其他影像變換

詳細描述

列舉
列舉	cv::AdaptiveThresholdTypes {   cv::ADAPTIVE_THRESH_MEAN_C = 0 ,   cv::ADAPTIVE_THRESH_GAUSSIAN_C = 1 }
列舉	cv::DistanceTransformLabelTypes {   cv::DIST_LABEL_CCOMP = 0 ,   cv::DIST_LABEL_PIXEL = 1 }
	距離變換演算法標誌 更多...
列舉	cv::DistanceTransformMasks {   cv::DIST_MASK_3 = 3 ,   cv::DIST_MASK_5 = 5 ,   cv::DIST_MASK_PRECISE = 0 }
	距離變換的掩碼尺寸。 更多...
列舉	cv::DistanceTypes {   cv::DIST_USER = -1 ,   cv::DIST_L1 = 1 ,   cv::DIST_L2 = 2 ,   cv::DIST_C = 3 ,   cv::DIST_L12 = 4 ,   cv::DIST_FAIR = 5 ,   cv::DIST_WELSCH = 6 ,   cv::DIST_HUBER = 7 }
列舉	cv::FloodFillFlags {   cv::FLOODFILL_FIXED_RANGE = 1 << 16 ,   cv::FLOODFILL_MASK_ONLY = 1 << 17 }
	漫水填充演算法標誌 更多...
列舉	cv::GrabCutClasses {   cv::GC_BGD = 0 ,   cv::GC_FGD = 1 ,   cv::GC_PR_BGD = 2 ,   cv::GC_PR_FGD = 3 }
	GrabCut 演算法中畫素的類別 更多...
列舉	cv::GrabCutModes {   cv::GC_INIT_WITH_RECT = 0 ,   cv::GC_INIT_WITH_MASK = 1 ,   cv::GC_EVAL = 2 ,   cv::GC_EVAL_FREEZE_MODEL = 3 }
	GrabCut 演算法標誌。 更多...
列舉	cv::ThresholdTypes {   cv::THRESH_BINARY = 0 ,   cv::THRESH_BINARY_INV = 1 ,   cv::THRESH_TRUNC = 2 ,   cv::THRESH_TOZERO = 3 ,   cv::THRESH_TOZERO_INV = 4 ,   cv::THRESH_MASK = 7 ,   cv::THRESH_OTSU = 8 ,   cv::THRESH_TRIANGLE = 16 ,   cv::THRESH_DRYRUN = 128 }

函式
void	cv::adaptiveThreshold (InputArray src, OutputArray dst, double maxValue, int adaptiveMethod, int thresholdType, int blockSize, double C)
	對陣列應用自適應閾值。
void	cv::blendLinear (InputArray src1, InputArray src2, InputArray weights1, InputArray weights2, OutputArray dst)
void	cv::distanceTransform (InputArray src, OutputArray dst, int distanceType, int maskSize, int dstType=CV_32F)
void	cv::distanceTransform (InputArray src, OutputArray dst, OutputArray labels, int distanceType, int maskSize, int labelType=DIST_LABEL_CCOMP)
	計算源影像每個畫素到最近零畫素的距離。
int	cv::floodFill (InputOutputArray image, InputOutputArray mask, Point seedPoint, Scalar newVal, Rect *rect=0, Scalar loDiff=Scalar(), Scalar upDiff=Scalar(), int flags=4)
	用給定顏色填充連通分量。
int	cv::floodFill (InputOutputArray image, Point seedPoint, Scalar newVal, Rect *rect=0, Scalar loDiff=Scalar(), Scalar upDiff=Scalar(), int flags=4)
void	cv::integral (InputArray src, OutputArray sum, int sdepth=-1)
void	cv::integral (InputArray src, OutputArray sum, OutputArray sqsum, int sdepth=-1, int sqdepth=-1)
void	cv::integral (InputArray src, OutputArray sum, OutputArray sqsum, OutputArray tilted, int sdepth=-1, int sqdepth=-1)
	計算影像的積分。
double	cv::threshold (InputArray src, OutputArray dst, double thresh, double maxval, int type)
	對每個陣列元素應用固定級別的閾值。
double	cv::thresholdWithMask (InputArray src, InputOutputArray dst, InputArray mask, double thresh, double maxval, int type)
	與 threshold 相同，但帶有可選掩碼。

列舉型別文件

AdaptiveThresholdTypes

列舉 cv::AdaptiveThresholdTypes

#include <opencv2/imgproc.hpp>

自適應閾值演算法

另請參見

adaptiveThreshold

列舉器
ADAPTIVE_THRESH_MEAN_C  Python: cv.ADAPTIVE_THRESH_MEAN_C	閾值 \(T(x,y)\) 是 \((x, y)\) 的 \(\texttt{blockSize} \times \texttt{blockSize}\) 鄰域的平均值減去 C
ADAPTIVE_THRESH_GAUSSIAN_C  Python: cv.ADAPTIVE_THRESH_GAUSSIAN_C	閾值 \(T(x, y)\) 是 \((x, y)\) 的 \(\texttt{blockSize} \times \texttt{blockSize}\) 鄰域的加權和（與高斯視窗的互相關）減去 C。指定的 blockSize 使用預設的 sigma（標準差）。參見 getGaussianKernel

DistanceTransformLabelTypes

列舉 cv::DistanceTransformLabelTypes

#include <opencv2/imgproc.hpp>

距離變換演算法標誌

列舉器
DIST_LABEL_CCOMP  Python: cv.DIST_LABEL_CCOMP	src 中零畫素的每個連通分量（以及所有最接近該連通分量的非零畫素）將被分配相同的標籤
DIST_LABEL_PIXEL  Python: cv.DIST_LABEL_PIXEL	每個零畫素（以及所有最接近它的非零畫素）都將獲得自己的標籤。

DistanceTransformMasks

列舉 cv::DistanceTransformMasks

#include <opencv2/imgproc.hpp>

距離變換的掩碼尺寸。

列舉器
DIST_MASK_3  Python: cv.DIST_MASK_3	mask=3
DIST_MASK_5  Python: cv.DIST_MASK_5	mask=5
DIST_MASK_PRECISE  Python: cv.DIST_MASK_PRECISE

DistanceTypes

列舉 cv::DistanceTypes

#include <opencv2/imgproc.hpp>

距離變換和 M 估計器的距離型別

另請參見

distanceTransform, fitLine

列舉器
DIST_USER  Python: cv.DIST_USER	使用者定義的距離。
DIST_L1  Python: cv.DIST_L1	distance = |x1-x2| + |y1-y2|
DIST_L2  Python: cv.DIST_L2	the simple euclidean distance
DIST_C  Python: cv.DIST_C	distance = max(|x1-x2|,|y1-y2|)
DIST_L12  Python: cv.DIST_L12	L1-L2 度量: distance = 2(sqrt(1+x*x/2) - 1))
DIST_FAIR  Python: cv.DIST_FAIR	distance = c^2(|x|/c-log(1+|x|/c)), c = 1.3998
DIST_WELSCH  Python: cv.DIST_WELSCH	distance = c^2/2(1-exp(-(x/c)^2)), c = 2.9846
DIST_HUBER  Python: cv.DIST_HUBER	distance = |x|

FloodFillFlags

列舉 cv::FloodFillFlags

#include <opencv2/imgproc.hpp>

漫水填充演算法標誌

列舉器
FLOODFILL_FIXED_RANGE  Python: cv.FLOODFILL_FIXED_RANGE	如果設定，則考慮當前畫素和種子畫素之間的差異。否則，考慮相鄰畫素之間的差異（即，範圍是浮動的）。
FLOODFILL_MASK_ONLY  Python: cv.FLOODFILL_MASK_ONLY	如果設定，函式不會改變影像（newVal 被忽略），並且只用標誌中位 8-16 中指定的值填充掩碼，如上所述。此選項僅在具有掩碼引數的函式變體中有意義。

GrabCutClasses

列舉 cv::GrabCutClasses

#include <opencv2/imgproc.hpp>

GrabCut 演算法中畫素的類別

列舉器
GC_BGD  Python: cv.GC_BGD	明顯的背景畫素
GC_FGD  Python: cv.GC_FGD	明顯的（物件）前景畫素
GC_PR_BGD  Python: cv.GC_PR_BGD	可能的背景畫素
GC_PR_FGD  Python: cv.GC_PR_FGD	可能的（物件）前景畫素

GrabCutModes

列舉 cv::GrabCutModes

#include <opencv2/imgproc.hpp>

GrabCut 演算法標誌。

列舉器
GC_INIT_WITH_RECT  Python: cv.GC_INIT_WITH_RECT	函式使用提供的矩形初始化狀態和掩碼。之後，它執行演算法的 iterCount 次迭代。
GC_INIT_WITH_MASK  Python: cv.GC_INIT_WITH_MASK	函式使用提供的掩碼初始化狀態。請注意，GC_INIT_WITH_RECT 和 GC_INIT_WITH_MASK 可以結合使用。然後，ROI 之外的所有畫素都將自動初始化為 GC_BGD。
GC_EVAL  Python: cv.GC_EVAL	該值表示演算法應繼續執行。
GC_EVAL_FREEZE_MODEL  Python: cv.GC_EVAL_FREEZE_MODEL	該值表示演算法應使用固定模型執行 GrabCut 演算法（單次迭代）

ThresholdTypes

列舉 cv::ThresholdTypes

#include <opencv2/imgproc.hpp>

閾值操作的型別

列舉器
THRESH_BINARY  Python: cv.THRESH_BINARY	\[\texttt{dst} (x,y) = \fork{\texttt{maxval}}{如果 \(\texttt{src}(x,y) > \texttt{thresh}\)}{0}{否則}\]
THRESH_BINARY_INV  Python: cv.THRESH_BINARY_INV	\[\texttt{dst} (x,y) = \fork{0}{如果 \(\texttt{src}(x,y) > \texttt{thresh}\)}{\texttt{maxval}}{否則}\]
THRESH_TRUNC  Python: cv.THRESH_TRUNC	\[\texttt{dst} (x,y) = \fork{\texttt{threshold}}{如果 \(\texttt{src}(x,y) > \texttt{thresh}\)}{\texttt{src}(x,y)}{否則}\]
THRESH_TOZERO  Python: cv.THRESH_TOZERO	\[\texttt{dst} (x,y) = \fork{\texttt{src}(x,y)}{如果 \(\texttt{src}(x,y) > \texttt{thresh}\)}{0}{否則}\]
THRESH_TOZERO_INV  Python: cv.THRESH_TOZERO_INV	\[\texttt{dst} (x,y) = \fork{0}{如果 \(\texttt{src}(x,y) > \texttt{thresh}\)}{\texttt{src}(x,y)}{否則}\]
THRESH_MASK  Python: cv.THRESH_MASK
THRESH_OTSU  Python: cv.THRESH_OTSU	標誌，使用 Otsu 演算法選擇最優閾值
THRESH_TRIANGLE  Python: cv.THRESH_TRIANGLE	標誌，使用 Triangle 演算法選擇最優閾值
THRESH_DRYRUN  Python: cv.THRESH_DRYRUN	標誌，僅計算閾值（對 OTSU/TRIANGLE 有用），但不實際執行閾值化

函式文件

adaptiveThreshold()

void cv::adaptiveThreshold	(	InputArray	src,
		OutputArray	dst,
		double	maxValue,
		int	adaptiveMethod,
		int	thresholdType,
		int	blockSize,
		double	C )

Python
	cv.adaptiveThreshold(	src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst]	) ->	dst

#include <opencv2/imgproc.hpp>

對陣列應用自適應閾值。

函式根據以下公式將灰度影像轉換為二值影像

• THRESH_BINARY

  \[dst(x,y) = \fork{\texttt{maxValue}}{如果 \(src(x,y) > T(x,y)\)}{0}{否則}\]

• THRESH_BINARY_INV

  \[dst(x,y) = \fork{0}{如果 \(src(x,y) > T(x,y)\)}{\texttt{maxValue}}{否則}\]

  其中 \(T(x,y)\) 是為每個畫素單獨計算的閾值（參見 adaptiveMethod 引數）。

此函式可以就地處理影像。

引數

src	源 8 位單通道影像。
dst	與 src 相同大小和型別的輸出影像。
maxValue	滿足條件的畫素被賦值為非零值
adaptiveMethod	要使用的自適應閾值演算法，參見 AdaptiveThresholdTypes。使用 BORDER_REPLICATE | BORDER_ISOLATED 來處理邊界。
thresholdType	閾值型別，必須是 THRESH_BINARY 或 THRESH_BINARY_INV，參見 ThresholdTypes。
blockSize	用於計算畫素閾值的畫素鄰域的大小：3、5、7 等。
C	從平均值或加權平均值中減去的常量（參見下面的詳細資訊）。通常為正，但也可以是零或負。

另請參見

threshold, blur, GaussianBlur

blendLinear()

void cv::blendLinear	(	InputArray	src1,
		InputArray	src2,
		InputArray	weights1,
		InputArray	weights2,
		OutputArray	dst )

Python
	cv.blendLinear(	src1, src2, weights1, weights2[, dst]	) ->	dst

#include <opencv2/imgproc.hpp>

執行兩個影像的線性混合

\[ \texttt{dst}(i,j) = \texttt{weights1}(i,j)*\texttt{src1}(i,j) + \texttt{weights2}(i,j)*\texttt{src2}(i,j) \]

引數

src1	它具有 CV_8UC(n) 或 CV_32FC(n) 型別，其中 n 是一個正整數。
src2	它與 src1 具有相同的型別和大小。
weights1	它具有 CV_32FC1 型別，並且與 src1 大小相同。
weights2	它具有 CV_32FC1 型別，並且與 src1 大小相同。
dst	如果它與 src1 不具有相同的大小和型別，則會被建立。

distanceTransform() [1/2]

void cv::distanceTransform	(	InputArray	src,
		OutputArray	dst,
		int	distanceType,
		int	maskSize,
		int	dstType = CV_32F )

Python
	cv.distanceTransform(	src, distanceType, maskSize[, dst[, dstType]]	) ->	dst
	cv.distanceTransformWithLabels(	src, distanceType, maskSize[, dst[, labels[, labelType]]]	) ->	dst, labels

#include <opencv2/imgproc.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它接受的引數。

引數

src	8 位，單通道（二進位制）源影像。
dst	帶有計算距離的輸出影像。它是一個 8 位或 32 位浮點單通道影像，與 src 大小相同。
distanceType	距離型別，參見 DistanceTypes
maskSize	距離變換掩碼的大小，參見 DistanceTransformMasks。對於 DIST_L1 或 DIST_C 距離型別，引數被強制設定為 3，因為 \(3\times 3\) 掩碼與 \(5\times 5\) 或任何更大孔徑的結果相同。
dstType	輸出影像的型別。可以是 CV_8U 或 CV_32F。CV_8U 型別只能用於函式的第一種變體，且 distanceType == DIST_L1。

distanceTransform() [2/2]

void cv::distanceTransform	(	InputArray	src,
		OutputArray	dst,
		OutputArray	labels,
		int	distanceType,
		int	maskSize,
		int	labelType = DIST_LABEL_CCOMP )

Python
	cv.distanceTransform(	src, distanceType, maskSize[, dst[, dstType]]	) ->	dst
	cv.distanceTransformWithLabels(	src, distanceType, maskSize[, dst[, labels[, labelType]]]	) ->	dst, labels

#include <opencv2/imgproc.hpp>

計算源影像每個畫素到最近零畫素的距離。

函式 cv::distanceTransform 計算每個二值影像畫素到最近零畫素的近似或精確距離。對於零影像畫素，距離顯然為零。

當 maskSize == DIST_MASK_PRECISE 且 distanceType == DIST_L2 時，函式執行 [87] 中描述的演算法。此演算法使用 TBB 庫並行化。

在其他情況下，使用演算法 [35]。這意味著對於一個畫素，函式會找到到最近零畫素的最短路徑，該路徑由基本位移組成：水平、垂直、對角線或騎士步（最後一種可用於 \(5\times 5\) 掩碼）。總距離計算為這些基本距離的總和。由於距離函式應該是對稱的，所有水平和垂直位移必須具有相同的成本（記為 a），所有對角線位移必須具有相同的成本（記為 b），所有騎士步必須具有相同的成本（記為 c）。對於 DIST_C 和 DIST_L1 型別，距離精確計算，而對於 DIST_L2（歐幾里得距離），距離只能以相對誤差計算（\(5\times 5\) 掩碼提供更準確的結果）。對於 a、b 和 c，OpenCV 使用原始論文中建議的值

• DIST_L1：a = 1, b = 2
• DIST_L2
  • 3 x 3: a=0.955, b=1.3693
  • 5 x 5: a=1, b=1.4, c=2.1969
• DIST_C: a = 1, b = 1

通常，對於快速、粗略的距離估計，使用 DIST_L2、\(3\times 3\) 掩碼。對於更準確的距離估計，使用 DIST_L2、\(5\times 5\) 掩碼或精確演算法。請注意，精確演算法和近似演算法都對畫素數量呈線性關係。

此函式變體不僅計算每個畫素 \((x, y)\) 的最小距離，還識別由零畫素組成的最近連通分量（labelType==DIST_LABEL_CCOMP）或最近的零畫素（labelType==DIST_LABEL_PIXEL）。分量/畫素的索引儲存在 labels(x, y) 中。當 labelType==DIST_LABEL_CCOMP 時，函式自動在輸入影像中找到零畫素的連通分量並用不同的標籤標記它們。當 labelType==DIST_LABEL_PIXEL 時，函式掃描輸入影像並用不同的標籤標記所有零畫素。

在此模式下，複雜度仍然是線性的。也就是說，該函式提供了一種非常快速的方法來計算二值影像的 Voronoi 圖。目前，第二種變體只能使用近似距離變換演算法，即 maskSize=DIST_MASK_PRECISE 尚未支援。

引數

src	8 位，單通道（二進位制）源影像。
dst	帶有計算距離的輸出影像。它是一個 8 位或 32 位浮點單通道影像，與 src 大小相同。
labels	標籤的二維輸出陣列（離散 Voronoi 圖）。它具有 CV_32SC1 型別，並且與 src 大小相同。
distanceType	距離型別，參見 DistanceTypes
maskSize	距離變換掩碼的大小，參見 DistanceTransformMasks。DIST_MASK_PRECISE 此變體不支援。對於 DIST_L1 或 DIST_C 距離型別，引數被強制設定為 3，因為 \(3\times 3\) 掩碼與 \(5\times 5\) 或任何更大孔徑的結果相同。
labelType	要構建的標籤陣列的型別，參見 DistanceTransformLabelTypes。

floodFill() [1/2]

int cv::floodFill	(	InputOutputArray	image,
		InputOutputArray	mask,
		Point	seedPoint,
		Scalar	用於塗抹斑點的視差值,
		Rect *	rect = 0,
		Scalar	loDiff = Scalar(),
		Scalar	upDiff = Scalar(),
		int	flags = 4 )

Python
	cv.floodFill(	image, mask, seedPoint, newVal[, loDiff[, upDiff[, flags]]]	) ->	retval, image, mask, rect

#include <opencv2/imgproc.hpp>

用給定顏色填充連通分量。

函式 cv::floodFill 從種子點開始填充指定顏色的連通分量。連通性由相鄰畫素的顏色/亮度接近程度決定。在以下情況下，畫素 \((x,y)\) 被認為屬於重繪域：

• 在灰度影像和浮動範圍的情況下

  \[\texttt{src} (x',y')- \texttt{loDiff} \leq \texttt{src} (x,y) \leq \texttt{src} (x',y')+ \texttt{upDiff}\]

• 在灰度影像和固定範圍的情況下

  \[\texttt{src} ( \texttt{seedPoint} .x, \texttt{seedPoint} .y)- \texttt{loDiff} \leq \texttt{src} (x,y) \leq \texttt{src} ( \texttt{seedPoint} .x, \texttt{seedPoint} .y)+ \texttt{upDiff}\]

• 在彩色影像和浮動範圍的情況下

  \[\texttt{src} (x',y')_r- \texttt{loDiff} _r \leq \texttt{src} (x,y)_r \leq \texttt{src} (x',y')_r+ \texttt{upDiff} _r,\]

  \[\texttt{src} (x',y')_g- \texttt{loDiff} _g \leq \texttt{src} (x,y)_g \leq \texttt{src} (x',y')_g+ \texttt{upDiff} _g\]

  且

  \[\texttt{src} (x',y')_b- \texttt{loDiff} _b \leq \texttt{src} (x,y)_b \leq \texttt{src} (x',y')_b+ \texttt{upDiff} _b\]

• 在彩色影像和固定範圍的情況下

  \[\texttt{src} ( \texttt{seedPoint} .x, \texttt{seedPoint} .y)_r- \texttt{loDiff} _r \leq \texttt{src} (x,y)_r \leq \texttt{src} ( \texttt{seedPoint} .x, \texttt{seedPoint} .y)_r+ \texttt{upDiff} _r,\]

  \[\texttt{src} ( \texttt{seedPoint} .x, \texttt{seedPoint} .y)_g- \texttt{loDiff} _g \leq \texttt{src} (x,y)_g \leq \texttt{src} ( \texttt{seedPoint} .x, \texttt{seedPoint} .y)_g+ \texttt{upDiff} _g\]

  且

  \[\texttt{src} ( \texttt{seedPoint} .x, \texttt{seedPoint} .y)_b- \texttt{loDiff} _b \leq \texttt{src} (x,y)_b \leq \texttt{src} ( \texttt{seedPoint} .x, \texttt{seedPoint} .y)_b+ \texttt{upDiff} _b\]

其中 \(src(x',y')\) 是已知屬於該分量的某個相鄰畫素的值。也就是說，要新增到連通分量中，畫素的顏色/亮度應足夠接近：

• 在其相鄰畫素中已屬於連通分量的一個畫素的顏色/亮度，在浮動範圍的情況下。
• 在固定範圍的情況下，種子點的顏色/亮度。

使用這些函式可以將連通分量就地標記為指定顏色，或者構建掩碼然後提取輪廓，或者將區域複製到另一個影像，等等。

引數

image	輸入/輸出 1 或 3 通道、8 位或浮點影像。除非在函式的第二個變體中設定了 FLOODFILL_MASK_ONLY 標誌，否則該函式會修改影像。詳見下文。
mask	操作掩碼應為單通道 8 點陣圖像，比影像寬 2 畫素，高 2 畫素。如果傳入空的 Mat，它將自動建立。由於這既是輸入引數又是輸出引數，您必須負責對其進行初始化。漫水填充不能穿過輸入掩碼中的非零畫素。例如，邊緣檢測器輸出可以用作掩碼，以在邊緣處停止填充。在輸出時，掩碼中對應於影像中填充畫素的畫素被設定為 1 或設定為 flags 中指定的值，如下所述。此外，函式會將掩碼的邊界填充為 1，以簡化內部處理。因此，可以在多次呼叫函式時使用相同的掩碼，以確保填充區域不重疊。
seedPoint	起始點。
用於塗抹斑點的視差值	重繪域畫素的新值。
loDiff	當前觀測畫素與其屬於分量的某個相鄰畫素或被新增到分量的種子畫素之間的最大亮度/顏色下限差異。
upDiff	當前觀測畫素與其屬於分量的某個相鄰畫素或被新增到分量的種子畫素之間的最大亮度/顏色上限差異。
rect	由函式設定為重繪域的最小包圍矩形的可選輸出引數。
flags	操作標誌。前 8 位包含連通性值。預設值 4 表示只考慮最近的四個相鄰畫素（共享一條邊的畫素）。連通性值 8 表示將考慮最近的八個相鄰畫素（共享一個角的畫素）。接下來的 8 位（8-16）包含一個 1 到 255 之間的值，用於填充掩碼（預設值為 1）。例如，4 | ( 255 << 8 ) 將考慮 4 個最近的鄰居，並將掩碼填充為 255。以下附加選項佔據高位，因此可以與連通性和掩碼填充值透過位或 (|) 進一步組合，參見 FloodFillFlags。

注意

由於掩碼比填充的影像大，影像中的畫素 \((x, y)\) 對應於掩碼中的畫素 \((x+1, y+1)\)。

另請參見

findContours

floodFill() [2/2]

int cv::floodFill	(	InputOutputArray	image,
		Point	seedPoint,
		Scalar	用於塗抹斑點的視差值,
		Rect *	rect = 0,
		Scalar	loDiff = Scalar(),
		Scalar	upDiff = Scalar(),
		int	flags = 4 )

Python
	cv.floodFill(	image, mask, seedPoint, newVal[, loDiff[, upDiff[, flags]]]	) ->	retval, image, mask, rect

#include <opencv2/imgproc.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它接受的引數。

不帶 `mask` 引數的變體

integral() [1/3]

void cv::integral	(	InputArray	src,
		OutputArray	sum,
		int	sdepth = -1 )

Python
	cv.integral(	src[, sum[, sdepth]]	) ->	sum
	cv.integral2(	src[, sum[, sqsum[, sdepth[, sqdepth]]]]	) ->	sum, sqsum
	cv.integral3(	src[, sum[, sqsum[, tilted[, sdepth[, sqdepth]]]]]	) ->	sum, sqsum, tilted

#include <opencv2/imgproc.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它接受的引數。

integral() [2/3]

void cv::integral	(	InputArray	src,
		OutputArray	sum,
		OutputArray	sqsum,
		int	sdepth = -1,
		int	sqdepth = -1 )

Python
	cv.integral(	src[, sum[, sdepth]]	) ->	sum
	cv.integral2(	src[, sum[, sqsum[, sdepth[, sqdepth]]]]	) ->	sum, sqsum
	cv.integral3(	src[, sum[, sqsum[, tilted[, sdepth[, sqdepth]]]]]	) ->	sum, sqsum, tilted

#include <opencv2/imgproc.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它接受的引數。

integral() [3/3]

void cv::integral	(	InputArray	src,
		OutputArray	sum,
		OutputArray	sqsum,
		OutputArray	tilted,
		int	sdepth = -1,
		int	sqdepth = -1 )

Python
	cv.integral(	src[, sum[, sdepth]]	) ->	sum
	cv.integral2(	src[, sum[, sqsum[, sdepth[, sqdepth]]]]	) ->	sum, sqsum
	cv.integral3(	src[, sum[, sqsum[, tilted[, sdepth[, sqdepth]]]]]	) ->	sum, sqsum, tilted

#include <opencv2/imgproc.hpp>

計算影像的積分。

函式計算源影像的一個或多個積分影像，如下所示：

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

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

\[\texttt{tilted} (X,Y) = \sum _{y<Y,abs(x-X+1) \leq Y-y-1} \texttt{image} (x,y)\]

使用這些積分影像，可以在常數時間內計算影像中特定直立或旋轉矩形區域的總和、平均值和標準差，例如

\[\sum _{x_1 \leq x < x_2, \, y_1 \leq y < y_2} \texttt{image} (x,y) = \texttt{sum} (x_2,y_2)- \texttt{sum} (x_1,y_2)- \texttt{sum} (x_2,y_1)+ \texttt{sum} (x_1,y_1)\]

這使得可以進行快速模糊或具有可變視窗大小的快速塊相關等操作。對於多通道影像，每個通道的總和獨立累積。

作為一個實際例子，下圖顯示了計算一個直角矩形 Rect(4,4,3,2) 和一個傾斜矩形 Rect(5,1,2,3) 的積分。顯示了原始影像中選定的畫素，以及積分影像 sum 和 tilted 中相關的畫素。

積分計算示例

引數

src	輸入影像為 \(W \times H\)，8 位或浮點型（32f 或 64f）。
sum	積分影像為 \((W+1)\times (H+1)\)，32 位整數或浮點型（32f 或 64f）。
sqsum	平方畫素值的積分影像；它是 \((W+1)\times (H+1)\) 的雙精度浮點（64f）陣列。
tilted	影像旋轉 45 度後的積分影像；它是 \((W+1)\times (H+1)\) 陣列，具有與 sum 相同的資料型別。
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。

threshold()

double cv::threshold	(	InputArray	src,
		OutputArray	dst,
		double	thresh,
		double	最大值,
		int	type )

Python
	cv.threshold(	src, thresh, maxval, type[, dst]	) ->	retval, dst

#include <opencv2/imgproc.hpp>

對每個陣列元素應用固定級別的閾值。

函式對多通道陣列應用固定級別的閾值處理。該函式通常用於從灰度影像中獲取雙級（二值）影像（compare 也可以用於此目的），或者用於去除噪聲，即過濾掉值過小或過大的畫素。該函式支援多種閾值處理型別。它們由 type 引數決定。

此外，特殊值 THRESH_OTSU 或 THRESH_TRIANGLE 可以與上述值之一組合。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。

注意

目前，Otsu 方法僅對 CV_8UC1 和 CV_16UC1 影像實現，而 Triangle 方法僅對 CV_8UC1 影像實現。

引數

src	輸入陣列（多通道，CV_8U、CV_16S、CV_16U、CV_32F 或 CV_64F）。
dst	與 src 具有相同大小、型別和通道數的輸出陣列。
thresh	閾值。
最大值	與 THRESH_BINARY 和 THRESH_BINARY_INV 閾值型別一起使用的最大值。
type	閾值型別（參見 ThresholdTypes）。

返回

如果使用 Otsu 或 Triangle 方法，則為計算出的閾值。

另請參見

thresholdWithMask, adaptiveThreshold, findContours, compare, min, max

thresholdWithMask()

double cv::thresholdWithMask	(	InputArray	src,
		InputOutputArray	dst,
		InputArray	mask,
		double	thresh,
		double	最大值,
		int	type )

Python
	cv.thresholdWithMask(	src, dst, mask, thresh, maxval, type	) ->	retval, dst

#include <opencv2/imgproc.hpp>

與 threshold 相同，但帶有可選掩碼。

注意

如果掩碼為空，thresholdWithMask 等效於 threshold。如果掩碼不為空，dst 必須與 src 具有相同的大小和型別，以便離群畫素保持不變

引數

src	輸入陣列（多通道，8 位或 32 位浮點）。
dst	與 src 具有相同大小、型別和通道數的輸出陣列。
mask	可選掩碼（與 src 大小相同，8 位）。
thresh	閾值。
最大值	與 THRESH_BINARY 和 THRESH_BINARY_INV 閾值型別一起使用的最大值。
type	閾值型別（參見 ThresholdTypes）。

返回

如果使用 Otsu 或 Triangle 方法，則為計算出的閾值。

另請參見

threshold, adaptiveThreshold, findContours, compare, min, max