實現 LSC (線性譜聚類) 超畫素演算法的類，該演算法在 [163] 中描述。更多...

#include <opencv2/ximgproc/lsc.hpp>

cv::ximgproc::SuperpixelLSC 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 SuperpixelLSC 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
	計算給定的分割中實際的超畫素數量，該分割已計算並存儲在 SuperpixelLSC 物件中。

virtual void	iterate (int num_iterations=10)=0
	使用 SuperpixelLSC 物件中初始化的引數，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，在最開始或在不成功的讀取之後），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

附加的繼承成員
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 LSC (線性譜聚類) 超畫素演算法的類，該演算法在 [163] 中描述。

LSC (線性譜聚類) 產生緊湊且均勻的超畫素，計算成本低。基本上，基於相似性度量的超畫素分割的歸一化割集公式被採用，該度量測量影像畫素之間的顏色相似性和空間接近度。 LSC 具有線性計算複雜性和高記憶體效率，並且能夠保留影像的全域性屬性

成員函式文件

◆ enforceLabelConnectivity()

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

純虛擬函式

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

強制標籤連線性。

引數

min_element_size 最小元素大小（百分比），應將其吸收到更大的超畫素中。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，並將先前找到的相鄰標籤分配給該元件。呼叫此函式可能會更改最終的超畫素數量。

◆ getLabelContourMask()

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

純虛擬函式

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

返回儲存在 SuperpixelLSC 物件中的超畫素分割的掩碼。

引數

image	返回：CV_8U1 影像掩碼，其中 -1 表示畫素是超畫素邊界，0 表示其他情況。
thick_line	如果為 false，則邊框僅為一個畫素寬，否則，邊框上的所有畫素都被遮蔽。

該函式返回超畫素分割的邊界。

◆ getLabels()

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

純虛擬函式

Python
	cv.ximgproc.SuperpixelLSC.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，並且每個畫素被分配給一個超畫素標籤。

引數

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

該函式返回一個影像，其中包含超畫素分割的標籤。標籤的範圍是 [0, getNumberOfSuperpixels()]。

◆ getNumberOfSuperpixels()

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

純虛擬函式

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

計算給定的分割中實際的超畫素數量，該分割已計算並存儲在 SuperpixelLSC 物件中。

◆ iterate()

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

純虛擬函式

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

使用 SuperpixelLSC 物件中初始化的引數，計算給定影像上的超畫素分割。

可以再次呼叫此函式，而無需使用 createSuperpixelLSC() 初始化演算法。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。

該函式使用使用函式 createSuperpixelLSC() 初始化的引數計算影像的超畫素分割。該演算法從超畫素網格開始，然後透過建議更新邊緣邊界來細化邊界。

此類文件由以下檔案生成

opencv2/ximgproc/lsc.hpp

公共成員函式

附加的繼承成員

詳細描述

成員函式文件

◆ enforceLabelConnectivity()

◆ getLabelContourMask()

◆ getLabels()

◆ getNumberOfSuperpixels()

◆ iterate()