cv::gapi 名稱空間參考

名稱空間
名稱空間	calib3d
	此名稱空間包含 G-API 立體視覺和相關功能的運算型別。
名稱空間	compound
名稱空間	core
	此名稱空間包含 OpenCV Core 模組功能的 G-API 運算型別。
名稱空間	cpu
	此名稱空間包含 G-API CPU 後端函式、結構和符號。
名稱空間	fluid
	此名稱空間包含 G-API Fluid 後端函式、結構和符號。
名稱空間	ie
	此名稱空間包含 G-API OpenVINO 後端函式、結構和符號。
名稱空間	imgproc
	此名稱空間包含 OpenCV ImgProc 模組功能的 G-API 運算型別。
名稱空間	nn
名稱空間	oak
名稱空間	ocl
	此名稱空間包含 G-API OpenCL 後端函式、結構和符號。
名稱空間	onnx
	此名稱空間包含 G-API ONNX Runtime 後端函式、結構和符號。
名稱空間	ot
	此名稱空間包含 VAS 物件跟蹤模組功能的 G-API 運算型別。
名稱空間	ov
	此名稱空間包含 G-API OpenVINO 2.0 後端函式、結構和符號。
名稱空間	own
	此名稱空間包含 G-API 在其獨立構建模式中使用的自有資料結構。
名稱空間	plaidml
	此名稱空間包含 G-API PlaidML 後端函式、結構和符號。
名稱空間	python
	此名稱空間包含 G-API Python 後端函式、結構和符號。
名稱空間	渲染
	此名稱空間包含 G-API CPU 渲染後端函式、結構和符號。詳情請參閱G-API 繪圖和合成功能。
名稱空間	s11n
	此名稱空間包含 G-API 序列化和反序列化函式及資料結構。
名稱空間	streaming
	此名稱空間包含與流式執行模式相關的 G-API 函式、結構和符號。
名稱空間	video
	此名稱空間包含用於影片導向演算法（如光流和背景減除）的 G-API 操作和函式。
名稱空間	wip
	此名稱空間包含實驗性的 G-API 功能，此名稱空間中的函式或結構在未來版本中可能會更改或刪除。此名稱空間還包含 API 尚未穩定的函式。

類
結構體	Generic
	通用網路型別：輸入和輸出層在執行時動態配置。更多...
結構體	GNetPackage
	網路配置的容器類。類似於 GKernelPackage。使用 cv::gapi::networks() 構造此物件。更多...
結構體	KalmanParams
	卡爾曼濾波器的初始化引數結構。更多...
結構體	use_only
	cv::gapi::use_only() 是一個特殊的組合器，它提示 G-API 只使用 cv::GComputation::compile() 中指定的核（而不與該包擴充套件預設可用的核）。更多...

型別定義
using	GKernelPackage = cv::GKernelPackage

列舉
enum class	StereoOutputFormat (立體輸出格式) {   DEPTH_FLOAT16 (深度_浮點16) ,   DEPTH_FLOAT32 (深度_浮點32) ,   DISPARITY_FIXED16_11_5 (視差_固定16_11_5) ,   DISPARITY_FIXED16_12_4 (視差_固定16_12_4) ,   DEPTH_16F = DEPTH_FLOAT16 , (深度_16F = 深度_浮點16 ,)   DEPTH_32F = DEPTH_FLOAT32 , (深度_32F = 深度_浮點32 ,)   DISPARITY_16Q_10_5 = DISPARITY_FIXED16_11_5 , (視差_16Q_10_5 = 視差_固定16_11_5 ,)   DISPARITY_16Q_11_4 = DISPARITY_FIXED16_12_4 (視差_16Q_11_4 = 視差_固定16_12_4) }

函式
GMat	absDiff (const GMat &src1, const GMat &src2)
	計算兩個矩陣的逐元素絕對差。
GMat	absDiffC (const GMat &src, const GScalar &c)
	計算矩陣元素的絕對值。
GMat	add (const GMat &src1, const GMat &src2, int ddepth=-1)
	計算兩個矩陣的逐元素和。
GMat	addC (const GMat &src1, const GScalar &c, int ddepth=-1)
	計算矩陣和給定標量的逐元素和。
GMat	addC (const GScalar &c, const GMat &src1, int ddepth=-1)
	這是一個過載成員函式，為方便起見提供。它與上述函式的區別僅在於其接受的引數。
GMat	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。
GMat	BackgroundSubtractor (const GMat &src, const cv::gapi::video::BackgroundSubtractorParams &bsParams)
	基於高斯混合或 K 最近鄰的背景/前景分割演算法。此操作生成前景掩膜。
GMat	BayerGR2RGB (const GMat &src_gr)
	將影像從 BayerGR 色彩空間轉換為 RGB。此函式將輸入影像從 BayerGR 色彩空間轉換為 RGB。G、R 和 B 通道值的常規範圍是 0 到 255。
GMat	BGR2Gray (const GMat &src)
	將影像從BGR色彩空間轉換為灰度影像。
GMat	BGR2I420 (const GMat &src)
	將影像從 BGR 色彩空間轉換為 I420 色彩空間。
GMat	BGR2LUV (const GMat &src)
	將影像從 BGR 色彩空間轉換為 LUV 色彩空間。
GMat	BGR2RGB (const GMat &src)
	將影像從 BGR 色彩空間轉換為 RGB 色彩空間。
GMat	BGR2YUV (const GMat &src)
	將影像從 BGR 色彩空間轉換為 YUV 色彩空間。
GMat	bilateralFilter (const GMat &src, int d, double sigmaColor, double sigmaSpace, int borderType=BORDER_DEFAULT)
	對影像應用雙邊濾波。
cv::GRunArg	bind (cv::GRunArgP &out)
	將圖執行期間可用的輸出 GRunArgsP 封裝為可序列化的 GRunArgs。
cv::GRunArgsP	bind (cv::GRunArgs &out_args)
	將反序列化的輸出 GRunArgs 封裝為可供 GCompiled 使用的 GRunArgsP。
GMat	bitwise_and (const GMat &src1, const GMat &src2)
	計算兩個矩陣的按位合取 (src1 & src2)。計算兩個相同大小矩陣的逐元素按位邏輯合取。
GMat	bitwise_and (const GMat &src1, const GScalar &src2)
GMat	bitwise_not (const GMat &src)
	反轉陣列的每個位。
GMat	bitwise_or (const GMat &src1, const GMat &src2)
	計算兩個矩陣的按位析取 (src1 | src2)。計算兩個相同大小矩陣的逐元素按位邏輯析取。
GMat	bitwise_or (const GMat &src1, const GScalar &src2)
GMat	bitwise_xor (const GMat &src1, const GMat &src2)
	計算兩個矩陣的按位邏輯“異或” (src1 ^ src2)。計算兩個相同大小矩陣的逐元素按位邏輯“異或”。
GMat	bitwise_xor (const GMat &src1, const GScalar &src2)
GMat	blur (const GMat &src, const Size &ksize, const Point &anchor=Point(-1,-1), int borderType=BORDER_DEFAULT, const Scalar &borderValue=Scalar(0))
	使用歸一化盒式濾波器模糊影像。
GOpaque< Rect >	boundingRect (const GArray< Point2f > &src)
GOpaque< Rect >	boundingRect (const GArray< Point2i > &src)
GOpaque< Rect >	boundingRect (const GMat &src)
	計算點集或灰度影像非零畫素的直立邊界矩形。
GMat	boxFilter (const GMat &src, int dtype, const Size &ksize, const Point &anchor=Point(-1,-1), bool normalize=true, int borderType=BORDER_DEFAULT, const Scalar &borderValue=Scalar(0))
	使用方框濾波器模糊影像。
std::tuple< GArray< GMat >, GScalar >	buildOpticalFlowPyramid (const GMat &img, const Size &winSize, const GScalar &maxLevel, bool withDerivatives=true, int pyrBorder=BORDER_REFLECT_101, int derivBorder=BORDER_CONSTANT, bool tryReuseInputImage=true)
	構造可傳遞給 calcOpticalFlowPyrLK 的影像金字塔。
std::tuple< GArray< Point2f >, GArray< uchar >, GArray< float > >	calcOpticalFlowPyrLK (const GArray< GMat > &prevPyr, const GArray< GMat > &nextPyr, const GArray< Point2f > &prevPts, const GArray< Point2f > &predPts, const Size &winSize=Size(21, 21), const GScalar &maxLevel=3, const TermCriteria &criteria=TermCriteria(TermCriteria::COUNT|TermCriteria::EPS, 30, 0.01), int flags=0, double minEigThresh=1e-4)
std::tuple< GArray< Point2f >, GArray< uchar >, GArray< float > >	calcOpticalFlowPyrLK (const GMat &prevImg, const GMat &nextImg, const GArray< Point2f > &prevPts, const GArray< Point2f > &predPts, const Size &winSize=Size(21, 21), const GScalar &maxLevel=3, const TermCriteria &criteria=TermCriteria(TermCriteria::COUNT|TermCriteria::EPS, 30, 0.01), int flags=0, double minEigThresh=1e-4)
	使用具有金字塔的迭代 Lucas-Kanade 方法計算稀疏特徵集的光流。
GMat	Canny (const GMat &image, double threshold1, double threshold2, int apertureSize=3, bool L2gradient=false)
	使用Canny演算法在影像中查詢邊緣。
std::tuple< GMat, GMat >	cartToPolar (const GMat &x, const GMat &y, bool angleInDegrees=false)
	Calculates the magnitude and angle of 2D vectors.
GMat	cmpEQ (const GMat &src1, const GMat &src2)
	執行兩個矩陣的逐元素比較，檢查第一個矩陣的元素是否等於第二個矩陣中的元素。
GMat	cmpEQ (const GMat &src1, const GScalar &src2)
GMat	cmpGE (const GMat &src1, const GMat &src2)
	執行兩個矩陣的逐元素比較，檢查第一個矩陣的元素是否大於或等於第二個矩陣中的元素。
GMat	cmpGE (const GMat &src1, const GScalar &src2)
GMat	cmpGT (const GMat &src1, const GMat &src2)
	執行兩個矩陣的逐元素比較，檢查第一個矩陣的元素是否大於第二個矩陣中的元素。
GMat	cmpGT (const GMat &src1, const GScalar &src2)
GMat	cmpLE (const GMat &src1, const GMat &src2)
	執行兩個矩陣的逐元素比較，檢查第一個矩陣的元素是否小於或等於第二個矩陣中的元素。
GMat	cmpLE (const GMat &src1, const GScalar &src2)
GMat	cmpLT (const GMat &src1, const GMat &src2)
	執行兩個矩陣的逐元素比較，檢查第一個矩陣的元素是否小於第二個矩陣中的元素。
GMat	cmpLT (const GMat &src1, const GScalar &src2)
GMat	cmpNE (const GMat &src1, const GMat &src2)
	執行兩個矩陣的逐元素比較，檢查第一個矩陣的元素是否不等於第二個矩陣中的元素。
GMat	cmpNE (const GMat &src1, const GScalar &src2)
template<typename... Ps>
cv::GKernelPackage	combine (const cv::GKernelPackage &a, const cv::GKernelPackage &b, Ps &&... rest)
	將多個 G-API 核包組合成一個。
cv::GKernelPackage	combine (const cv::GKernelPackage &lhs, const cv::GKernelPackage &rhs)
GMat	concatHor (const GMat &src1, const GMat &src2)
	對給定矩陣進行水平連線。
GMat	concatHor (const std::vector< GMat > &v)
GMat	concatVert (const GMat &src1, const GMat &src2)
	對給定矩陣執行垂直連線。
GMat	concatVert (const std::vector< GMat > &v)
GMat	convertTo (const GMat &src, int rdepth, double alpha=1, double beta=0)
	將矩陣轉換為另一種資料深度，並可選擇縮放。
GFrame	copy (const GFrame &in)
	複製輸入幀。請注意，此複製可能不是真實的（未實際複製資料）。使用此函式來維護圖契約，例如當圖的輸入需要直接傳遞到輸出時，如在流模式下。
GMat	copy (const GMat &in)
	複製輸入影像。請注意，此複製可能不是真實的（未實際複製資料）。使用此函式來維護圖契約，例如當圖的輸入需要直接傳遞到輸出時，如在流模式下。
GOpaque< int >	countNonZero (const GMat &src)
	Counts non-zero array elements.
GMat	crop (const GMat &src, const Rect &rect)
	裁剪二維矩陣。
template<>
cv::GComputation	deserialize (const std::vector< char > &bytes)
	從位元組陣列反序列化 GComputation。
template<>
cv::GMetaArgs	deserialize (const std::vector< char > &bytes)
	從位元組陣列反序列化 GMetaArgs。
template<>
cv::GRunArgs	deserialize (const std::vector< char > &bytes)
	從位元組陣列反序列化 GRunArgs。
template<>
std::vector< std::string >	deserialize (const std::vector< char > &bytes)
	從位元組陣列反序列化 std::vector<std::string>。
template<typename T , typename... Types>
std::enable_if< std::is_same< T, GCompileArgs >::value, GCompileArgs >::type	deserialize (const std::vector< char > &bytes)
	從位元組陣列反序列化模板中指定型別的 GCompileArgs。
template<typename T , typename AtLeastOneAdapterT , typename... AdapterTypes>
std::enable_if< std::is_same< T, GRunArgs >::value, GRunArgs >::type	deserialize (const std::vector< char > &bytes)
	從位元組陣列反序列化 GRunArgs，包括 RMat 和 MediaFrame 物件（如果有）。
GMat	dilate (const GMat &src, const Mat &kernel, const Point &anchor=Point(-1,-1), int iterations=1, int borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())
	使用特定的結構元素對影像進行膨脹。
GMat	dilate3x3 (const GMat &src, int iterations=1, int borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())
	使用 3x3 矩形結構元素對影像進行膨脹。
GMat	div (const GMat &src1, const GMat &src2, double scale, int ddepth=-1)
	執行兩個矩陣的逐元素除法。
GMat	divC (const GMat &src, const GScalar &divisor, double scale, int ddepth=-1)
	矩陣除以標量。
GMat	divRC (const GScalar &divident, const GMat &src, double scale, int ddepth=-1)
	標量除以矩陣。
GMat	equalizeHist (const GMat &src)
GMat	erode (const GMat &src, const Mat &kernel, const Point &anchor=Point(-1,-1), int iterations=1, int borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())
	使用特定的結構元素對影像進行腐蝕。
GMat	erode3x3 (const GMat &src, int iterations=1, int borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())
	使用 3x3 矩形結構元素對影像進行腐蝕。
GMat	filter2D (const GMat &src, int ddepth, const Mat &kernel, const Point &anchor=Point(-1,-1), const Scalar &delta=Scalar(0), int borderType=BORDER_DEFAULT, const Scalar &borderValue=Scalar(0))
	使用核函式對影像進行卷積。
GArray< GArray< Point > >	findContours (const GMat &src, const RetrievalModes mode, const ContourApproximationModes method)
GArray< GArray< Point > >	findContours (const GMat &src, const RetrievalModes mode, const ContourApproximationModes method, const GOpaque< Point > &offset)
	在二值影像中查詢輪廓。
std::tuple< GArray< GArray< Point > >, GArray< Vec4i > >	findContoursH (const GMat &src, const RetrievalModes mode, const ContourApproximationModes method)
std::tuple< GArray< GArray< Point > >, GArray< Vec4i > >	findContoursH (const GMat &src, const RetrievalModes mode, const ContourApproximationModes method, const GOpaque< Point > &offset)
	在二值影像中查詢輪廓及其層次結構。
GOpaque< Vec4f >	fitLine2D (const GArray< Point2d > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
GOpaque< Vec4f >	fitLine2D (const GArray< Point2f > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
GOpaque< Vec4f >	fitLine2D (const GArray< Point2i > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
GOpaque< Vec4f >	fitLine2D (const GMat &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
	將直線擬合到 2D 點集。
GOpaque< Vec6f >	fitLine3D (const GArray< Point3d > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
GOpaque< Vec6f >	fitLine3D (const GArray< Point3f > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
GOpaque< Vec6f >	fitLine3D (const GArray< Point3i > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
GOpaque< Vec6f >	fitLine3D (const GMat &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
	將直線擬合到 3D 點集。
GMat	flip (const GMat &src, int flipCode)
	圍繞垂直、水平或兩個軸翻轉二維矩陣。
GMat	gaussianBlur (const GMat &src, const Size &ksize, double sigmaX, double sigmaY=0, int borderType=BORDER_DEFAULT, const Scalar &borderValue=Scalar(0))
	使用高斯濾波器模糊影像。
template<typename T >
cv::util::optional< T >	getCompileArg (const cv::GCompileArgs &args)
	從 cv::GCompileArgs 中按型別檢索特定編譯引數。
GArray< Point2f >	goodFeaturesToTrack (const GMat &image, int maxCorners, double qualityLevel, double minDistance, const Mat &mask=Mat(), int blockSize=3, bool useHarrisDetector=false, double k=0.04)
	檢測影像中的強角點。
GMat	I4202BGR (const GMat &src)
	將影像從 I420 色彩空間轉換為 BGR 色彩空間。
GMat	I4202RGB (const GMat &src)
	將影像從 I420 色彩空間轉換為 BGR 色彩空間。
template<typename Net , typename... Args>
Net::Result	infer (Args &&... args)
	根據輸入資料，計算指定網路（模板引數）的響應。
template<typename T = Generic>
cv::GInferListOutputs	infer (const std::string &tag, const cv::GArray< cv::Rect > &rois, const cv::GInferInputs &inputs)
	為源影像中的每個區域計算指定網路的響應。
template<typename T = Generic>
cv::GInferOutputs	infer (const std::string &tag, const cv::GInferInputs &inputs)
	計算通用網路的響應。
template<typename T = Generic>
cv::GInferOutputs	infer (const std::string &tag, const cv::GOpaque< cv::Rect > &roi, const cv::GInferInputs &inputs)
	為源影像中指定區域的通用網路計算響應。目前僅支援單輸入網路。
template<typename Net , typename... Args>
Net::ResultL	infer (cv::GArray< cv::Rect > roi, Args &&... args)
	為源影像中每個區域的指定網路（模板引數）計算響應。
template<typename Net , typename T >
Net::Result	infer (cv::GOpaque< cv::Rect > roi, T in)
	為源影像中指定區域的指定網路（模板引數）計算響應。目前僅支援單輸入網路。
template<typename T = Generic, typename Input >
std::enable_if< cv::detail::accepted_infer__types< Input >::value, cv::GInferListOutputs >::type	infer2 (const std::string &tag, const Input &in, const cv::GInferListInputs &inputs)
	為源影像中的每個區域計算指定網路的響應，擴充套件版本。
template<typename Net , typename T , typename... Args>
Net::ResultL	infer2 (T image, cv::GArray< Args >... args)
	為源影像中的每個區域計算指定網路（模板引數）的響應，擴充套件版本。
GMat	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 >	integral (const GMat &src, int sdepth=-1, int sqdepth=-1)
	計算影像的積分。
void	island (const std::string &name, GProtoInputArgs &&ins, GProtoOutputArgs &&outs)
	在計算中定義一個帶標籤的島嶼（子圖）。
GMat	KalmanFilter (const GMat &measurement, const GOpaque< bool > &haveMeasurement, const cv::gapi::KalmanParams &kfParams)
GMat	KalmanFilter (const GMat &measurement, const GOpaque< bool > &haveMeasurement, const GMat &control, const cv::gapi::KalmanParams &kfParams)
	標準卡爾曼濾波演算法 http://en.wikipedia.org/wiki/Kalman_filter。
template<typename... KK>
GKernelPackage	kernels ()
	建立一個包含變參模板引數中指定的核和轉換的核包物件。
template<typename... FF>
GKernelPackage	kernels (FF &... functors)
std::tuple< GOpaque< double >, GArray< int >, GArray< Point2f > >	kmeans (const GArray< Point2f > &data, const int K, const GArray< int > &bestLabels, const TermCriteria &criteria, const int attempts, const KmeansFlags flags)
std::tuple< GOpaque< double >, GArray< int >, GArray< Point3f > >	kmeans (const GArray< Point3f > &data, const int K, const GArray< int > &bestLabels, const TermCriteria &criteria, const int attempts, const KmeansFlags flags)
std::tuple< GOpaque< double >, GMat, GMat >	kmeans (const GMat &data, const int K, const GMat &bestLabels, const TermCriteria &criteria, const int attempts, const KmeansFlags flags)
	查詢聚類中心並將輸入樣本圍繞聚類分組。
std::tuple< GOpaque< double >, GMat, GMat >	kmeans (const GMat &data, const int K, const TermCriteria &criteria, const int attempts, const KmeansFlags flags)
GMat	Laplacian (const GMat &src, int ddepth, int ksize=1, double scale=1, double delta=0, int borderType=BORDER_DEFAULT)
	計算影像的拉普拉斯運算元。
GMat	LUT (const GMat &src, const Mat &lut)
	對矩陣執行查詢錶轉換。
GMat	LUV2BGR (const GMat &src)
	將影像從 LUV 色彩空間轉換為 BGR 色彩空間。
GMat	mask (const GMat &src, const GMat &mask)
	將掩碼應用於矩陣。
GMat	max (const GMat &src1, const GMat &src2)
	計算兩個矩陣的逐元素最大值。
GScalar	mean (const GMat &src)
	計算矩陣元素的平均值。
GMat	medianBlur (const GMat &src, int ksize)
	使用中值濾波器模糊影像。
GMat	merge3 (const GMat &src1, const GMat &src2, const GMat &src3)
	從3個單通道矩陣建立一個3通道矩陣。
GMat	merge4 (const GMat &src1, const GMat &src2, const GMat &src3, const GMat &src4)
	將 4 個單通道矩陣合併為一個 4 通道矩陣。
GMat	min (const GMat &src1, const GMat &src2)
	計算兩個矩陣的逐元素最小值。
GMat	morphologyEx (const GMat &src, const MorphTypes op, const Mat &kernel, const Point &anchor=Point(-1,-1), const int iterations=1, const BorderTypes borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())
	執行高階形態學變換。
GMat	mul (const GMat &src1, const GMat &src2, double scale=1.0, int ddepth=-1)
	計算兩個矩陣的逐元素縮放積。
GMat	mulC (const GMat &src, const GScalar &multiplier, int ddepth=-1)
	這是一個過載成員函式，為方便起見提供。它與上述函式的區別僅在於其接受的引數。
GMat	mulC (const GMat &src, double multiplier, int ddepth=-1)
	矩陣乘以標量。
GMat	mulC (const GScalar &multiplier, const GMat &src, int ddepth=-1)
	這是一個過載成員函式，為方便起見提供。它與上述函式的區別僅在於其接受的引數。
template<typename... Args>
cv::gapi::GNetPackage	networks (Args &&... args)
GMat	normalize (const GMat &src, double alpha, double beta, int norm_type, int ddepth=-1)
	對陣列的範數或值範圍進行歸一化。
GScalar	normInf (const GMat &src)
	計算矩陣的絕對無窮範數。
GScalar	normL1 (const GMat &src)
	計算矩陣的絕對 L1 範數。
GScalar	normL2 (const GMat &src)
	計算矩陣的絕對 L2 範數。
GMat	NV12toBGR (const GMat &src_y, const GMat &src_uv)
	將影像從 NV12 (YUV420p) 色彩空間轉換為 BGR。此函式將輸入影像從 NV12 色彩空間轉換為 RGB。Y、U 和 V 通道值的常規範圍是 0 到 255。
GMatP	NV12toBGRp (const GMat &src_y, const GMat &src_uv)
	將影像從 NV12 (YUV420p) 色彩空間轉換為 BGR。此函式將輸入影像從 NV12 色彩空間轉換為 BGR。Y、U 和 V 通道值的常規範圍是 0 到 255。
GMat	NV12toGray (const GMat &src_y, const GMat &src_uv)
	將影像從 NV12 (YUV420p) 色彩空間轉換為灰度。此函式將輸入影像從 NV12 色彩空間轉換為灰度。Y、U 和 V 通道值的常規範圍是 0 到 255。
GMat	NV12toRGB (const GMat &src_y, const GMat &src_uv)
	將影像從 NV12 (YUV420p) 色彩空間轉換為 RGB。此函式將輸入影像從 NV12 色彩空間轉換為 RGB。Y、U 和 V 通道值的常規範圍是 0 到 255。
GMatP	NV12toRGBp (const GMat &src_y, const GMat &src_uv)
	將影像從 NV12 (YUV420p) 色彩空間轉換為 RGB。此函式將輸入影像從 NV12 色彩空間轉換為 RGB。Y、U 和 V 通道值的常規範圍是 0 到 255。
bool	operator!= (const GBackend &lhs, const GBackend &rhs)
cv::gapi::GNetPackage &	operator+= (cv::gapi::GNetPackage &lhs, const cv::gapi::GNetPackage &rhs)
GArray< Rect >	parseSSD (const GMat &in, const GOpaque< Size > &inSz, const float confidenceThreshold, const bool alignmentToSquare, const bool filterOutOfBounds)
	解析 SSD 網路的輸出。
std::tuple< GArray< Rect >, GArray< int > >	parseSSD (const GMat &in, const GOpaque< Size > &inSz, const float confidenceThreshold=0.5f, const int filterLabel=-1)
	解析 SSD 網路的輸出。
std::tuple< GArray< Rect >, GArray< int > >	parseYolo (const GMat &in, const GOpaque< Size > &inSz, const float confidenceThreshold=0.5f, const float nmsThreshold=0.5f, const std::vector< float > &anchors=nn::parsers::GParseYolo::defaultAnchors())
	解析 Yolo 網路的輸出。
GMat	phase (const GMat &x, const GMat &y, bool angleInDegrees=false)
	計算二維向量的旋轉角度。
std::tuple< GMat, GMat >	polarToCart (const GMat &magnitude, const GMat &angle, bool angleInDegrees=false)
	從 2D 向量的幅度和角度計算其 x 和 y 座標。
GMat	remap (const GMat &src, const Mat &map1, const Mat &map2, int interpolation, int borderMode=BORDER_CONSTANT, const Scalar &borderValue=Scalar())
	對影像應用通用幾何變換。
GMat	resize (const GMat &src, const Size &dsize, double fx=0, double fy=0, int interpolation=INTER_LINEAR)
	調整影像大小。
GMatP	resizeP (const GMatP &src, const Size &dsize, int interpolation=cv::INTER_LINEAR)
	調整平面圖像大小。
GMat	RGB2Gray (const GMat &src)
	將影像從 RGB 色彩空間轉換為灰度。
GMat	RGB2Gray (const GMat &src, float rY, float gY, float bY)
GMat	RGB2HSV (const GMat &src)
	將影像從 RGB 色彩空間轉換為 HSV。此函式將輸入影像從 RGB 色彩空間轉換為 HSV。R、G 和 B 通道值的常規範圍是 0 到 255。
GMat	RGB2I420 (const GMat &src)
	將影像從 RGB 色彩空間轉換為 I420 色彩空間。
GMat	RGB2Lab (const GMat &src)
	將影像從 RGB 色彩空間轉換為 Lab 色彩空間。
GMat	RGB2YUV (const GMat &src)
	將影像從 RGB 色彩空間轉換為 YUV 色彩空間。
GMat	RGB2YUV422 (const GMat &src)
	將影像從 RGB 色彩空間轉換為 YUV422。此函式將輸入影像從 RGB 色彩空間轉換為 YUV422。R、G 和 B 通道值的常規範圍是 0 到 255。
GMat	select (const GMat &src1, const GMat &src2, const GMat &mask)
	根據給定掩膜從第一個或第二個輸入矩陣中選擇值。如果掩膜矩陣的對應值為 255，則函式將輸出矩陣設定為第一個輸入矩陣的值；如果掩膜矩陣的值設定為 0，則設定為第二個輸入矩陣的值。
GMat	sepFilter (const GMat &src, int ddepth, const Mat &kernelX, const Mat &kernelY, const Point &anchor, const Scalar &delta, int borderType=BORDER_DEFAULT, const Scalar &borderValue=Scalar(0))
	對矩陣（影像）應用可分離線性濾波器。
std::vector< char >	serialize (const cv::GCompileArgs &ca)
std::vector< char >	serialize (const cv::GComputation &c)
	將 GComputation 表示的圖序列化為位元組陣列。
std::vector< char >	serialize (const cv::GMetaArgs &ma)
std::vector< char >	serialize (const cv::GRunArgs &ra)
std::vector< char >	serialize (const std::vector< std::string > &vs)
GMat	Sobel (const GMat &src, int ddepth, int dx, int dy, int ksize=3, double scale=1, double delta=0, int borderType=BORDER_DEFAULT, const Scalar &borderValue=Scalar(0))
	使用擴充套件的 Sobel 運算子計算影像的一階、二階、三階或混合導數。
std::tuple< GMat, GMat >	SobelXY (const GMat &src, int ddepth, int order, int ksize=3, double scale=1, double delta=0, int borderType=BORDER_DEFAULT, const Scalar &borderValue=Scalar(0))
	使用擴充套件的 Sobel 運算子計算影像的一階、二階、三階或混合導數。
std::tuple< GMat, GMat, GMat >	split3 (const GMat &src)
	將3通道矩陣分成3個單通道矩陣。
std::tuple< GMat, GMat, GMat, GMat >	split4 (const GMat &src)
	將一個4通道矩陣分割成4個單通道矩陣。
GMat	sqrt (const GMat &src)
	計算陣列元素的平方根。
GMat	stereo (const GMat &left, const GMat &right, const StereoOutputFormat of=StereoOutputFormat::DEPTH_FLOAT32)
	計算指定立體對的視差/深度圖。該函式根據傳入的StereoOutputFormat引數計算視差或深度圖。
GMat	sub (const GMat &src1, const GMat &src2, int ddepth=-1)
	計算兩個矩陣的逐元素差值。
GMat	subC (const GMat &src, const GScalar &c, int ddepth=-1)
	計算矩陣與給定標量之間的逐元素差值。
GMat	subRC (const GScalar &c, const GMat &src, int ddepth=-1)
	計算給定標量與矩陣之間的逐元素差值。
GScalar	sum (const GMat &src)
	計算所有矩陣元素的總和。
std::tuple< GMat, GScalar >	threshold (const GMat &src, const GScalar &maxval, int type)
GMat	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。
GMat	transpose (const GMat &src)
	轉置矩陣。
GMat	warpAffine (const GMat &src, const Mat &M, const Size &dsize, int flags=cv::INTER_LINEAR, int borderMode=cv::BORDER_CONSTANT, const Scalar &borderValue=Scalar())
	對影像應用仿射變換。
GMat	warpPerspective (const GMat &src, const Mat &M, const Size &dsize, int flags=cv::INTER_LINEAR, int borderMode=cv::BORDER_CONSTANT, const Scalar &borderValue=Scalar())
	對影像應用透視變換。
GMat	YUV2BGR (const GMat &src)
	將影像從YUV色彩空間轉換為BGR色彩空間。
GMat	YUV2RGB (const GMat &src)
	將影像從YUV色彩空間轉換為RGB。此函式將輸入影像從YUV色彩空間轉換為RGB。Y、U和V通道值的常規範圍是0到255。

型別定義文件

GKernelPackage

using cv::gapi::GKernelPackage = cv::GKernelPackage

列舉型別文件

StereoOutputFormat

enum class cv::gapi::StereoOutputFormat

strong

此列舉指定從cv::gapi::stereo獲得的L結果格式。

列舉器
DEPTH_FLOAT16	16位浮點值，CV_16FC1。此識別符號已棄用，請改用DEPTH_16F。
DEPTH_FLOAT32	32位浮點值，CV_32FC1。此識別符號已棄用，請改用DEPTH_16F。
DISPARITY_FIXED16_11_5	16位有符號數：第一位表示符號，10位表示整數部分，5位表示小數部分。此識別符號已棄用，請改用DISPARITY_16Q_10_5。
DISPARITY_FIXED16_12_4	16位有符號數：第一位表示符號，11位表示整數部分，4位表示小數部分。此識別符號已棄用，請改用DISPARITY_16Q_11_4。
DEPTH_16F	與DEPTH_FLOAT16相同。
DEPTH_32F	與DEPTH_FLOAT32相同。
DISPARITY_16Q_10_5	與DISPARITY_FIXED16_11_5相同。
DISPARITY_16Q_11_4	與DISPARITY_FIXED16_12_4相同。

函式文件

combine() [1/2]

template<typename... Ps>

cv::GKernelPackage cv::gapi::combine	(	const cv::GKernelPackage &	a,
		const cv::GKernelPackage &	b,
		Ps &&...	rest )

Python
	cv.gapi.combine(	lhs, rhs	) ->	retval

將多個 G-API 核包組合成一個。

這是一個過載成員函式，為方便起見提供。它與上述函式的區別僅在於其接受的引數。

此函式使用右摺疊（right fold）連續組合傳入的核心包。呼叫 combine(a, b, c) 等同於 combine(a, combine(b, c))。

返回

結果核心包

此函式的呼叫圖如下

combine() [2/2]

cv::GKernelPackage cv::gapi::combine	(	const cv::GKernelPackage &	lhs,
		const cv::GKernelPackage &	rhs )

Python
	cv.gapi.combine(	lhs, rhs	) ->	retval

deserialize() [1/3]

template<>

cv::GMetaArgs cv::gapi::deserialize ( const std::vector< char > & bytes )

inline

從位元組陣列反序列化 GMetaArgs。

檢查不同的過載以獲取更多示例。

引數

bytes

序列化的位元組向量。

返回

反序列化的GMetaArgs物件。

deserialize() [2/3]

template<>

cv::GRunArgs cv::gapi::deserialize ( const std::vector< char > & bytes )

inline

從位元組陣列反序列化 GRunArgs。

檢查不同的過載以獲取更多示例。

引數

bytes

序列化的位元組向量。

返回

反序列化的GRunArgs物件。

deserialize() [3/3]

template<>

std::vector< std::string > cv::gapi::deserialize ( const std::vector< char > & bytes )

inline

從位元組陣列反序列化 std::vector<std::string>。

檢查不同的過載以獲取更多示例。

引數

bytes

序列化的位元組向量。

返回

反序列化的std::vector<std::string>物件。

equalizeHist()

GMat cv::gapi::equalizeHist

(

const GMat &

src

)

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

gapi_feature

此函式使用以下演算法均衡輸入影像的直方圖：

• 計算src的直方圖\(H\)。
• 歸一化直方圖，使直方圖 bin 的總和為255。
• 計算直方圖的積分

  \[H'_i = \sum _{0 \le j < i} H(j)\]

• 使用 \(H'\) 作為查詢表變換影像： \(\texttt{dst}(x,y) = H'(\texttt{src}(x,y))\)

該演算法可對影像亮度進行歸一化並增強對比度。

注意

• 返回的影像與輸入影像大小和型別相同。
• 函式文字ID為 "org.opencv.imgproc.equalizeHist"

引數

src

源8位單通道影像。

getCompileArg()

template<typename T >

cv::util::optional< T > cv::gapi::getCompileArg ( const cv::GCompileArgs & args )

inline

從 cv::GCompileArgs 中按型別檢索特定編譯引數。

infer() [1/6]

template<typename Net , typename... Args>

Net::Result cv::gapi::infer

(

Args &&...

args

)

Python
	cv.gapi.infer(	name, inputs	) ->	retval
	cv.gapi.infer(	name, roi, inputs	) ->	retval
	cv.gapi.infer(	name, rois, inputs	) ->	retval

根據輸入資料，計算指定網路（模板引數）的響應。

模板引數

A	使用G_API_NET()宏定義的網路型別。

引數

args	在G_API_NET()宏中指定的網路輸入引數。

返回

在G_API_NET()中定義的返回型別物件。如果網路有多個返回值（使用元組定義），則返回相應型別的物件元組。

另請參見

G_API_NET()

infer() [2/6]

template<typename T = Generic>

cv::GInferListOutputs cv::gapi::infer	(	const std::string &	tag,
		const cv::GArray< cv::Rect > &	rois,
		const cv::GInferInputs &	inputs )

Python
	cv.gapi.infer(	name, inputs	) ->	retval
	cv.gapi.infer(	name, roi, inputs	) ->	retval
	cv.gapi.infer(	name, rois, inputs	) ->	retval

為源影像中的每個區域計算指定網路的響應。

引數

tag	網路標籤
rois	描述源影像中感興趣區域的矩形列表。通常是物件檢測器或跟蹤器的輸出。
inputs	網路的輸入

返回

一個cv::GInferListOutputs物件。

此函式的呼叫圖如下

infer() [3/6]

template<typename T = Generic>

cv::GInferOutputs cv::gapi::infer	(	const std::string &	tag,
		const cv::GInferInputs &	inputs )

Python
	cv.gapi.infer(	name, inputs	) ->	retval
	cv.gapi.infer(	name, roi, inputs	) ->	retval
	cv.gapi.infer(	name, rois, inputs	) ->	retval

計算通用網路的響應。

引數

tag	網路標籤
inputs	網路的輸入

返回

一個GInferOutputs物件。

此函式的呼叫圖如下

infer() [4/6]

template<typename T = Generic>

cv::GInferOutputs cv::gapi::infer	(	const std::string &	tag,
		const cv::GOpaque< cv::Rect > &	roi,
		const cv::GInferInputs &	inputs )

Python
	cv.gapi.infer(	name, inputs	) ->	retval
	cv.gapi.infer(	name, roi, inputs	) ->	retval
	cv.gapi.infer(	name, rois, inputs	) ->	retval

為源影像中指定區域的通用網路計算響應。目前僅支援單輸入網路。

引數

tag	網路標籤
roi	一個描述源影像中感興趣區域的物件。可能在同一圖中動態計算。
inputs	網路的輸入

返回

一個cv::GInferOutputs物件。

此函式的呼叫圖如下

infer() [5/6]

template<typename Net , typename... Args>

Net::ResultL cv::gapi::infer	(	cv::GArray< cv::Rect >	roi,
		Args &&...	args )

Python
	cv.gapi.infer(	name, inputs	) ->	retval
	cv.gapi.infer(	name, roi, inputs	) ->	retval
	cv.gapi.infer(	name, rois, inputs	) ->	retval

為源影像中每個區域的指定網路（模板引數）計算響應。

模板引數

A	使用G_API_NET()宏定義的網路型別。

引數

roi	描述源影像中感興趣區域的矩形列表。通常是物件檢測器或跟蹤器的輸出。
args	G_API_NET()宏中指定的網路輸入引數。注意：經驗證，僅在1輸入拓撲結構下可靠工作。

返回

G_API_NET()中定義的返回型別物件列表。如果網路有多個返回值（使用元組定義），則返回一個GArray<>物件元組，其中包含適當的型別。

另請參見

G_API_NET()

infer() [6/6]

template<typename Net , typename T >

Net::Result cv::gapi::infer	(	cv::GOpaque< cv::Rect >	roi,
		T	in )

Python
	cv.gapi.infer(	name, inputs	) ->	retval
	cv.gapi.infer(	name, roi, inputs	) ->	retval
	cv.gapi.infer(	name, rois, inputs	) ->	retval

為源影像中指定區域的指定網路（模板引數）計算響應。目前僅支援單輸入網路。

模板引數

A	使用G_API_NET()宏定義的網路型別。

引數

in	從中獲取ROI的輸入影像。
roi	一個描述源影像中感興趣區域的物件。可能在同一圖中動態計算。

返回

在G_API_NET()中定義的返回型別物件。如果網路有多個返回值（使用元組定義），則返回相應型別的物件元組。

另請參見

G_API_NET()

infer2() [1/2]

template<typename T = Generic, typename Input >

std::enable_if< cv::detail::accepted_infer__types< Input >::value, cv::GInferListOutputs >::type cv::gapi::infer2	(	const std::string &	tag,
		const Input &	in,
		const cv::GInferListInputs &	inputs )

Python
	cv.gapi.infer2(	name, in_, inputs	) ->	retval

為源影像中的每個區域計算指定網路的響應，擴充套件版本。

引數

tag	網路標籤
in	包含感興趣區域的源影像。
inputs	網路的輸入

返回

一個cv::GInferListOutputs物件。

此函式的呼叫圖如下

infer2() [2/2]

template<typename Net , typename T , typename... Args>

Net::ResultL cv::gapi::infer2	(	T	image,
		cv::GArray< Args >...	args )

Python
	cv.gapi.infer2(	name, in_, inputs	) ->	retval

為源影像中的每個區域計算指定網路（模板引數）的響應，擴充套件版本。

模板引數

A	使用G_API_NET()宏定義的網路型別。

引數

image	包含感興趣區域的源影像
args	cv::Rect 或 cv::GMat 的 GArray<> 物件，每個網路輸入對應一個 如果傳入一個 `cv::GArray`，則從影像中取出相應的區域並預處理到此特定網路輸入； 如果傳入一個 `cv::GArray`，則底層資料被視為張量（不發生自動預處理）。

返回

G_API_NET()中定義的返回型別物件列表。如果網路有多個返回值（使用元組定義），則返回一個GArray<>物件元組，其中包含適當的型別。

另請參見

G_API_NET()

island()

void cv::gapi::island	(	const std::string &	name,
		GProtoInputArgs &&	ins,
		GProtoOutputArgs &&	outs )

在計算中定義一個帶標籤的島嶼（子圖）。

宣告一個以name標記的Island，其定義範圍從ins到outs（不包括ins和outs本身，因為它們是資料物件，區域劃分在操作級別進行）。如果ins和outs之間的任何操作已被分配給另一個island，則丟擲異常。

Island 允許將圖劃分為子圖，從而微調底層執行器排程圖的方式。

引數

name	要建立的Island的名稱
ins	子圖開始的輸入資料物件向量
outs	子圖結束的輸出資料物件向量。

定義island的方式類似於在輸入/輸出資料物件上定義cv::GComputation的方式。相同的規則也適用於此——如果輸入和輸出之間沒有函式依賴關係，或者沒有指定足夠的輸入資料物件來正確計算所有輸出，則會丟擲異常。

使用cv::GIn() / cv::GOut()指定輸入/輸出向量。

kmeans() [1/4]

std::tuple< GOpaque< double >, GArray< int >, GArray< Point2f > > cv::gapi::kmeans	(	const GArray< Point2f > &	data,
		const int	輸入的相機內參矩陣。,
		const GArray< int > &	bestLabels,
		const TermCriteria &	criteria,
		const int	嘗試次數,
		const KmeansFlags	flags )

Python
	cv.gapi.kmeans(	data, K, bestLabels, criteria, attempts, flags	) ->	retval
	cv.gapi.kmeans(	data, K, criteria, attempts, flags	) ->	retval

這是一個過載成員函式，為方便起見提供。它與上述函式的區別僅在於其接受的引數。

注意

函式文字ID為 "org.opencv.core.kmeans2D"

kmeans() [2/4]

std::tuple< GOpaque< double >, GArray< int >, GArray< Point3f > > cv::gapi::kmeans	(	const GArray< Point3f > &	data,
		const int	輸入的相機內參矩陣。,
		const GArray< int > &	bestLabels,
		const TermCriteria &	criteria,
		const int	嘗試次數,
		const KmeansFlags	flags )

Python
	cv.gapi.kmeans(	data, K, bestLabels, criteria, attempts, flags	) ->	retval
	cv.gapi.kmeans(	data, K, criteria, attempts, flags	) ->	retval

這是一個過載成員函式，為方便起見提供。它與上述函式的區別僅在於其接受的引數。

注意

函式文字ID為 "org.opencv.core.kmeans3D"

kmeans() [3/4]

std::tuple< GOpaque< double >, GMat, GMat > cv::gapi::kmeans	(	const GMat &	data,
		const int	輸入的相機內參矩陣。,
		const GMat &	bestLabels,
		const TermCriteria &	criteria,
		const int	嘗試次數,
		const KmeansFlags	flags )

Python
	cv.gapi.kmeans(	data, K, bestLabels, criteria, attempts, flags	) ->	retval
	cv.gapi.kmeans(	data, K, criteria, attempts, flags	) ->	retval

查詢聚類中心並將輸入樣本圍繞聚類分組。

kmeans函式實現了一個k-means演算法，該演算法找到K個聚類的中心並將輸入樣本分組到這些聚類周圍。作為輸出，\(\texttt{bestLabels}_i\) 包含第\(i\)個樣本的基於0的聚類索引。

注意

• 函式文字ID為 "org.opencv.core.kmeansND"
• 在給定N維點集的情況下，輸入GMat可以具有以下特性：2維，如果存在N個通道則為單行或單列，如果為單通道則為N列。Mat的深度應為CV_32F。
• 此外，如果傳入的資料GMat的高度 != 1、寬度 != 1、通道數 != 1，則n維樣本被視為以A的數量給出，其中A = 高度，n = 寬度 * 通道數。
• 如果GMat作為資料給出
  • 輸出標籤以1通道GMat返回，其大小為：寬度 = 1，高度 = A（其中A為樣本數量），或者如果提供了bestLabels，則寬度 = bestLabels.width，高度 = bestLabels.height；
  • 聚類中心以1通道GMat返回，其大小為：寬度 = n，高度 = K（其中n為樣本維度，K為聚類數量）。
• 作為可能的用法之一，如果你想自己控制每次嘗試的初始標籤，你可以只使用函式的核心功能。為此，將嘗試次數設定為1，每次使用自定義演算法初始化標籤，並使用（ flags = KMEANS_USE_INITIAL_LABELS ）標誌傳遞它們，然後選擇最佳（最緊湊）的聚類。

引數

data	用於聚類的資料。需要一個具有浮點座標的N維點陣列。函式可以接受 GArray<Point2f>、GArray<Point3f> 用於2D和3D情況，或 GMat 用於任何維度和通道。
輸入的相機內參矩陣。	將集合分割成的簇的數量。
bestLabels	可選的輸入整數陣列，可儲存每個樣本的假定初始聚類索引。當設定 ( flags = KMEANS_USE_INITIAL_LABELS ) 標誌時使用。
criteria	演算法終止準則，即最大迭代次數和/或所需精度。精度由criteria.epsilon指定。一旦每個聚類中心在某個迭代中移動的距離小於criteria.epsilon，演算法就會停止。
嘗試次數	標誌，用於指定演算法使用不同初始標籤執行的次數。演算法返回產生最佳緊湊度（參見第一個函式返回值）的標籤。
flags	可以取cv::KmeansFlags值的標誌。

返回

• 緊湊度度量，計算方式為

  \[\sum _i \| \texttt{samples} _i - \texttt{centers} _{ \texttt{labels} _i} \| ^2\]

  每次嘗試後。選擇最佳（最小）值，並由函式返回相應的標籤和緊湊度值。
• 儲存每個樣本聚類索引的整數陣列。
• 聚類中心陣列。

kmeans() [4/4]

std::tuple< GOpaque< double >, GMat, GMat > cv::gapi::kmeans	(	const GMat &	data,
		const int	輸入的相機內參矩陣。,
		const TermCriteria &	criteria,
		const int	嘗試次數,
		const KmeansFlags	flags )

Python
	cv.gapi.kmeans(	data, K, bestLabels, criteria, attempts, flags	) ->	retval
	cv.gapi.kmeans(	data, K, criteria, attempts, flags	) ->	retval

這是一個過載成員函式，為方便起見提供。它與上述函式的區別僅在於其接受的引數。

注意

• 函式文字ID為 "org.opencv.core.kmeansNDNoInit"
• 使用此過載時，不得設定KMEANS_USE_INITIAL_LABELS標誌。

networks()

template<typename... Args>

cv::gapi::GNetPackage cv::gapi::networks

(

Args &&...

args

)

此函式的呼叫圖如下

operator!=()

bool cv::gapi::operator!= ( const GBackend & lhs, const GBackend & rhs )

inline

operator+=()

cv::gapi::GNetPackage & cv::gapi::operator+= ( cv::gapi::GNetPackage & lhs, const cv::gapi::GNetPackage & rhs )

inline

parseSSD() [1/2]

GArray< Rect > cv::gapi::parseSSD	(	const GMat &	in,
		const GOpaque< Size > &	inSz,
		const float	confidenceThreshold,
		const bool	alignmentToSquare,
		const bool	filterOutOfBounds )

Python
	cv.gapi.parseSSD(	in_, inSz[, confidenceThreshold[, filterLabel]]	) ->	retval
	cv.gapi.parseSSD(	in_, inSz, confidenceThreshold, alignmentToSquare, filterOutOfBounds	) ->	retval

解析 SSD 網路的輸出。

從SSD輸出中提取檢測資訊（框、置信度），並根據給定的置信度以及是否超出邊界進行過濾。

注意

函式文字ID為 "org.opencv.nn.parsers.parseSSD"

引數

in	輸入 CV_32F 張量，維度為 {1,1,N,7}。
inSz	將檢測到的框投影到的尺寸（輸入影像的尺寸）。
confidenceThreshold	如果檢測的置信度小於置信度閾值，則拒絕該檢測。
alignmentToSquare	如果提供true，則將邊界框擴充套件為正方形。矩形中心保持不變，正方形邊長為矩形較長邊。
filterOutOfBounds	如果提供true，則過濾掉超出幀邊界的框。

返回

檢測到的邊界框向量。

parseSSD() [2/2]

std::tuple< GArray< Rect >, GArray< int > > cv::gapi::parseSSD	(	const GMat &	in,
		const GOpaque< Size > &	inSz,
		const float	confidenceThreshold = 0.5f,
		const int	filterLabel = -1 )

Python
	cv.gapi.parseSSD(	in_, inSz[, confidenceThreshold[, filterLabel]]	) ->	retval
	cv.gapi.parseSSD(	in_, inSz, confidenceThreshold, alignmentToSquare, filterOutOfBounds	) ->	retval

解析 SSD 網路的輸出。

從SSD輸出中提取檢測資訊（框、置信度、標籤），並根據給定的置信度和標籤進行過濾。

注意

函式文字ID為 "org.opencv.nn.parsers.parseSSD_BL"

引數

in	輸入 CV_32F 張量，維度為 {1,1,N,7}。
inSz	將檢測到的框投影到的尺寸（輸入影像的尺寸）。
confidenceThreshold	如果檢測的置信度小於置信度閾值，則拒絕該檢測。
filterLabel	如果提供（!= -1），則只有具有給定標籤的檢測結果會輸出。

返回

包含檢測到的框向量和相應標籤向量的元組。

parseYolo()

std::tuple< GArray< Rect >, GArray< int > > cv::gapi::parseYolo	(	const GMat &	in,
		const GOpaque< Size > &	inSz,
		const float	confidenceThreshold = 0.5f,
		const float	nmsThreshold = 0.5f,
		const std::vector< float > &	anchors = nn::parsers::GParseYolo::defaultAnchors() )

Python
	cv.gapi.parseYolo(	in_, inSz[, confidenceThreshold[, nmsThreshold[, anchors]]]	) ->	retval

解析 Yolo 網路的輸出。

從Yolo輸出中提取檢測資訊（框、置信度、標籤），根據給定置信度進行過濾，並對重疊的框執行非最大抑制。

注意

函式文字ID為 "org.opencv.nn.parsers.parseYolo"

引數

in	輸入 CV_32F 張量，維度為 {1,13,13,N}，N應滿足 \[\texttt{N} = (\texttt{num_classes} + \texttt{5}) * \texttt{5},\] 其中 num_classes - YOLO網路訓練的類別數量。
inSz	將檢測到的框投影到的尺寸（輸入影像的尺寸）。
confidenceThreshold	如果檢測的置信度小於置信度閾值，則拒絕該檢測。
nmsThreshold	非最大抑制閾值，控制拒絕置信度較低的框所需的最小相對框交集面積。如果為1.f，則不執行nms，並且不拒絕任何框。
anchors	Yolo網路訓練時使用的錨點。

注意

預設錨點值是為YOLO v2 Tiny指定的，如Intel Open Model Zoo 文件所述。

返回

包含檢測到的框向量和相應標籤向量的元組。

stereo()

GMat cv::gapi::stereo	(	const GMat &	左,
		const GMat &	右,
		const StereoOutputFormat	of = StereoOutputFormat::DEPTH_FLOAT32 )

計算指定立體對的視差/深度圖。該函式根據傳入的StereoOutputFormat引數計算視差或深度圖。

引數

左	8位單通道左影像，型別為CV_8UC1。
右	8位單通道右影像，型別為CV_8UC1。
of	列舉，指定輸出型別：深度或視差以及相應的型別

此函式的呼叫圖如下

transpose()

GMat cv::gapi::transpose

(

const GMat &

src

)

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

轉置矩陣。

此函式轉置矩陣

\[\texttt{dst} (i,j) = \texttt{src} (j,i)\]

注意

• 函式文字ID為 "org.opencv.core.transpose"
• 對於複數矩陣，不進行復共軛操作。如果需要，應單獨進行。

引數

src

輸入陣列。