cv::segmentation::IntelligentScissorsMB 類參考

智慧剪刀影像分割。 更多...

#include <opencv2/imgproc/segmentation.hpp>

cv::segmentation::IntelligentScissorsMB 的協作圖

公共成員函式
	IntelligentScissorsMB ()
IntelligentScissorsMB &	applyImage (InputArray image)
	指定輸入影像並提取影像特徵。
IntelligentScissorsMB &	applyImageFeatures (InputArray non_edge, InputArray gradient_direction, InputArray gradient_magnitude, InputArray image=noArray())
	指定輸入影像的自定義特徵。
void	buildMap (const Point &sourcePt)
	為影像上給定的源點準備最佳路徑的地圖。
void	getContour (const Point &targetPt, OutputArray contour, bool backward=false) const
	提取影像上給定目標點的最佳輪廓。
IntelligentScissorsMB &	setEdgeFeatureCannyParameters (double threshold1, double threshold2, int apertureSize=3, bool L2gradient=false)
	切換邊緣特徵提取器以使用 Canny 邊緣檢測器。
IntelligentScissorsMB &	setEdgeFeatureZeroCrossingParameters (float gradient_magnitude_min_value=0.0f)
	切換到“拉普拉斯過零點”邊緣特徵提取器並指定其引數。
IntelligentScissorsMB &	setGradientMagnitudeMaxLimit (float gradient_magnitude_threshold_max=0.0f)
	指定梯度幅度最大值閾值。
IntelligentScissorsMB &	setWeights (float weight_non_edge, float weight_gradient_direction, float weight_gradient_magnitude)
	指定特徵函式的權重。

詳細描述

智慧剪刀影像分割。

此類用於查詢兩點之間的路徑（輪廓），該路徑可用於影像分割。

使用示例

    segmentation::IntelligentScissorsMB 工具;
tool.setEdgeFeatureCannyParameters(16, 100) // 使用 Canny() 作為邊緣特徵提取器
.setGradientMagnitudeMaxLimit(200);
 
    // 計算影像特徵
tool.applyImage(image);
 
    // 計算指定源點的地圖
    Point source_point(200, 100);
tool.buildMap(source_point);
 
    // 快速獲取輪廓
    // 對於指定的目標點和預先計算的地圖（內部儲存）
    Point target_point(400, 300);
std::vector<Point> pts;
tool.getContour(target_point, pts);

參考文獻： "用於影像合成的智慧剪刀" 由 Eric N. Mortensen 和 William A. Barrett 設計的演算法，楊百翰大學 [202]

建構函式 & 解構函式文件

IntelligentScissorsMB()

cv::segmentation::IntelligentScissorsMB::IntelligentScissorsMB

(

)

Python
	cv.segmentation.IntelligentScissorsMB(		) ->	<segmentation_IntelligentScissorsMB 物件>

成員函式文件

applyImage()

IntelligentScissorsMB & cv::segmentation::IntelligentScissorsMB::applyImage

(

InputArray

image

)

Python
	cv.segmentation.IntelligentScissorsMB.applyImage(	image	) ->	retval

指定輸入影像並提取影像特徵。

引數

image

輸入影像。型別為 CV_8UC1 / CV_8UC3

applyImageFeatures()

IntelligentScissorsMB & cv::segmentation::IntelligentScissorsMB::applyImageFeatures	(	InputArray	non_edge,
		InputArray	gradient_direction,
		InputArray	gradient_magnitude,
		InputArray	image = noArray() )

Python
	cv.segmentation.IntelligentScissorsMB.applyImageFeatures(	non_edge, gradient_direction, gradient_magnitude[, image]	) ->	retval

指定輸入影像的自定義特徵。

applyImage() 呼叫的自定義高階變體。

引數

non_edge	指定非邊緣畫素的成本。型別為 CV_8UC1。期望值為 {0, 1}。
gradient_direction	指定梯度方向特徵。型別為 CV_32FC2。值應標準化： x^2 + y^2 == 1
gradient_magnitude	指定梯度幅度函式的成本：型別為 CV_32FC1。值應在範圍 [0, 1] 內。
image	可選引數。如果指定了特徵的子集，則必須指定（未指定的特徵在內部計算）

此函式的呼叫圖如下

buildMap()

void cv::segmentation::IntelligentScissorsMB::buildMap

(

const Point &

sourcePt

)

Python
	cv.segmentation.IntelligentScissorsMB.buildMap(	sourcePt	) ->	無

為影像上給定的源點準備最佳路徑的地圖。

注意

applyImage() / applyImageFeatures() 必須在此呼叫之前呼叫

引數

sourcePt

用於查詢路徑的源點

getContour()

void cv::segmentation::IntelligentScissorsMB::getContour	(	const Point &	targetPt,
		OutputArray	contour,
		bool	backward = false ) const

Python
	cv.segmentation.IntelligentScissorsMB.getContour(	targetPt[, contour[, backward]]	) ->	contour

提取影像上給定目標點的最佳輪廓。

注意

buildMap() 必須在此呼叫之前呼叫

引數

	targetPt	目標點
[輸出]	contour	畫素列表，其中包含影像的源點和目標點之間的最佳路徑。型別為 CV_32SC2（與 std::vector<Point> 相容）
	backward	指示檢索到的畫素的反向順序的標誌（使用“true”值從目標點獲取到源點的點）

setEdgeFeatureCannyParameters()

IntelligentScissorsMB & cv::segmentation::IntelligentScissorsMB::setEdgeFeatureCannyParameters	(	double	threshold1,
		double	threshold2,
		int	apertureSize = 3,
		bool	L2gradient = false )

Python
	cv.segmentation.IntelligentScissorsMB.setEdgeFeatureCannyParameters(	threshold1, threshold2[, apertureSize[, L2gradient]]	) ->	retval

切換邊緣特徵提取器以使用 Canny 邊緣檢測器。

注意

預設使用“拉普拉斯過零點”特徵提取器（遵循原始文章）

另請參見

Canny

setEdgeFeatureZeroCrossingParameters()

IntelligentScissorsMB & cv::segmentation::IntelligentScissorsMB::setEdgeFeatureZeroCrossingParameters

(

float

gradient_magnitude_min_value = 0.0f

)

Python
	cv.segmentation.IntelligentScissorsMB.setEdgeFeatureZeroCrossingParameters(	[, gradient_magnitude_min_value]	) ->	retval

切換到“拉普拉斯過零點”邊緣特徵提取器並指定其引數。

根據文章，預設使用此特徵提取器。

此實現對低振幅噪聲的區域進行了額外的過濾。此過濾透過最小梯度振幅引數啟用（使用一些小值 4、8、16）。

注意

此特徵提取器的當前實現基於灰度影像的處理（彩色影像首先轉換為灰度影像）。

Canny 邊緣檢測器稍慢，但提供更好的結果（尤其是在彩色影像上）：使用 setEdgeFeatureCannyParameters()。

引數

gradient_magnitude_min_value

邊緣畫素的最小梯度幅度值（預設值：0，停用檢查）

setGradientMagnitudeMaxLimit()

IntelligentScissorsMB & cv::segmentation::IntelligentScissorsMB::setGradientMagnitudeMaxLimit

(

float

gradient_magnitude_threshold_max = 0.0f

)

Python
	cv.segmentation.IntelligentScissorsMB.setGradientMagnitudeMaxLimit(	[, gradient_magnitude_threshold_max]	) ->	retval

指定梯度幅度最大值閾值。

零限制值用於停用梯度幅度閾值處理（預設行為，如原始文章中所述）。否則，梯度幅度 >= 閾值的畫素具有零成本。

注意

閾值處理應該用於具有不規則區域的影像（以避免卡在高對比度區域的引數上，如嵌入式徽標）。

引數

gradient_magnitude_threshold_max

指定梯度幅度最大值閾值（預設值：0，停用）

setWeights()

IntelligentScissorsMB & cv::segmentation::IntelligentScissorsMB::setWeights	(	float	weight_non_edge,
		float	weight_gradient_direction,
		float	weight_gradient_magnitude )

Python
	cv.segmentation.IntelligentScissorsMB.setWeights(	weight_non_edge, weight_gradient_direction, weight_gradient_magnitude	) ->	retval

指定特徵函式的權重。

考慮保持權重標準化（權重之和等於 1.0）離散動態規劃 (DP) 的目標是最小化畫素之間的成本。

引數

weight_non_edge	指定非邊緣畫素的成本（預設值：0.43f）
weight_gradient_direction	指定梯度方向函式的成本（預設值：0.43f）
weight_gradient_magnitude	指定梯度幅度函式的成本（預設值：0.14f）

---

此類文件由以下檔案生成

• opencv2/imgproc/segmentation.hpp