圖 API: 矩陣運算

詳細描述

函式
GMat	cv::gapi::absDiff (const GMat &src1, const GMat &src2)
	計算兩個矩陣之間逐元素的絕對差。
GMat	cv::gapi::absDiffC (const GMat &src, const GScalar &c)
	計算矩陣元素的絕對值。
GMat	cv::gapi::addWeighted (const GMat &src1, double alpha, const GMat &src2, double beta, double gamma, int ddepth=-1)
	計算兩個矩陣的加權和。
GOpaque< int >	cv::gapi::countNonZero (const GMat &src)
	Counts non-zero array elements.
GMat	cv::gapi::inRange (const GMat &src, const GScalar &threshLow, const GScalar &threshUp)
	對每個矩陣元素應用範圍閾值。
std::tuple< GMat, GMat >	cv::gapi::integral (const GMat &src, int sdepth=-1, int sqdepth=-1)
	計算影像的積分。
GMat	cv::gapi::max (const GMat &src1, const GMat &src2)
	計算兩個矩陣的逐元素最大值。
GMat	cv::gapi::min (const GMat &src1, const GMat &src2)
	計算兩個矩陣的逐元素最小值。
GScalar	cv::gapi::normInf (const GMat &src)
	計算矩陣的絕對無窮範數。
GScalar	cv::gapi::normL1 (const GMat &src)
	計算矩陣的絕對 L1 範數。
GScalar	cv::gapi::normL2 (const GMat &src)
	計算矩陣的絕對 L2 範數。
GScalar	cv::gapi::sum (const GMat &src)
	計算所有矩陣元素的總和。
std::tuple< GMat, GScalar >	cv::gapi::threshold (const GMat &src, const GScalar &maxval, int type)
GMat	cv::gapi::threshold (const GMat &src, const GScalar &thresh, const GScalar &maxval, int type)
	對每個矩陣元素應用固定級別的閾值。

函式文件

absDiff()

GMat cv::gapi::absDiff	(	const GMat &	src1,
		const GMat &	src2 )

Python
	cv.gapi.absDiff(	src1, src2	) ->	retval

#include <opencv2/gapi/core.hpp>

計算兩個矩陣之間逐元素的絕對差。

absDiff 函式計算兩個大小和深度相同的矩陣之間的絕對差值

\[\texttt{dst}(I) = \texttt{saturate} (| \texttt{src1}(I) - \texttt{src2}(I)|)\]

其中 I 是矩陣元素的多維索引。對於多通道矩陣，每個通道獨立處理。輸出矩陣必須與輸入矩陣具有相同的大小和深度。

支援的矩陣資料型別有 CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1, CV_32FC1。

注意

函式文字ID為 "org.opencv.core.matrixop.absdiff"

引數

src1	第一個輸入矩陣。
src2	第二個輸入矩陣。

另請參見

abs

absDiffC()

GMat cv::gapi::absDiffC	(	const GMat &	src,
		const GScalar &	c )

Python
	cv.gapi.absDiffC(	src, c	) ->	retval

#include <opencv2/gapi/core.hpp>

計算矩陣元素的絕對值。

abs 函式計算矩陣元素與給定標量值之間的絕對差值

\[\texttt{dst}(I) = \texttt{saturate} (| \texttt{src1}(I) - \texttt{matC}(I)|)\]

其中 matC 是由給定標量 c 構造的，其大小和深度與輸入矩陣 src 相同。

輸出矩陣必須與 src 具有相同的大小和深度。

支援的矩陣資料型別有 CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1, CV_32FC1。

注意

函式文字ID為 "org.opencv.core.matrixop.absdiffC"

引數

src	輸入矩陣。
c	要減去的標量。

另請參見

min, max

addWeighted()

GMat cv::gapi::addWeighted	(	const GMat &	src1,
		double	alpha,
		const GMat &	src2,
		double	beta,
		double	gamma,
		int	ddepth = -1 )

Python
	cv.gapi.addWeighted(	src1, alpha, src2, beta, gamma[, ddepth]	) ->	retval

#include <opencv2/gapi/core.hpp>

計算兩個矩陣的加權和。

addWeighted 函式按如下方式計算兩個矩陣的加權和

\[\texttt{dst} (I)= \texttt{saturate} ( \texttt{src1} (I)* \texttt{alpha} + \texttt{src2} (I)* \texttt{beta} + \texttt{gamma} )\]

其中 I 是陣列元素的多維索引。對於多通道矩陣，每個通道獨立處理。

該函式可以替換為矩陣表示式

\[\texttt{dst}(I) = \texttt{alpha} * \texttt{src1}(I) - \texttt{beta} * \texttt{src2}(I) + \texttt{gamma} \]

支援的矩陣資料型別有 CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1, CV_32FC1。

注意

函式文字ID為 "org.opencv.core.matrixop.addweighted"

引數

src1	第一個輸入矩陣。
alpha	第一個矩陣元素的權重。
src2	第二個輸入矩陣，與 src1 具有相同的大小和通道數。
beta	第二個矩陣元素的權重。
gamma	加到每個和中的標量。
ddepth	輸出矩陣的可選深度。

另請參見

add, sub

countNonZero()

GOpaque< int > cv::gapi::countNonZero

(

const GMat &

src

)

Python
	cv.gapi.countNonZero(	src	) ->	retval

#include <opencv2/gapi/core.hpp>

Counts non-zero array elements.

該函式返回 src 中非零元素的數量

\[\sum _{I: \; \texttt{src} (I) \ne0 } 1\]

支援的矩陣資料型別有 CV_8UC1, CV_16UC1, CV_16SC1, CV_32FC1。

注意

函式文字ID為 "org.opencv.core.matrixop.countNonZero"

引數

src

輸入單通道矩陣。

另請參見

mean, min, max

inRange()

GMat cv::gapi::inRange	(	const GMat &	src,
		const GScalar &	threshLow,
		const GScalar &	threshUp )

Python
	cv.gapi.inRange(	src, threshLow, threshUp	) ->	retval

#include <opencv2/gapi/core.hpp>

對每個矩陣元素應用範圍閾值。

該函式對單通道或多通道矩陣應用範圍閾值。如果輸入矩陣的相應畫素值在指定範圍內，則將輸出畫素值設定為 0xFF，否則設定為 0。

輸入和輸出矩陣必須是 CV_8UC1。

注意

函式文字ID為 "org.opencv.core.matrixop.inRange"

引數

src	輸入矩陣 (CV_8UC1)。
threshLow	下邊界值。
threshUp	上邊界值。

另請參見

RANSAC引數。它是點到畫素中對極線的最大距離，超過此距離的點將被視為異常值，不用於計算最終的基本矩陣。它可以設定為1-3左右，具體取決於點定位的精度、影像解析度和影像噪聲。

integral()

std::tuple< GMat, GMat > cv::gapi::integral	(	const GMat &	src,
		int	sdepth = -1,
		int	sqdepth = -1 )

Python
	cv.gapi.integral(	src[, sdepth[, sqdepth]]	) ->	retval

#include <opencv2/gapi/core.hpp>

計算影像的積分。

該函式為源影像計算一個或多個積分影像，如下所示

\[\texttt{sum} (X,Y) = \sum _{x<X,y<Y} \texttt{image} (x,y)\]

\[\texttt{sqsum} (X,Y) = \sum _{x<X,y<Y} \texttt{image} (x,y)^2\]

該函式返回 \((W+1)\times (H+1)\) 的積分影像，其為32位整數或浮點數（32f 或 64f），以及平方畫素值的積分影像；它是一個 \((W+1)\times (H+)\) 的雙精度浮點數（64f）陣列。

注意

函式文字ID為 "org.opencv.core.matrixop.integral"

引數

src	輸入影像。
sdepth	積分影像和傾斜積分影像的所需深度，CV_32S、CV_32F 或 CV_64F。
sqdepth	平方畫素值積分影像的所需深度，CV_32F 或 CV_64F。

max()

GMat cv::gapi::max	(	const GMat &	src1,
		const GMat &	src2 )

Python
	cv.gapi.max(	src1, src2	) ->	retval

#include <opencv2/gapi/core.hpp>

計算兩個矩陣的逐元素最大值。

max 函式計算兩個大小、通道數和深度相同的矩陣的逐元素最大值

\[\texttt{dst} (I)= \max ( \texttt{src1} (I), \texttt{src2} (I))\]

其中 I 是矩陣元素的多維索引。對於多通道矩陣，每個通道獨立處理。輸出矩陣必須與 src1 具有相同的大小和深度。

支援的矩陣資料型別有 CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1, CV_32FC1。

注意

函式文字ID為 "org.opencv.core.matrixop.max"

引數

src1	第一個輸入矩陣。
src2	與 `src1` 具有相同大小和深度的第二個輸入矩陣。

另請參見

min, compare, cmpEQ, cmpGT, cmpGE

min()

GMat cv::gapi::min	(	const GMat &	src1,
		const GMat &	src2 )

Python
	cv.gapi.min(	src1, src2	) ->	retval

#include <opencv2/gapi/core.hpp>

計算兩個矩陣的逐元素最小值。

min 函式計算兩個大小、通道數和深度相同的矩陣的逐元素最小值

\[\texttt{dst} (I)= \min ( \texttt{src1} (I), \texttt{src2} (I))\]

其中 I 是矩陣元素的多維索引。對於多通道矩陣，每個通道獨立處理。輸出矩陣必須與 src1 具有相同的大小和深度。

支援的輸入矩陣資料型別有 CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1, CV_32FC1。

注意

函式文字ID為 "org.opencv.core.matrixop.min"

引數

src1	第一個輸入矩陣。
src2	與 `src1` 具有相同大小和深度的第二個輸入矩陣。

另請參見

max, cmpEQ, cmpLT, cmpLE

normInf()

GScalar cv::gapi::normInf

(

const GMat &

src

)

Python
	cv.gapi.normInf(	src	) ->	retval

#include <opencv2/gapi/core.hpp>

計算矩陣的絕對無窮範數。

此版本的 normInf 計算 src 的絕對無窮範數。

以一個數組為例，考慮函式 \(r(x)= \begin{pmatrix} x \\ 1-x \end{pmatrix}, x \in [-1;1]\)。樣本值 \(r(-1) = \begin{pmatrix} -1 \\ 2 \end{pmatrix}\) 的 \( L_{\infty} \) 範數計算如下

\begin{align*} \| r(-1) \|_{L_\infty} &= \max(|-1|,|2|) = 2 \end{align*}

對於 \(r(0.5) = \begin{pmatrix} 0.5 \\ 0.5 \end{pmatrix}\)，計算如下

\begin{align*} \| r(0.5) \|_{L_\infty} &= \max(|0.5|,|0.5|) = 0.5. \end{align*}

支援的矩陣資料型別有 CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1, CV_32FC1。

注意

函式文字ID為 "org.opencv.core.matrixop.norminf"

引數

src

輸入矩陣。

另請參見

normL1, normL2

normL1()

GScalar cv::gapi::normL1

(

const GMat &

src

)

Python
	cv.gapi.normL1(	src	) ->	retval

#include <opencv2/gapi/core.hpp>

計算矩陣的絕對 L1 範數。

此版本的 normL1 計算 src 的絕對 L1 範數。

以一個數組為例，考慮函式 \(r(x)= \begin{pmatrix} x \\ 1-x \end{pmatrix}, x \in [-1;1]\)。樣本值 \(r(-1) = \begin{pmatrix} -1 \\ 2 \end{pmatrix}\) 的 \( L_{1} \) 範數計算如下

\begin{align*} \| r(-1) \|_{L_1} &= |-1| + |2| = 3 \\ \end{align*}

對於 \(r(0.5) = \begin{pmatrix} 0.5 \\ 0.5 \end{pmatrix}\)，計算如下

\begin{align*} \| r(0.5) \|_{L_1} &= |0.5| + |0.5| = 1 \\ \end{align*}

支援的矩陣資料型別有 CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1, CV_32FC1。

注意

函式文字ID為 "org.opencv.core.matrixop.norml1"

引數

src

輸入矩陣。

另請參見

normL2, normInf

normL2()

GScalar cv::gapi::normL2

(

const GMat &

src

)

Python
	cv.gapi.normL2(	src	) ->	retval

#include <opencv2/gapi/core.hpp>

計算矩陣的絕對 L2 範數。

此版本的 normL2 計算 src 的絕對 L2 範數。

以一個數組為例，考慮函式 \(r(x)= \begin{pmatrix} x \\ 1-x \end{pmatrix}, x \in [-1;1]\)。樣本值 \(r(-1) = \begin{pmatrix} -1 \\ 2 \end{pmatrix}\) 的 \( L_{2} \) 範數計算如下

\begin{align*} \| r(-1) \|_{L_2} &= \sqrt{(-1)^{2} + (2)^{2}} = \sqrt{5} \\ \end{align*}

對於 \(r(0.5) = \begin{pmatrix} 0.5 \\ 0.5 \end{pmatrix}\)，計算如下

\begin{align*} \| r(0.5) \|_{L_2} &= \sqrt{(0.5)^{2} + (0.5)^{2}} = \sqrt{0.5} \\ \end{align*}

支援的矩陣資料型別有 CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1, CV_32FC1。

注意

函式文字ID為 "org.opencv.core.matrixop.norml2"

引數

src

輸入矩陣。

另請參見

normL1, normInf

sum()

GScalar cv::gapi::sum

(

const GMat &

src

)

Python
	cv.gapi.sum(	src	) ->	retval

#include <opencv2/gapi/core.hpp>

計算所有矩陣元素的總和。

sum 函式計算所有矩陣元素的和，每個通道獨立計算。

支援的矩陣資料型別有 CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1, CV_32FC1。

注意

函式文字ID為 "org.opencv.core.matrixop.sum"

引數

src

輸入矩陣。

另請參見

countNonZero, mean, min, max

threshold() [1/2]

std::tuple< GMat, GScalar > cv::gapi::threshold	(	const GMat &	src,
		const GScalar &	最大值,
		int	type )

Python
	cv.gapi.threshold(	src, thresh, maxval, type	) ->	retval
	cv.gapi.threshold(	src, maxval, type	) ->	retval

#include <opencv2/gapi/core.hpp>

這是一個過載成員函式，為方便起見而提供。它與上述函式的唯一區別在於其接受的引數。此函式適用於除 cv::THRESH_OTSU 和 cv::THRESH_TRIANGLE 之外的所有閾值型別。

注意

函式文字ID為 "org.opencv.core.matrixop.thresholdOT"

threshold() [2/2]

GMat cv::gapi::threshold	(	const GMat &	src,
		const GScalar &	thresh,
		const GScalar &	最大值,
		int	type )

Python
	cv.gapi.threshold(	src, thresh, maxval, type	) ->	retval
	cv.gapi.threshold(	src, maxval, type	) ->	retval

#include <opencv2/gapi/core.hpp>

對每個矩陣元素應用固定級別的閾值。

該函式對單通道或多通道矩陣應用固定閾值。該函式通常用於從灰度影像中獲取雙級（二值）影像（cmp 函式也可用於此目的），或用於去除噪聲，即過濾掉值過小或過大的畫素。該函式支援多種閾值型別，由 type 引數決定。

此外，特殊值 cv::THRESH_OTSU 或 cv::THRESH_TRIANGLE 可以與上述值之一結合使用。在這些情況下，函式使用 Otsu 或 Triangle 演算法確定最佳閾值，並使用它而不是指定的 thresh。函式除了閾值化矩陣外，還返回計算出的閾值。Otsu 和 Triangle 方法僅適用於 8 位矩陣。

在 cv::THRESH_OTSU 或 cv::THRESH_TRIANGLE 標誌的情況下，輸入影像應僅為單通道。輸出矩陣必須與 src 具有相同的大小和深度。

注意

函式文字ID為 "org.opencv.core.matrixop.threshold"

引數

src	輸入矩陣 (CV_8UC1, CV_8UC3, 或 CV_32FC1)。
thresh	閾值。
最大值	與 cv::THRESH_BINARY 和 cv::THRESH_BINARY_INV 閾值型別一起使用的最大值。
type	閾值型別（參見 cv::ThresholdTypes）。

另請參見

min, max, cmpGT, cmpLE, cmpGE, cmpLT