > &initClusterSeedIndexes)
	使用預先生成的取樣點和聚類種子索引建立 PCTSignatures 演算法。

static void	drawSignature (InputArray source, InputArray signature, OutputArray result, float radiusToShorterSideRatio=1.0/8, int borderThickness=1)
	在源影像中繪製簽名並輸出結果。簽名被視覺化為圓形，半徑基於簽名權重，顏色基於簽名顏色。對比度和熵未被視覺化。

static void	generateInitPoints (std::vector< Point2f > &initPoints, const int count, int pointDistribution)
	根據選定的點分佈生成初始取樣點。

繼承自 cv::Algorithm 的靜態公共成員函式
template<typename _Tp >
static Ptr< _Tp >	load (const String &filename, const String &objname=String())
	從檔案中載入演算法。

template<typename _Tp >
static Ptr< _Tp >	loadFromString (const String &strModel, const String &objname=String())
	從字串載入演算法。

template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	從檔案節點讀取演算法。

其他繼承成員
繼承自 cv::Algorithm 的受保護成員函式
void	writeFormat (FileStorage &fs) const

詳細描述

此類實現了 [154] 中描述的 PCT（位置-顏色-紋理）簽名提取。該演算法分為特徵取樣器和聚類器。特徵取樣器在給定座標集處生成樣本。聚類器然後使用 k-means 演算法生成這些樣本的聚類。得到的聚類集是輸入影像的簽名。

簽名是 SIGNATURE_DIMENSION 維點的陣列。使用的維度有：權重、x、y 位置；lab 顏色、對比度、熵。 [154] [23]

成員列舉文件

◆ 距離函式

列舉 cv::xfeatures2d::PCTSignatures::DistanceFunction

Lp 距離函式選擇器。

列舉器
L0_25
L0_5
L1
L2
L2SQUARED
L5
L_INFINITY

◆ 點分佈

列舉 cv::xfeatures2d::PCTSignatures::PointDistribution

隨機點生成器支援的點分佈。

列舉器
UNIFORM	均勻生成數字。
REGULAR	在規則網格中生成點。
NORMAL	生成具有正態（高斯）分佈的點。

◆ 相似度函式

列舉 cv::xfeatures2d::PCTSignatures::SimilarityFunction

相似度函式選擇器。

另請參見: Christian Beecks, Merih Seran Uysal, Thomas Seidl. Signature quadratic form distance. 載於 ACM 國際影像與影片檢索會議論文集，第 438-445 頁。ACM，2010 年。[23]

注意

對於選定的距離函式

\[ d(c_i, c_j) \]

和引數

\[ \alpha \]

列舉器
MINUS	\[ -d(c_i, c_j) \]
GAUSSIAN	\[ e^{ -\alpha * d^2(c_i, c_j)} \]
HEURISTIC	\[ \frac{1}{\alpha + d(c_i, c_j)} \]

成員函式文件

◆ computeSignature()

virtual void cv::xfeatures2d::PCTSignatures::computeSignature	(	InputArray	image,
		OutputArray	signature ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.computeSignature(	image[, signature]	) ->	signature

計算給定影像的簽名。

引數

image	CV_8U 型別的輸入影像。
signature	輸出計算得到的簽名。

◆ computeSignatures()

virtual void cv::xfeatures2d::PCTSignatures::computeSignatures	(	const std::vector< Mat > &	images,
		std::vector< Mat > &	signatures ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.computeSignatures(	images, signatures	) ->	無

平行計算多幅影像的簽名。

引數

images	CV_8U 型別的輸入影像向量。
signatures	計算得到的簽名向量。

◆ create() [1/3]

static Ptr< PCTSignatures > cv::xfeatures2d::PCTSignatures::create	(	const int	initSampleCount = 2000,
		const int	initSeedCount = 400,
		const int	pointDistribution = 0 )

static


cv.xfeatures2d.PCTSignatures.create(	[, initSampleCount[, initSeedCount[, pointDistribution]]]	) ->	retval
cv.xfeatures2d.PCTSignatures.create(	initSamplingPoints, initSeedCount	) ->	retval
cv.xfeatures2d.PCTSignatures.create(	initSamplingPoints, initClusterSeedIndexes	) ->	retval
cv.xfeatures2d.PCTSignatures_create(	[, initSampleCount[, initSeedCount[, pointDistribution]]]	) ->	retval
cv.xfeatures2d.PCTSignatures_create(	initSamplingPoints, initSeedCount	) ->	retval
cv.xfeatures2d.PCTSignatures_create(	initSamplingPoints, initClusterSeedIndexes	) ->	retval

使用樣本數和種子數建立 PCTSignatures 演算法。它生成自己的取樣點集和聚類種子索引。

引數

initSampleCount	用於影像取樣的點數。
initSeedCount	初始聚類種子數。必須小於或等於 initSampleCount。
pointDistribution	生成點的分佈。預設：UNIFORM。可用值：UNIFORM, REGULAR, NORMAL。

返回: 建立的演算法。

◆ create() [2/3]

static Ptr< PCTSignatures > cv::xfeatures2d::PCTSignatures::create	(	const std::vector< Point2f > &	initSamplingPoints,
		const int	initSeedCount )

static


cv.xfeatures2d.PCTSignatures.create(	[, initSampleCount[, initSeedCount[, pointDistribution]]]	) ->	retval
cv.xfeatures2d.PCTSignatures.create(	initSamplingPoints, initSeedCount	) ->	retval
cv.xfeatures2d.PCTSignatures.create(	initSamplingPoints, initClusterSeedIndexes	) ->	retval
cv.xfeatures2d.PCTSignatures_create(	[, initSampleCount[, initSeedCount[, pointDistribution]]]	) ->	retval
cv.xfeatures2d.PCTSignatures_create(	initSamplingPoints, initSeedCount	) ->	retval
cv.xfeatures2d.PCTSignatures_create(	initSamplingPoints, initClusterSeedIndexes	) ->	retval

使用預先生成的取樣點和聚類種子數建立 PCTSignatures 演算法。它使用提供的取樣點並生成自己的聚類種子索引。

引數

initSamplingPoints	影像取樣中使用的取樣點。
initSeedCount	初始聚類種子數。必須小於或等於 initSamplingPoints.size()。

返回: 建立的演算法。

◆ create() [3/3]

static Ptr< PCTSignatures > cv::xfeatures2d::PCTSignatures::create	(	const std::vector< Point2f > &	initSamplingPoints,
		const std::vector< int > &	initClusterSeedIndexes )

static


cv.xfeatures2d.PCTSignatures.create(	[, initSampleCount[, initSeedCount[, pointDistribution]]]	) ->	retval
cv.xfeatures2d.PCTSignatures.create(	initSamplingPoints, initSeedCount	) ->	retval
cv.xfeatures2d.PCTSignatures.create(	initSamplingPoints, initClusterSeedIndexes	) ->	retval
cv.xfeatures2d.PCTSignatures_create(	[, initSampleCount[, initSeedCount[, pointDistribution]]]	) ->	retval
cv.xfeatures2d.PCTSignatures_create(	initSamplingPoints, initSeedCount	) ->	retval
cv.xfeatures2d.PCTSignatures_create(	initSamplingPoints, initClusterSeedIndexes	) ->	retval

使用預先生成的取樣點和聚類種子索引建立 PCTSignatures 演算法。

引數

initSamplingPoints	影像取樣中使用的取樣點。
initClusterSeedIndexes	初始聚類種子的索引。其大小必須小於或等於 initSamplingPoints.size()。

返回: 建立的演算法。

◆ drawSignature()

static void cv::xfeatures2d::PCTSignatures::drawSignature	(	InputArray	source,
		InputArray	signature,
		OutputArray	result,
		float	radiusToShorterSideRatio = 1.0/8,
		int	borderThickness = 1 )

static

Python
	cv.xfeatures2d.PCTSignatures.drawSignature(	source, signature[, result[, radiusToShorterSideRatio[, borderThickness]]]	) ->	result
	cv.xfeatures2d.PCTSignatures_drawSignature(	source, signature[, result[, radiusToShorterSideRatio[, borderThickness]]]	) ->	result

在源影像中繪製簽名並輸出結果。簽名被視覺化為圓形，半徑基於簽名權重，顏色基於簽名顏色。對比度和熵未被視覺化。

引數

source	源影像。
signature	影像簽名。
result	輸出結果。
radiusToShorterSideRatio	確定輸出影像中籤名的最大半徑。
borderThickness	視覺化簽名的邊框厚度。

◆ generateInitPoints()

static void cv::xfeatures2d::PCTSignatures::generateInitPoints	(	std::vector< Point2f > &	initPoints,
		const int	count,
		int	pointDistribution )

static

Python
	cv.xfeatures2d.PCTSignatures.generateInitPoints(	initPoints, count, pointDistribution	) ->	無
	cv.xfeatures2d.PCTSignatures_generateInitPoints(	initPoints, count, pointDistribution	) ->	無

根據選定的點分佈生成初始取樣點。

引數

initPoints	生成點將被儲存的輸出向量。
count	要生成的點數。
pointDistribution	點分佈選擇器。可用值：UNIFORM, REGULAR, NORMAL。

注意: 生成的座標範圍在 [0..1) 之間

◆ getClusterMinSize()

virtual int cv::xfeatures2d::PCTSignatures::getClusterMinSize ( ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.getClusterMinSize(		) ->	retval

此引數乘以迭代索引，得到聚類大小的下限。包含點數少於此限制的聚類，其質心將被捨棄，並且點將被重新分配。

◆ getDistanceFunction()

virtual int cv::xfeatures2d::PCTSignatures::getDistanceFunction ( ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.getDistanceFunction(		) ->	retval

用於在 k-means 中測量兩點之間距離的距離函式選擇器。

◆ getDropThreshold()

virtual float cv::xfeatures2d::PCTSignatures::getDropThreshold ( ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.getDropThreshold(		) ->	retval

移除 k-means 中權重小於或等於給定閾值的質心。

◆ getGrayscaleBits()

virtual int cv::xfeatures2d::PCTSignatures::getGrayscaleBits ( ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.getGrayscaleBits(		) ->	retval

分配位中表示的灰度點陣圖的顏色解析度（即，值 4 表示使用 16 種灰色陰影）。灰度點陣圖用於計算對比度和熵值。

◆ getInitSeedCount()

virtual int cv::xfeatures2d::PCTSignatures::getInitSeedCount ( ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.getInitSeedCount(		) ->	retval

k-means 演算法的初始種子數（初始聚類數）。

◆ getInitSeedIndexes()

virtual std::vector< int > cv::xfeatures2d::PCTSignatures::getInitSeedIndexes ( ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.getInitSeedIndexes(		) ->	retval

k-means 演算法的初始種子（初始聚類數）。

◆ getIterationCount()

virtual int cv::xfeatures2d::PCTSignatures::getIterationCount ( ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.getIterationCount(		) ->	retval

k-means 聚類的迭代次數。我們使用固定次數的迭代，因為修改後的聚類是修剪聚類（而不是迭代細化 k 個聚類）。

◆ getJoiningDistance()

virtual float cv::xfeatures2d::PCTSignatures::getJoiningDistance ( ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.getJoiningDistance(		) ->	retval

兩個質心之間的歐幾里得距離閾值。如果兩個聚類中心之間的距離小於此距離，則其中一個質心將被捨棄，並且點將被重新分配。

◆ getMaxClustersCount()

virtual int cv::xfeatures2d::PCTSignatures::getMaxClustersCount ( ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.getMaxClustersCount(		) ->	retval

生成聚類的最大數量。如果超出此數量，則聚類將按其權重排序，最小的聚類將被裁剪。

◆ getSampleCount()

virtual int cv::xfeatures2d::PCTSignatures::getSampleCount ( ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.getSampleCount(		) ->	retval

從影像中獲取的初始樣本數。

◆ getSamplingPoints()

virtual std::vector< Point2f > cv::xfeatures2d::PCTSignatures::getSamplingPoints ( ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.getSamplingPoints(		) ->	retval

從影像中獲取的初始樣本。這些取樣特徵成為聚類的輸入。

◆ getWeightA()

virtual float cv::xfeatures2d::PCTSignatures::getWeightA ( ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.getWeightA(		) ->	retval

權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

◆ getWeightB()

virtual float cv::xfeatures2d::PCTSignatures::getWeightB ( ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.getWeightB(		) ->	retval

權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

◆ getWeightContrast()

virtual float cv::xfeatures2d::PCTSignatures::getWeightContrast ( ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.getWeightContrast(		) ->	retval

權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

◆ getWeightEntropy()

virtual float cv::xfeatures2d::PCTSignatures::getWeightEntropy ( ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.getWeightEntropy(		) ->	retval

權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

◆ getWeightL()

virtual float cv::xfeatures2d::PCTSignatures::getWeightL ( ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.getWeightL(		) ->	retval

權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

◆ getWeightX()

virtual float cv::xfeatures2d::PCTSignatures::getWeightX ( ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.getWeightX(		) ->	retval

權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

◆ getWeightY()

virtual float cv::xfeatures2d::PCTSignatures::getWeightY ( ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.getWeightY(		) ->	retval

權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

◆ getWindowRadius()

virtual int cv::xfeatures2d::PCTSignatures::getWindowRadius ( ) const

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.getWindowRadius(		) ->	retval

用於計算對比度和熵的紋理取樣視窗大小（視窗中心始終位於對應特徵樣本的 x,y 座標選擇的畫素處）。

◆ setClusterMinSize()

virtual void cv::xfeatures2d::PCTSignatures::setClusterMinSize ( int clusterMinSize )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setClusterMinSize(	clusterMinSize	) ->	無

此引數乘以迭代索引，得到聚類大小的下限。包含點數少於此限制的聚類，其質心將被捨棄，並且點將被重新分配。

◆ setDistanceFunction()

virtual void cv::xfeatures2d::PCTSignatures::setDistanceFunction ( int distanceFunction )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setDistanceFunction(	distanceFunction	) ->	無

用於在 k-means 中測量兩點之間距離的距離函式選擇器。可用值：L0_25, L0_5, L1, L2, L2SQUARED, L5, L_INFINITY。

◆ setDropThreshold()

virtual void cv::xfeatures2d::PCTSignatures::setDropThreshold ( float dropThreshold )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setDropThreshold(	dropThreshold	) ->	無

移除 k-means 中權重小於或等於給定閾值的質心。

◆ setGrayscaleBits()

virtual void cv::xfeatures2d::PCTSignatures::setGrayscaleBits ( int grayscaleBits )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setGrayscaleBits(	grayscaleBits	) ->	無

分配位中表示的灰度點陣圖的顏色解析度（即，值 4 表示使用 16 種灰色陰影）。灰度點陣圖用於計算對比度和熵值。

◆ setInitSeedIndexes()

virtual void cv::xfeatures2d::PCTSignatures::setInitSeedIndexes ( std::vector< int > initSeedIndexes )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setInitSeedIndexes(	initSeedIndexes	) ->	無

k-means 演算法的初始種子索引。

◆ setIterationCount()

virtual void cv::xfeatures2d::PCTSignatures::setIterationCount ( int iterationCount )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setIterationCount(	iterationCount	) ->	無

k-means 聚類的迭代次數。我們使用固定次數的迭代，因為修改後的聚類是修剪聚類（而不是迭代細化 k 個聚類）。

◆ setJoiningDistance()

virtual void cv::xfeatures2d::PCTSignatures::setJoiningDistance ( float joiningDistance )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setJoiningDistance(	joiningDistance	) ->	無

兩個質心之間的歐幾里得距離閾值。如果兩個聚類中心之間的距離小於此距離，則其中一個質心將被捨棄，並且點將被重新分配。

◆ setMaxClustersCount()

virtual void cv::xfeatures2d::PCTSignatures::setMaxClustersCount ( int maxClustersCount )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setMaxClustersCount(	maxClustersCount	) ->	無

生成聚類的最大數量。如果超出此數量，則聚類將按其權重排序，最小的聚類將被裁剪。

◆ setSamplingPoints()

virtual void cv::xfeatures2d::PCTSignatures::setSamplingPoints ( std::vector< Point2f > samplingPoints )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setSamplingPoints(	samplingPoints	) ->	無

設定用於取樣輸入影像的取樣點。

引數

samplingPoints 範圍在 [0..1) 的取樣點向量

注意: 取樣點數必須大於或等於聚類種子數。

◆ setTranslation()

virtual void cv::xfeatures2d::PCTSignatures::setTranslation	(	int	idx,
		float	值 )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setTranslation(	idx, value	) ->	無

特徵空間各個軸的平移量。

引數

idx	平移的 ID
值	平移的值

注意: WEIGHT_IDX = 0; X_IDX = 1; Y_IDX = 2; L_IDX = 3; A_IDX = 4; B_IDX = 5; CONTRAST_IDX = 6; ENTROPY_IDX = 7;

◆ setTranslations()

virtual void cv::xfeatures2d::PCTSignatures::setTranslations ( const std::vector< float > & 平移矩陣陣列。 )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setTranslations(	平移矩陣陣列。	) ->	無

特徵空間各個軸的平移量。

引數

平移矩陣陣列。所有平移的值。

注意: WEIGHT_IDX = 0; X_IDX = 1; Y_IDX = 2; L_IDX = 3; A_IDX = 4; B_IDX = 5; CONTRAST_IDX = 6; ENTROPY_IDX = 7;

◆ setWeight()

virtual void cv::xfeatures2d::PCTSignatures::setWeight	(	int	idx,
		float	值 )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setWeight(	idx, value	) ->	無

權重（乘法常數），用於線性拉伸特徵空間的各個軸。

引數

idx	權重的 ID
值	權重的值

注意: WEIGHT_IDX = 0; X_IDX = 1; Y_IDX = 2; L_IDX = 3; A_IDX = 4; B_IDX = 5; CONTRAST_IDX = 6; ENTROPY_IDX = 7;

◆ setWeightA()

virtual void cv::xfeatures2d::PCTSignatures::setWeightA ( float weight )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setWeightA(	weight	) ->	無

權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

◆ setWeightB()

virtual void cv::xfeatures2d::PCTSignatures::setWeightB ( float weight )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setWeightB(	weight	) ->	無

權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

◆ setWeightContrast()

virtual void cv::xfeatures2d::PCTSignatures::setWeightContrast ( float weight )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setWeightContrast(	weight	) ->	無

權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

◆ setWeightEntropy()

virtual void cv::xfeatures2d::PCTSignatures::setWeightEntropy ( float weight )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setWeightEntropy(	weight	) ->	無

權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

◆ setWeightL()

virtual void cv::xfeatures2d::PCTSignatures::setWeightL ( float weight )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setWeightL(	weight	) ->	無

權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

◆ setWeights()

virtual void cv::xfeatures2d::PCTSignatures::setWeights ( const std::vector< float > & weights )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setWeights(	weights	) ->	無

權重（乘法常數），用於線性拉伸特徵空間的各個軸。

引數

weights 所有權重的值。

注意: WEIGHT_IDX = 0; X_IDX = 1; Y_IDX = 2; L_IDX = 3; A_IDX = 4; B_IDX = 5; CONTRAST_IDX = 6; ENTROPY_IDX = 7;

◆ setWeightX()

virtual void cv::xfeatures2d::PCTSignatures::setWeightX ( float weight )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setWeightX(	weight	) ->	無

權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

◆ setWeightY()

virtual void cv::xfeatures2d::PCTSignatures::setWeightY ( float weight )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setWeightY(	weight	) ->	無

權重（乘法常數），用於線性拉伸特徵空間的各個軸（x,y = 位置；L,a,b = CIE Lab 空間中的顏色；c = 對比度；e = 熵）。

◆ setWindowRadius()

virtual void cv::xfeatures2d::PCTSignatures::setWindowRadius ( int radius )

純虛擬函式

Python
	cv.xfeatures2d.PCTSignatures.setWindowRadius(	radius	) ->	無

用於計算對比度和熵的紋理取樣視窗大小（視窗中心始終位於對應特徵樣本的 x,y 座標選擇的畫素處）。

此類的文件是從以下檔案生成的

opencv2/xfeatures2d.hpp

公共型別

公共成員函式

靜態公共成員函式

其他繼承成員

詳細描述

成員列舉文件

◆ 距離函式

◆ 點分佈

◆ 相似度函式

成員函式文件

◆ computeSignature()

◆ computeSignatures()

◆ create() [1/3]

◆ create() [2/3]

◆ create() [3/3]

◆ drawSignature()

◆ generateInitPoints()

◆ getClusterMinSize()

◆ getDistanceFunction()

◆ getDropThreshold()

◆ getGrayscaleBits()

◆ getInitSeedCount()

◆ getInitSeedIndexes()

◆ getIterationCount()

◆ getJoiningDistance()

◆ getMaxClustersCount()

◆ getSampleCount()

◆ getSamplingPoints()

◆ getWeightA()

◆ getWeightB()

◆ getWeightContrast()

◆ getWeightEntropy()

◆ getWeightL()

◆ getWeightX()

◆ getWeightY()

◆ getWindowRadius()

◆ setClusterMinSize()

◆ setDistanceFunction()

◆ setDropThreshold()

◆ setGrayscaleBits()

◆ setInitSeedIndexes()

◆ setIterationCount()

◆ setJoiningDistance()

◆ setMaxClustersCount()

◆ setSamplingPoints()

◆ setTranslation()

◆ setTranslations()

◆ setWeight()

◆ setWeightA()

◆ setWeightB()

◆ setWeightContrast()

◆ setWeightEntropy()

◆ setWeightL()

◆ setWeights()

◆ setWeightX()

◆ setWeightY()

◆ setWindowRadius()