OpenCV: 濾波器 - OpenCV 計算機視覺庫

列舉器
DTF_NC Python: cv.ximgproc.DTF_NC
DTF_IC Python: cv.ximgproc.DTF_IC
DTF_RF Python: cv.ximgproc.DTF_RF
GUIDED_FILTER Python: cv.ximgproc.GUIDED_FILTER
AM_FILTER Python: cv.ximgproc.AM_FILTER

函式文件

◆ amFilter()

void cv::ximgproc::amFilter	(	InputArray	joint,
		InputArray	src,
		OutputArray	dst,
		double	sigma_s,
		double	sigma_r,
		bool	adjust_outliers = false )

Python
	cv.ximgproc.amFilter(	joint, src, sigma_s, sigma_r[, dst[, adjust_outliers]]	) ->	dst

簡單的單行自適應流形濾波器呼叫。

引數

joint	聯合（也稱為引導）影像或具有任意數量通道的影像陣列。
src	具有任意通道數的濾波影像。
dst	輸出影像。
sigma_s	空間標準差。
sigma_r	色彩空間標準差，類似於 bilateralFilter 中色彩空間裡的 sigma。
adjust_outliers	可選，指定是否執行異常值調整操作，即原始論文中的（式 9）。

注意: 深度為 CV_8U 和 CV_16U 的聯合影像在處理前會轉換為深度為 CV_32F 且色彩範圍為 [0; 1] 的影像。因此，色彩空間 sigma sigma_r 必須在 [0; 1] 範圍內，這與 bilateralFilter 和 dtFilter 函式中的相同 sigma 不同。

另請參見: bilateralFilter, dtFilter, guidedFilter

◆ bilateralTextureFilter()

void cv::ximgproc::bilateralTextureFilter	(	InputArray	src,
		OutputArray	dst,
		int	fr = 3,
		int	numIter = 1,
		double	sigmaAlpha = -1.,
		double	sigmaAvg = -1. )

Python
	cv.ximgproc.bilateralTextureFilter(	src[, dst[, fr[, numIter[, sigmaAlpha[, sigmaAvg]]]]]	) ->	dst

將雙邊紋理濾波器應用於影像。它執行結構保留紋理濾波。有關此濾波器的更多詳細資訊，請參見 [58]。

引數

src	源影像，深度為 8 位無符號整型或 32 位浮點型
dst	與 src 相同大小和型別的輸出影像。
fr	用於濾波的核心半徑。應為正整數
numIter	演算法迭代次數，應為正整數
sigmaAlpha	控制權重從邊緣到平滑/紋理區域過渡的銳度，值越大表示過渡越銳利。當值為負時，將自動計算。
sigmaAvg	用於紋理模糊的範圍模糊引數。值越大，結果越模糊。當值為負時，將按照論文中的描述自動計算。

另請參見: rollingGuidanceFilter, bilateralFilter

◆ colorMatchTemplate()

void cv::ximgproc::colorMatchTemplate	(	InputArray	img,
		InputArray	templ,
		OutputArray	result )

Python
	cv.ximgproc.colorMatchTemplate(	img, templ[, result]	) ->	result

將顏色模板與重疊的顏色影像區域進行比較。

引數

img	執行搜尋的影像。必須是 3 通道影像
templ	搜尋模板。它不能大於源影像，並且必須是 3 通道影像
result	比較結果圖。必須是單通道 64 位浮點型

◆ computeBadPixelPercent()

double cv::ximgproc::computeBadPixelPercent	(	InputArray	GT,
		InputArray	src,
		Rect	ROI,
		int	thresh = 24 )

Python
	cv.ximgproc.computeBadPixelPercent(	GT, src, ROI[, thresh]	) ->	retval

用於計算視差圖中“壞”畫素百分比的函式（錯誤高於指定閾值的畫素）

引數

GT	真實視差圖
src	要評估的視差圖
ROI	感興趣區域
thresh	用於確定“壞”畫素的閾值

返回: 返回 GT 和 src 之間的均方誤差

◆ computeMSE()

double cv::ximgproc::computeMSE	(	InputArray	GT,
		InputArray	src,
		Rect	ROI )

Python
	cv.ximgproc.computeMSE(	GT, src, ROI	) ->	retval

用於計算視差圖的均方誤差的函式。

引數

GT	真實視差圖
src	要評估的視差圖
ROI	感興趣區域

返回: 返回 GT 和 src 之間的均方誤差

◆ createAMFilter()

Ptr< AdaptiveManifoldFilter > cv::ximgproc::createAMFilter	(	double	sigma_s,
		double	sigma_r,
		bool	adjust_outliers = false )

Python
	cv.ximgproc.createAMFilter(	sigma_s, sigma_r[, adjust_outliers]	) ->	retval

工廠方法，建立 AdaptiveManifoldFilter 例項並執行一些初始化例程。

引數

sigma_s	空間標準差。
sigma_r	色彩空間標準差，類似於 bilateralFilter 中色彩空間裡的 sigma。
adjust_outliers	可選，指定是否執行異常值調整操作，即原始論文中的（式 9）。

有關自適應流形濾波器引數的更多詳細資訊，請參見原始文章 [103]。

注意: 深度為 CV_8U 和 CV_16U 的聯合影像在處理前會轉換為深度為 CV_32F 且色彩範圍為 [0; 1] 的影像。因此，色彩空間 sigma sigma_r 必須在 [0; 1] 範圍內，這與 bilateralFilter 和 dtFilter 函式中的相同 sigma 不同。

◆ createDisparityWLSFilter()

Ptr< DisparityWLSFilter > cv::ximgproc::createDisparityWLSFilter ( Ptr< StereoMatcher > matcher_left )

Python
	cv.ximgproc.createDisparityWLSFilter(	matcher_left	) ->	retval

便捷工廠方法，建立 DisparityWLSFilter 例項並根據匹配器例項自動設定所有相關濾波器引數。目前僅支援 StereoBM 和 StereoSGBM。

引數

matcher_left 將與濾波器一起使用的立體匹配器例項

◆ createDisparityWLSFilterGeneric()

Ptr< DisparityWLSFilter > cv::ximgproc::createDisparityWLSFilterGeneric ( bool use_confidence )

Python
	cv.ximgproc.createDisparityWLSFilterGeneric(	use_confidence	) ->	retval

更通用的工廠方法，建立 DisparityWLSFilter 例項並執行基本初始化例程。使用此方法時，您需要自行設定 ROI、匹配器和其他引數。

引數

use_confidence 帶置信度的濾波需要兩個視差圖（用於左檢視和右檢視），並且速度大約慢兩倍。然而，質量通常會顯著提高。

◆ createDTFilter()

Ptr< DTFilter > cv::ximgproc::createDTFilter	(	InputArray	guide,
		double	sigmaSpatial,
		double	sigmaColor,
		int	mode = DTF_NC,
		int	numIters = 3 )

Python
	cv.ximgproc.createDTFilter(	guide, sigmaSpatial, sigmaColor[, mode[, numIters]]	) ->	retval

工廠方法，建立 DTFilter 例項並執行初始化例程。

引數

guide	引導影像（用於構建變換距離，描述引導影像的邊緣結構）。
sigmaSpatial	\(\sigma_H\) 引數在原始文章中，類似於 bilateralFilter 中座標空間裡的 sigma。
sigmaColor	\(\sigma_r\) 引數在原始文章中，類似於 bilateralFilter 中色彩空間裡的 sigma。
mode	DTF_NC、DTF_RF 和 DTF_IC 三種模式之一，對應於文章中二維訊號濾波的三種模式。
numIters	濾波使用的可選迭代次數，3 次就足夠了。

有關域變換濾波器引數的更多詳細資訊，請參見原始文章 [102] 和域變換濾波器主頁。

◆ createEdgeAwareInterpolator()

Ptr< EdgeAwareInterpolator > cv::ximgproc::createEdgeAwareInterpolator ( )

Python
	cv.ximgproc.createEdgeAwareInterpolator(		) ->	retval

#include <opencv2/ximgproc/sparse_match_interpolator.hpp>

建立 EdgeAwareInterpolator 例項的工廠方法。

◆ createFastBilateralSolverFilter()

Ptr< FastBilateralSolverFilter > cv::ximgproc::createFastBilateralSolverFilter	(	InputArray	guide,
		double	sigma_spatial,
		double	sigma_luma,
		double	sigma_chroma,
		double	lambda = 128.0,
		int	num_iter = 25,
		double	max_tol = 1e-5 )

Python
	cv.ximgproc.createFastBilateralSolverFilter(	guide, sigma_spatial, sigma_luma, sigma_chroma[, lambda_[, num_iter[, max_tol]]]	) ->	retval

工廠方法，建立 FastBilateralSolverFilter 例項並執行初始化例程。

引數

guide	用作濾波引導的影像。它應具有 8 位深度，並且是 1 或 3 通道影像。
sigma_spatial	引數，類似於 bilateralFilter 中空間域 sigma（頻寬）。
sigma_luma	引數，類似於 bilateralFilter 中亮度空間 sigma（頻寬）。
sigma_chroma	引數，類似於 bilateralFilter 中色度空間 sigma（頻寬）。
lambda	求解器的平滑強度引數。
num_iter	求解器使用的迭代次數，通常 25 次就足夠了。
max_tol	求解器使用的收斂容差。

有關快速雙邊求解器引數的更多詳細資訊，請參見原始論文 [20]。

◆ createFastGlobalSmootherFilter()

Ptr< FastGlobalSmootherFilter > cv::ximgproc::createFastGlobalSmootherFilter	(	InputArray	guide,
		double	lambda,
		double	sigma_color,
		double	lambda_attenuation = 0.25,
		int	num_iter = 3 )

Python
	cv.ximgproc.createFastGlobalSmootherFilter(	guide, lambda_, sigma_color[, lambda_attenuation[, num_iter]]	) ->	retval

工廠方法，建立 FastGlobalSmootherFilter 例項並執行初始化例程。

引數

guide	用作濾波引導的影像。它應具有 8 位深度，並且是 1 或 3 通道影像。
lambda	定義正則化量的引數
sigma_color	引數，類似於 bilateralFilter 中色彩空間裡的 sigma。
lambda_attenuation	內部引數，定義每次迭代後 lambda 減少的量。通常應為 0.25。將其設定為 1.0 可能會導致條紋偽影。
num_iter	濾波使用的迭代次數，通常 3 次就足夠了。

有關快速全域性平滑器引數的更多詳細資訊，請參見原始論文 [196]。但請注意，存在一些差異。論文中描述的 Lambda 衰減實現方式略有不同，因此不要期望結果與論文中的完全相同；論文中的 sigma_color 值應乘以 255.0 才能達到相同的效果。此外，在源影像和引導影像相同的情況下進行影像濾波時，作者建議在每次迭代後動態更新引導影像。為了最大限度地提高效能，此處未實現此功能。

◆ createGuidedFilter()

Ptr< GuidedFilter > cv::ximgproc::createGuidedFilter	(	InputArray	guide,
		int	radius,
		double	eps,
		double	scale = 1.0 )

Python
	cv.ximgproc.createGuidedFilter(	guide, radius, eps[, scale]	) ->	retval

工廠方法，建立 GuidedFilter 例項並執行初始化例程。

引數

guide	引導影像（或影像陣列），最多 3 通道；如果超過 3 通道，則只使用前 3 個通道。
radius	引導濾波器的半徑。
eps	引導濾波器的正則化項。\(eps^2\) 類似於 bilateralFilter 中色彩空間裡的 sigma。
scale	快速引導濾波器的下采樣因子，使用小於 1 的比例因子可以加快計算速度，幾乎沒有可見的質量下降。（例如，scale==0.5 會在濾波器內部將影像縮小 2 倍）

有關（快速）引導濾波器引數的更多詳細資訊，請參見原始文章 [123] [122]。

◆ createQuaternionImage()

void cv::ximgproc::createQuaternionImage	(	InputArray	img,
		OutputArray	qimg )

Python
	cv.ximgproc.createQuaternionImage(	img[, qimg]	) ->	qimg

建立四元數影像。

引數

img	源 8 位、32 位或 64 點陣圖像，3 通道影像。
qimg	結果 CV_64FC4 四元數影像（4 通道，零通道和 B、G、R）。

◆ createRICInterpolator()

Ptr< RICInterpolator > cv::ximgproc::createRICInterpolator ( )

Python
	cv.ximgproc.createRICInterpolator(		) ->	retval

#include <opencv2/ximgproc/sparse_match_interpolator.hpp>

建立 RICInterpolator 例項的工廠方法。

◆ createRightMatcher()

Ptr< StereoMatcher > cv::ximgproc::createRightMatcher ( Ptr< StereoMatcher > matcher_left )

Python
	cv.ximgproc.createRightMatcher(	matcher_left	) ->	retval

便捷方法，用於設定匹配器以計算右檢視視差圖，這在帶置信度濾波的情況下是必需的。

引數

matcher_left 將與濾波器一起使用的主要立體匹配器例項

◆ dtFilter()

void cv::ximgproc::dtFilter	(	InputArray	guide,
		InputArray	src,
		OutputArray	dst,
		double	sigmaSpatial,
		double	sigmaColor,
		int	mode = DTF_NC,
		int	numIters = 3 )

Python
	cv.ximgproc.dtFilter(	guide, src, sigmaSpatial, sigmaColor[, dst[, mode[, numIters]]]	) ->	dst

簡單的一行域變換濾波器呼叫。如果您有多個影像要用相同的引導影像進行濾波，則使用 DTFilter 介面可以避免初始化階段的額外計算。

引數

guide	引導影像（也稱為聯合影像），具有 8 位無符號或 32 位浮點深度，最多 4 個通道。
src	濾波影像，具有 8 位無符號或 32 位浮點深度，最多 4 個通道。
dst	目標影像
sigmaSpatial	\(\sigma_H\) 引數在原始文章中，類似於 bilateralFilter 中座標空間裡的 sigma。
sigmaColor	\(\sigma_r\) 引數在原始文章中，類似於 bilateralFilter 中色彩空間裡的 sigma。
mode	DTF_NC、DTF_RF 和 DTF_IC 三種模式之一，對應於文章中二維訊號濾波的三種模式。
numIters	濾波使用的可選迭代次數，3 次就足夠了。

另請參見: bilateralFilter, guidedFilter, amFilter

◆ fastBilateralSolverFilter()

void cv::ximgproc::fastBilateralSolverFilter	(	InputArray	guide,
		InputArray	src,
		InputArray	confidence,
		OutputArray	dst,
		double	sigma_spatial = 8,
		double	sigma_luma = 8,
		double	sigma_chroma = 8,
		double	lambda = 128.0,
		int	num_iter = 25,
		double	max_tol = 1e-5 )

Python
	cv.ximgproc.fastBilateralSolverFilter(	guide, src, confidence[, dst[, sigma_spatial[, sigma_luma[, sigma_chroma[, lambda_[, num_iter[, max_tol]]]]]]]	) ->	dst

簡單的一行快速雙邊求解器濾波器呼叫。如果您有多個影像要用相同的引導圖進行濾波，則使用 FastBilateralSolverFilter 介面可以避免額外計算。

引數

guide	用作濾波引導的影像。它應具有 8 位深度，並且是 1 或 3 通道影像。
src	用於濾波的源影像，具有 8 位無符號、16 位有符號或 32 位浮點深度，最多 4 個通道。
confidence	置信度影像，具有 8 位無符號或 32 位浮點置信度，1 個通道。
dst	目標影像。
sigma_spatial	引數，類似於 bilateralFilter 中空間域 sigma（頻寬）。
sigma_luma	引數，類似於 bilateralFilter 中亮度空間 sigma（頻寬）。
sigma_chroma	引數，類似於 bilateralFilter 中色度空間 sigma（頻寬）。
lambda	求解器的平滑強度引數。
num_iter	求解器使用的迭代次數，通常 25 次就足夠了。
max_tol	求解器使用的收斂容差。

有關快速雙邊求解器引數的更多詳細資訊，請參見原始論文 [20]。

注意: 深度為 CV_8U 的置信度影像應在 [0, 255] 範圍內，CV_32F 的置信度影像應在 [0, 1] 範圍內。

◆ fastGlobalSmootherFilter()

void cv::ximgproc::fastGlobalSmootherFilter	(	InputArray	guide,
		InputArray	src,
		OutputArray	dst,
		double	lambda,
		double	sigma_color,
		double	lambda_attenuation = 0.25,
		int	num_iter = 3 )

Python
	cv.ximgproc.fastGlobalSmootherFilter(	guide, src, lambda_, sigma_color[, dst[, lambda_attenuation[, num_iter]]]	) ->	dst

簡單的一行快速全域性平滑器濾波器呼叫。如果您有多個影像要用相同的引導圖進行濾波，則使用 FastGlobalSmootherFilter 介面可以避免額外計算。

引數

guide	用作濾波引導的影像。它應具有 8 位深度，並且是 1 或 3 通道影像。
src	用於濾波的源影像，具有 8 位無符號、16 位有符號或 32 位浮點深度，最多 4 個通道。
dst	目標影像。
lambda	定義正則化量的引數
sigma_color	引數，類似於 bilateralFilter 中色彩空間裡的 sigma。
lambda_attenuation	內部引數，定義每次迭代後 lambda 減少的量。通常應為 0.25。將其設定為 1.0 可能會導致條紋偽影。
num_iter	濾波使用的迭代次數，通常 3 次就足夠了。

◆ getDisparityVis()

void cv::ximgproc::getDisparityVis	(	InputArray	src,
		OutputArray	dst,
		double	scale = 1.0 )

Python
	cv.ximgproc.getDisparityVis(	src[, dst[, scale]]	) ->	dst

用於建立視差圖視覺化（鉗位 CV_8U 影像）的函式

引數

src	輸入視差圖（CV_16S 深度）
dst	輸出視覺化結果
scale	視差圖將乘以該值進行視覺化

◆ GradientDericheX()

void cv::ximgproc::GradientDericheX	(	InputArray	op,
		OutputArray	dst,
		double	alpha,
		double	omega )

Python
	cv.ximgproc.GradientDericheX(	op, alpha, omega[, dst]	) ->	dst

#include <opencv2/ximgproc/deriche_filter.hpp>

將 X Deriche 濾波器應用於影像。

有關此實現的更多詳細資訊，請參見 http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.476.5736&rep=rep1&type=pdf

引數

op	源 8 位或 16 點陣圖像，1 通道或 3 通道影像。
dst	結果 CV_32FC 影像，與 _op 具有相同通道數。
alpha	double 參見論文
omega	double 參見論文

◆ GradientDericheY()

void cv::ximgproc::GradientDericheY	(	InputArray	op,
		OutputArray	dst,
		double	alpha,
		double	omega )

Python
	cv.ximgproc.GradientDericheY(	op, alpha, omega[, dst]	) ->	dst

#include <opencv2/ximgproc/deriche_filter.hpp>

將 Y Deriche 濾波器應用於影像。

有關此實現的更多詳細資訊，請參見 http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.476.5736&rep=rep1&type=pdf

引數

op	源 8 位或 16 點陣圖像，1 通道或 3 通道影像。
dst	結果 CV_32FC 影像，與 _op 具有相同通道數。
alpha	double 參見論文
omega	double 參見論文

◆ GradientPaillouX()

void cv::ximgproc::GradientPaillouX	(	InputArray	op,
		OutputArray	_dst,
		double	alpha,
		double	omega )

#include <opencv2/ximgproc/paillou_filter.hpp>

◆ GradientPaillouY()

void cv::ximgproc::GradientPaillouY	(	InputArray	op,
		OutputArray	_dst,
		double	alpha,
		double	omega )

#include <opencv2/ximgproc/paillou_filter.hpp>

將 Paillou 濾波器應用於影像。

有關此實現的更多詳細資訊，請參見 [215]

引數

op	源 CV_8U(S) 或 CV_16U(S)，1 通道或 3 通道影像。
_dst	結果 CV_32F 影像，與 op 具有相同通道數。
omega	double 參見論文
alpha	double 參見論文

另請參見: GradientPaillouX, GradientPaillouY

◆ guidedFilter()

void cv::ximgproc::guidedFilter	(	InputArray	guide,
		InputArray	src,
		OutputArray	dst,
		int	radius,
		double	eps,
		int	dDepth = -1,
		double	scale = 1.0 )

Python
	cv.ximgproc.guidedFilter(	guide, src, radius, eps[, dst[, dDepth[, scale]]]	) ->	dst

簡單的單行(快速)引導濾波器呼叫。

如果您有多個影像要用相同的引導影像進行濾波，則使用 GuidedFilter 介面可以避免初始化階段的額外計算。

引數

guide	引導影像（或影像陣列），最多 3 通道；如果超過 3 通道，則只使用前 3 個通道。
src	具有任意通道數的濾波影像。
dst	輸出影像。
radius	引導濾波器的半徑。
eps	引導濾波器的正則化項。\(eps^2\) 類似於 bilateralFilter 中色彩空間裡的 sigma。
dDepth	輸出影像的可選深度。
scale	快速引導濾波器的下采樣因子，使用小於 1 的比例因子可以加快計算速度，幾乎沒有可見的質量下降。（例如，scale==0.5 會在濾波器內部將影像縮小 2 倍）

另請參見: bilateralFilter, dtFilter, amFilter

◆ jointBilateralFilter()

void cv::ximgproc::jointBilateralFilter	(	InputArray	joint,
		InputArray	src,
		OutputArray	dst,
		int	d,
		double	sigmaColor,
		double	sigmaSpace,
		int	borderType = BORDER_DEFAULT )

Python
	cv.ximgproc.jointBilateralFilter(	joint, src, d, sigmaColor, sigmaSpace[, dst[, borderType]]	) ->	dst

將聯合雙邊濾波器應用於影像。

引數

joint	聯合 8 位或浮點型，1 通道或 3 通道影像。
src	源 8 位或浮點型，1 通道或 3 通道影像，深度與聯合影像相同。
dst	與 src 具有相同大小和型別的目標影像。
d	濾波期間使用的每個畫素鄰域的直徑。如果為非正值，則從 sigmaSpace 計算。
sigmaColor	色彩空間中的濾波器 sigma。引數值越大，意味著畫素鄰域（參見 sigmaSpace）內相距較遠的顏色也將混合在一起，從而產生更大的近似均勻色彩區域。
sigmaSpace	座標空間中的濾波器 sigma。引數值越大，意味著相距較遠的畫素只要顏色足夠接近（參見 sigmaColor），就會相互影響。當 d>0 時，它指定鄰域大小，而與 sigmaSpace 無關。否則，d 與 sigmaSpace 成比例。
borderType

注意: bilateralFilter 和 jointBilateralFilter 使用 L1 範數計算顏色差異。

另請參見: bilateralFilter, amFilter

◆ l0Smooth()

void cv::ximgproc::l0Smooth	(	InputArray	src,
		OutputArray	dst,
		double	lambda = 0.02,
		double	kappa = 2.0 )

Python
	cv.ximgproc.l0Smooth(	src[, dst[, lambda_[, kappa]]]	) ->	dst

透過 L0 梯度最小化進行全域性影像平滑。

引數

src	用於濾波的源影像，具有 8 位無符號、16 位有符號或浮點深度。
dst	目標影像。
lambda	定義平滑項權重的引數。
kappa	定義梯度資料項權重增加因子的引數。

有關 L0 平滑器的更多詳細資訊，請參見原始論文 [308]。

◆ qconj()

void cv::ximgproc::qconj	(	InputArray	qimg,
		OutputArray	qcimg )

Python
	cv.ximgproc.qconj(	qimg[, qcimg]	) ->	qcimg

計算四元數影像的共軛。

引數

qimg	四元數影像。
qcimg	qimg 的共軛

◆ qdft()

void cv::ximgproc::qdft	(	InputArray	img,
		OutputArray	qimg,
		int	flags,
		bool	sideLeft )

Python
	cv.ximgproc.qdft(	img, flags, sideLeft[, qimg]	) ->	qimg

對二維四元數陣列執行正向或逆向離散四元數傅立葉變換。

引數

img	四元數影像。
qimg	對偶空間中的四元數影像。
flags	對偶空間中的四元數影像。僅支援 DFT_INVERSE 標誌。
sideLeft	如果為 true，超複數指數在左側相乘（如果為 false，則在右側）。

◆ qmultiply()

void cv::ximgproc::qmultiply	(	InputArray	src1,
		InputArray	src2,
		OutputArray	dst )

Python
	cv.ximgproc.qmultiply(	src1, src2[, dst]	) ->	dst

計算兩個陣列的逐元素四元數乘積。

引數

src1	四元數影像。
src2	四元數影像。
dst	product dst(I)=src1(I) . src2(I)

乘積 dst(I)=src1(I) . src2(I)

◆ qunitary()	(	InputArray	qimg,
		OutputArray	void cv::ximgproc::qunitary

Python
	qnimg )	cv.ximgproc.qunitary(	) ->	qimg[, qnimg]

將每個元素除以其模數。

引數

qimg	四元數影像。
qimg[, qnimg]	qimg 的共軛

qnimg

◆ readGT()	(	String	int cv::ximgproc::readGT,
		OutputArray	dst )

Python
	src_path	cv.ximgproc.readGT(	) ->	retval, dst

讀取真實視差圖的函式。支援基本的 Middlebury 和 MPI-Sintel 格式。請注意，結果視差圖會按比例放大16倍。

引數

int cv::ximgproc::readGT	src_path[, dst]
dst	包含真實視差圖的影像路徑

返回: 輸出視差圖，CV_16S 深度

如果成功讀取真實值則返回零

◆ rollingGuidanceFilter()	(	InputArray	src,
		OutputArray	dst,
		int	void cv::ximgproc::rollingGuidanceFilter
		double	d = -1,
		double	sigmaColor = 25,
		int	sigmaSpace = 3,
		int	borderType = BORDER_DEFAULT )

Python
	numOfIter = 4,	cv.ximgproc.rollingGuidanceFilter(	) ->	dst