擴充套件影像處理

主題
	用於快速邊緣檢測的結構化森林
	邊緣框
	濾波器
	超畫素
	影像分割
	快速直線檢測器
	邊緣繪製
	傅立葉描述子
	基於遊程編碼影像的二值形態學

詳細說明

列舉
enum	cv::ximgproc::LocalBinarizationMethods {   cv::ximgproc::BINARIZATION_NIBLACK = 0 ,   cv::ximgproc::BINARIZATION_SAUVOLA = 1 ,   cv::ximgproc::BINARIZATION_WOLF = 2 ,   cv::ximgproc::BINARIZATION_NICK = 3 }
	指定在 cv::ximgproc::niBlackThreshold 中使用的二值化方法。 更多...
enum	cv::ximgproc::ThinningTypes {   cv::ximgproc::THINNING_ZHANGSUEN = 0 ,   cv::ximgproc::THINNING_GUOHALL = 1 }

函式
void	cv::ximgproc::anisotropicDiffusion (InputArray src, OutputArray dst, float alpha, float K, int niters)
	對影像執行各向異性擴散。
void	cv::ximgproc::edgePreservingFilter (InputArray src, OutputArray dst, int d, double threshold)
	使用邊緣保留濾波器平滑影像。
void	cv::ximgproc::findEllipses (InputArray image, OutputArray ellipses, float scoreThreshold=0.7f, float reliabilityThreshold=0.5f, float centerDistanceThreshold=0.05f)
	使用投影不變修剪 (projective invariant pruning) 快速查詢影像中的橢圓。
void	cv::ximgproc::niBlackThreshold (InputArray _src, OutputArray _dst, double maxValue, int type, int blockSize, double k, int binarizationMethod=BINARIZATION_NIBLACK, double r=128)
	使用 Niblack 技術或其啟發的一些流行變體對輸入影像執行二值化。
Matx23d	cv::ximgproc::PeiLinNormalization (InputArray I)
	使用裴-林歸一化計算歸一化給定影像的仿射變換。
void	cv::ximgproc::PeiLinNormalization (InputArray I, OutputArray T)
void	cv::ximgproc::thinning (InputArray src, OutputArray dst, int thinningType=THINNING_ZHANGSUEN)
	應用二值斑點細化操作，以實現輸入影像的骨架化。

列舉型別文件 (Enumeration Type Documentation)

LocalBinarizationMethods

enum cv::ximgproc::LocalBinarizationMethods

#include <opencv2/ximgproc.hpp>

指定在 cv::ximgproc::niBlackThreshold 中使用的二值化方法。

列舉值 (Enumerator)
BINARIZATION_NIBLACK  Python: cv.ximgproc.BINARIZATION_NIBLACK	經典的 Niblack 二值化。參見 [212]。
BINARIZATION_SAUVOLA  Python: cv.ximgproc.BINARIZATION_SAUVOLA	Sauvola 技術。參見 [241]。
BINARIZATION_WOLF  Python: cv.ximgproc.BINARIZATION_WOLF	Wolf 技術。參見 [305]。
BINARIZATION_NICK  Python: cv.ximgproc.BINARIZATION_NICK	NICK 技術。參見 [151]。

ThinningTypes

enum cv::ximgproc::ThinningTypes

#include <opencv2/ximgproc.hpp>

列舉值 (Enumerator)
THINNING_ZHANGSUEN  Python: cv.ximgproc.THINNING_ZHANGSUEN
THINNING_GUOHALL  Python: cv.ximgproc.THINNING_GUOHALL

函式文件 (Function Documentation)

anisotropicDiffusion()

void cv::ximgproc::anisotropicDiffusion	(	InputArray	src,
		OutputArray	dst,
		float	alpha,
		float	K,
		int	niters )

Python
	cv.ximgproc.anisotropicDiffusion(	src, alpha, K, niters[, dst]	) ->	dst

#include <opencv2/ximgproc.hpp>

對影像執行各向異性擴散。

該函式將 Perona-Malik 各向異性擴散應用於影像。這是偏微分方程的解

\[{\frac {\partial I}{\partial t}}={\mathrm {div}}\left(c(x,y,t)\nabla I\right)=\nabla c\cdot \nabla I+c(x,y,t)\Delta I\]

建議的 c(x,y,t) 函式為

\[c\left(\|\nabla I\|\right)=e^{{-\left(\|\nabla I\|/K\right)^{2}}}\]

或者

\[ c\left(\|\nabla I\|\right)={\frac {1}{1+\left({\frac {\|\nabla I\|}{K}}\right)^{2}}} \]

引數

src	具有 3 個通道的源影像。
dst	與 src 具有相同大小和相同通道數的目的影像。
alpha	每次迭代向前推進的時間量（通常在 0 到 1 之間）。
K	對邊緣的敏感度
niters	迭代次數

edgePreservingFilter()

void cv::ximgproc::edgePreservingFilter	(	InputArray	src,
		OutputArray	dst,
		int	d,
		double	閾值 (threshold) )

Python
	cv.ximgproc.edgePreservingFilter(	src, d, threshold[, dst]	) ->	dst

#include <opencv2/ximgproc/edgepreserving_filter.hpp>

使用邊緣保留濾波器平滑影像。

該函式可以平滑高斯噪聲以及椒鹽噪聲。有關此實現的更多詳細資訊，請參閱 [ReiWoe18] Reich, S. and Wörgötter, F. and Dellen, B. (2018). A Real-Time Edge-Preserving Denoising Filter. Proceedings of the 13th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISIGRAPP): Visapp, 85-94, 4. DOI: 10.5220/0006509000850094。

引數

src	源 8 位 3 通道影像。
dst	與源影像大小和型別相同的目標影像。
d	濾波過程中使用的每個畫素鄰域的直徑。必須大於或等於 3。
閾值 (threshold)	區分噪聲、異常值和資料的閾值。

findEllipses()

void cv::ximgproc::findEllipses	(	InputArray	影像,
		OutputArray	ellipses,
		float	scoreThreshold = 0.7f,
		float	reliabilityThreshold = 0.5f,
		float	centerDistanceThreshold = 0.05f )

Python
	cv.ximgproc.findEllipses(	image[, ellipses[, scoreThreshold[, reliabilityThreshold[, centerDistanceThreshold]]]]	) ->	ellipses

#include <opencv2/ximgproc/find_ellipses.hpp>

使用投影不變修剪 (projective invariant pruning) 快速查詢影像中的橢圓。

該函式使用投影不變性剪枝來檢測影像中的橢圓。有關此實現的更多詳細資訊，請參閱 [142] Jia, Qi et al, (2017). A Fast Ellipse Detector using Projective Invariant Pruning. IEEE Transactions on Image Processing。

引數

影像	輸入影像，可以是灰度或彩色。
ellipses	輸出找到的橢圓向量。每個向量編碼為五個浮點數 $x, y, a, b, radius, score$。
scoreThreshold	float，橢圓分數的閾值。
reliabilityThreshold	float，可靠性閾值。
centerDistanceThreshold	float，中心距離閾值。

niBlackThreshold()

void cv::ximgproc::niBlackThreshold	(	InputArray	_src,
		OutputArray	_dst,
		double	maxValue,
		int	type,
		int	blockSize,
		double	k,
		int	binarizationMethod = BINARIZATION_NIBLACK,
		double	r = 128 )

Python
	cv.ximgproc.niBlackThreshold(	_src, maxValue, type, blockSize, k[, _dst[, binarizationMethod[, r]]]	) ->	_dst

#include <opencv2/ximgproc.hpp>

使用 Niblack 技術或其啟發的一些流行變體對輸入影像執行二值化。

該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}}{if \(src(x,y) > T(x,y)\)}{0}{otherwise}\]

• THRESH_BINARY_INV

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

  其中 \(T(x,y)\) 是為每個畫素單獨計算的閾值。

閾值 \(T(x, y)\) 根據選擇的二值化方法確定。對於經典的 Niblack 方法，它等於均值減去 \( k \) 倍的標準差，其中標準差是在 \((x, y)\) 的 \(\texttt{blockSize} \times\texttt{blockSize}\) 鄰域內計算的。

該函式無法就地處理影像。

引數

_src	源 8 位單通道影像。
_dst	與 src 具有相同大小和相同型別的目的影像。
maxValue	分配給滿足條件的畫素的非零值，用於 THRESH_BINARY 和 THRESH_BINARY_INV 閾值型別。
type	閾值型別，請參閱 cv::ThresholdTypes。
blockSize	用於計算畫素閾值的畫素鄰域大小：3、5、7 等。
k	Niblack 及其衍生技術使用的使用者可調引數。對於 Niblack，它通常是介於 0 和 1 之間的值，乘以標準差並從均值中減去。
binarizationMethod	要使用的二值化方法。預設情況下使用 Niblack 技術。可以指定其他技術，請參閱 cv::ximgproc::LocalBinarizationMethods。
r	Sauvola 技術使用的使用者可調引數。這是標準差的動態範圍。

另請參閱

threshold, adaptiveThreshold

PeiLinNormalization() [1/2]

Matx23d cv::ximgproc::PeiLinNormalization

(

InputArray

I

)

Python
	cv.ximgproc.PeiLinNormalization(	I[, T]	) ->	T

#include <opencv2/ximgproc/peilin.hpp>

使用裴-林歸一化計算歸一化給定影像的仿射變換。

假設給定影像 \(I=T(\bar{I})\)，其中 \(\bar{I}\) 是歸一化影像，而 \(T\) 是透過平移、旋轉、縮放和傾斜扭曲該影像的仿射變換。該函式返回一個與 [PeiLin95] 中描述的變換 \(T^{-1}\) 對應的仿射變換矩陣。有關此實現的更多詳細資訊，請參閱 [PeiLin95] Soo-Chang Pei 和 Chao-Nan Lin。Image normalization for pattern recognition. Image and Vision Computing, Vol. 13, N.10, pp. 711-723, 1995。

引數

I

給定的變換影像。

返回

對應於逆影像變換的變換矩陣

PeiLinNormalization() [2/2]

void cv::ximgproc::PeiLinNormalization	(	InputArray	I,
		OutputArray	T )

Python
	cv.ximgproc.PeiLinNormalization(	I[, T]	) ->	T

#include <opencv2/ximgproc/peilin.hpp>

這是一個過載的成員函式，為方便起見而提供。它與上述函式的區別僅在於所接受的引數不同。

thinning()

void cv::ximgproc::thinning	(	InputArray	src,
		OutputArray	dst,
		int	thinningType = THINNING_ZHANGSUEN )

Python
	cv.ximgproc.thinning(	src[, dst[, thinningType]]	) ->	dst

#include <opencv2/ximgproc.hpp>

應用二值斑點細化操作，以實現輸入影像的骨架化。

該函式使用 Zhang-Suen 技術將二值斑塊影像轉換為骨架化形式。

引數

src	源 8 位單通道影像，包含二值斑塊，斑塊具有 255 畫素值。
dst	與 src 具有相同大小和相同型別的目的影像。該函式可以就地工作。
thinningType	定義應使用哪種細化演算法的值。請參閱 cv::ximgproc::ThinningTypes