實現 SLIC (Simple Linear Iterative Clustering) 超畫素演算法的類，該演算法在 [1] 中進行了描述。更多...

#include <opencv2/ximgproc/slic.hpp>

cv::ximgproc::SuperpixelSLIC 的協作圖

公共成員函式
virtual void	enforceLabelConnectivity (int min_element_size=25)=0
	強制標籤連線性。

virtual void	getLabelContourMask (OutputArray image, bool thick_line=true) const =0
	返回儲存在 SuperpixelSLIC 物件中的超畫素分割的掩碼。

virtual void	getLabels (OutputArray labels_out) const =0
	返回影像的分割標籤。

virtual int	getNumberOfSuperpixels () const =0
	計算給定分割上超畫素的實際數量，該分割已計算並存儲在 SuperpixelSLIC 物件中。

virtual void	iterate (int num_iterations=10)=0
	使用 SuperpixelSLIC 物件中的初始化引數，計算給定影像上的超畫素分割。

從 cv::Algorithm 繼承的公共成員函式
	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

其他繼承的成員
從 cv::Algorithm 繼承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。

從 cv::Algorithm 繼承的保護成員函式
void	writeFormat (FileStorage &fs) const

詳細描述

實現 SLIC (Simple Linear Iterative Clustering) 超畫素演算法的類，該演算法在 [1] 中進行了描述。

SLIC（簡單線性迭代聚類）使用畫素通道和影像平面空間來有效地生成緊湊、幾乎均勻的超畫素來聚類畫素。該方法的簡單性使其非常易於使用：一個單獨的引數指定超畫素的數量，並且演算法的效率使其非常實用。 SLIC 類有幾個最佳化：SLICO 代表“零引數 SLIC”，它是 [1] 中描述的基線 SLIC 的最佳化。 MSLIC 代表“流形 SLIC”，它是 [172] 中描述的基線 SLIC 的最佳化。

成員函式文件

◆ enforceLabelConnectivity()

virtual void cv::ximgproc::SuperpixelSLIC::enforceLabelConnectivity ( int min_element_size = 25 )

純虛擬函式

Python
	cv.ximgproc.SuperpixelSLIC.enforceLabelConnectivity(	[, min_element_size]	) ->	無

強制標籤連線性。

引數

min_element_size 應吸收到更大的超畫素中的最小元素大小（以百分比表示）。給定結果的平均超畫素大小，有效值應在 0-100 範圍內，25 表示應吸收小於四分之一大小的超畫素，這是預設值。

該函式合併太小的元件，將先前找到的相鄰標籤分配給此元件。呼叫此函式可能會更改超畫素的最終數量。

◆ getLabelContourMask()

virtual void cv::ximgproc::SuperpixelSLIC::getLabelContourMask	(	OutputArray	image,
		bool	thick_line = true ) const

純虛擬函式

Python
	cv.ximgproc.SuperpixelSLIC.getLabelContourMask(	[, image[, thick_line]]	) ->	image

返回儲存在 SuperpixelSLIC 物件中的超畫素分割的掩碼。

引數

image	返回值：CV_8U1 影像掩碼，其中 -1 表示畫素是超畫素邊界，否則為 0。
thick_line	如果為 false，則邊界僅為一個畫素寬，否則邊界上的所有畫素都將被遮蔽。

該函式返回超畫素分割的邊界。

◆ getLabels()

virtual void cv::ximgproc::SuperpixelSLIC::getLabels ( OutputArray labels_out ) const

純虛擬函式

Python
	cv.ximgproc.SuperpixelSLIC.getLabels(	[, labels_out]	) ->	labels_out

返回影像的分割標籤。

每個標籤代表一個超畫素，每個畫素都分配給一個超畫素標籤。

引數

labels_out 返回值：一個 CV_32SC1 整數陣列，包含超畫素分割的標籤。標籤的範圍為 [0, getNumberOfSuperpixels()]。

該函式返回帶有超畫素分割標籤的影像。標籤的範圍為 [0, getNumberOfSuperpixels()]。

◆ getNumberOfSuperpixels()

virtual int cv::ximgproc::SuperpixelSLIC::getNumberOfSuperpixels ( ) const

純虛擬函式

Python
	cv.ximgproc.SuperpixelSLIC.getNumberOfSuperpixels(		) ->	retval

計算給定分割上超畫素的實際數量，該分割已計算並存儲在 SuperpixelSLIC 物件中。

◆ iterate()

virtual void cv::ximgproc::SuperpixelSLIC::iterate ( int num_iterations = 10 )

純虛擬函式

Python
	cv.ximgproc.SuperpixelSLIC.iterate(	[, num_iterations]	) ->	無

使用 SuperpixelSLIC 物件中的初始化引數，計算給定影像上的超畫素分割。

無需使用 createSuperpixelSLIC() 初始化演算法，就可以再次呼叫此函式。這節省了為演算法的所有結構分配記憶體的計算成本。

引數

num_iterations 迭代次數。迭代次數越多，結果越好。

該函式使用使用 createSuperpixelSLIC() 函式初始化的引數來計算影像的超畫素分割。該演算法從超畫素網格開始，然後透過提出邊緣邊界的更新來細化邊界。

此類文件由以下檔案生成

opencv2/ximgproc/slic.hpp

公共成員函式

其他繼承的成員

詳細描述

成員函式文件

◆ enforceLabelConnectivity()

◆ getLabelContourMask()

◆ getLabels()

◆ getNumberOfSuperpixels()

◆ iterate()