实现 PCT（位置-颜色-纹理）特征提取的类，如 [151] 中所述。该算法分为特征采样器和聚类器。特征采样器在给定坐标集上生成样本。聚类器然后使用 k-means 算法生成这些样本的簇。生成的簇集是输入图像的特征。更多...

#include <opencv2/xfeatures2d.hpp>

cv::xfeatures2d::PCTSignatures 的协作图

公共类型
enum	DistanceFunction { L0_25 , L0_5 , L1 , L2 , L2SQUARED , L5 , L_INFINITY }
	Lp 距离函数选择器。更多...

enum	PointDistribution { UNIFORM , REGULAR , NORMAL }
	随机点生成器支持的点分布。更多...

enum	SimilarityFunction { MINUS , GAUSSIAN , HEURISTIC }
	相似度函数选择器。更多...

公共成员函数
virtual void	computeSignature (InputArray image, OutputArray signature) const =0
	计算给定图像的特征。

virtual void	computeSignatures (const std::vector< Mat > &images, std::vector< Mat > &signatures) const =0
	并行计算多个图像的特征。

virtual int	getClusterMinSize () const =0
	此参数乘以迭代索引给出簇大小的下限。包含少于指定限制的点的簇将被丢弃，并且点将被重新分配。

virtual int	getDistanceFunction () const =0
	用于测量 k-means 中两点之间距离的距离函数选择器。

virtual float	getDropThreshold () const =0
	在 k-means 中删除权重小于或等于给定阈值的质心。

virtual int	getGrayscaleBits () const =0
	灰度位图的颜色分辨率以分配的位表示（即，值 4 表示使用 16 种灰度）。灰度位图用于计算对比度和熵值。

virtual int	getInitSeedCount () const =0
	k-means 算法的初始种子数（初始簇数）。

virtual std::vector< int >	getInitSeedIndexes () const =0
	k-means 算法的初始种子（初始簇数）。

virtual int	getIterationCount () const =0
	k-means 聚类的迭代次数。我们使用固定数量的迭代，因为修改后的聚类正在修剪簇（而不是迭代地优化 k 个簇）。

virtual float	getJoiningDistance () const =0
	两个质心之间的阈值欧氏距离。如果两个簇中心之间的距离小于此距离，则丢弃其中一个质心，并将点重新分配。

virtual int	getMaxClustersCount () const =0
	生成簇的最大数量。如果超过该数量，则按权重对簇进行排序，并裁剪最小的簇。

virtual int	getSampleCount () const =0
	从图像中获取的初始样本数量。

virtual std::vector< Point2f >	getSamplingPoints () const =0
	从图像中获取的初始样本。这些采样特征成为聚类的输入。

virtual float	getWeightA () const =0
	权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual float	getWeightB () const =0
	权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual float	getWeightContrast () const =0
	权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual float	getWeightEntropy () const =0
	权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual float	getWeightL () const =0
	权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual float	getWeightX () const =0
	权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual float	getWeightY () const =0
	权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual int	getWindowRadius () const =0
	用于计算对比度和熵的纹理采样窗口的大小（窗口的中心始终在由相应特征样本的 x、y 坐标选择的像素处）。

virtual void	setClusterMinSize (int clusterMinSize)=0
	此参数乘以迭代索引给出簇大小的下限。包含少于指定限制的点的簇将被丢弃，并且点将被重新分配。

virtual void	setDistanceFunction (int distanceFunction)=0
	用于测量 k-means 中两点之间距离的距离函数选择器。可用：L0_25、L0_5、L1、L2、L2SQUARED、L5、L_INFINITY。

virtual void	setDropThreshold (float dropThreshold)=0
	在 k-means 中删除权重小于或等于给定阈值的质心。

virtual void	setGrayscaleBits (int grayscaleBits)=0
	灰度位图的颜色分辨率以分配的位表示（即，值 4 表示使用 16 种灰度）。灰度位图用于计算对比度和熵值。

virtual void	setInitSeedIndexes (std::vector< int > initSeedIndexes)=0
	k-means 算法的初始种子索引。

virtual void	setIterationCount (int iterationCount)=0
	k-means 聚类的迭代次数。我们使用固定数量的迭代，因为修改后的聚类正在修剪簇（而不是迭代地优化 k 个簇）。

virtual void	setJoiningDistance (float joiningDistance)=0
	两个质心之间的阈值欧氏距离。如果两个簇中心之间的距离小于此距离，则丢弃其中一个质心，并将点重新分配。

virtual void	setMaxClustersCount (int maxClustersCount)=0
	生成簇的最大数量。如果超过该数量，则按权重对簇进行排序，并裁剪最小的簇。

virtual void	setSamplingPoints (std::vector< Point2f > samplingPoints)=0
	设置用于采样输入图像的采样点。

virtual void	setTranslation (int idx, float value)=0
	特征空间各个轴的平移量。

virtual void	setTranslations (const std::vector< float > &translations)=0
	特征空间各个轴的平移量。

virtual void	setWeight (int idx, float value)=0
	权重（乘法常数）线性拉伸特征空间的各个轴。

virtual void	setWeightA (float weight)=0
	权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual void	setWeightB (float weight)=0
	权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual void	setWeightContrast (float weight)=0
	权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual void	setWeightEntropy (float weight)=0
	权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual void	setWeightL (float weight)=0
	权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual void	setWeights (const std::vector< float > &weights)=0
	权重（乘法常数）线性拉伸特征空间的各个轴。

virtual void	setWeightX (float weight)=0
	权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual void	setWeightY (float weight)=0
	权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual void	setWindowRadius (int radius)=0
	用于计算对比度和熵的纹理采样窗口的大小（窗口的中心始终在由相应特征样本的 x、y 坐标选择的像素处）。

从 cv::Algorithm 继承的公共成员函数
	Algorithm ()

virtual	~Algorithm ()

virtual void	clear ()
	清除算法状态。

virtual bool	empty () const
	如果 Algorithm 为空（例如在开始时或读取失败后），则返回 true。

virtual String	getDefaultName () const

virtual void	read (const FileNode &fn)
	从文件存储中读取算法参数。

virtual void	save (const String &filename) const

void	write (const Ptr< FileStorage > &fs, const String &name=String()) const

virtual void	write (FileStorage &fs) const
	将算法参数存储到文件存储中。

void	write (FileStorage &fs, const String &name) const

静态公共成员函数
static Ptr< PCTSignatures >	create (const int initSampleCount=2000, const int initSeedCount=400, const int pointDistribution=0)
	使用样本和种子计数创建 PCTSignatures 算法。它生成自己的采样点集和聚类种子索引集。

static Ptr< PCTSignatures >	create (const std::vector< Point2f > &initSamplingPoints, const int initSeedCount)
	使用预生成的采样点和聚类种子的数量创建 PCTSignatures 算法。它使用提供的采样点并生成自己的聚类种子索引。

static Ptr< PCTSignatures >	create (const std::vector< Point2f > &initSamplingPoints, const std::vector< int > &initClusterSeedIndexes)
	使用预生成的采样点和聚类种子索引创建 PCTSignatures 算法。

static void	drawSignature (InputArray source, InputArray signature, OutputArray result, float radiusToShorterSideRatio=1.0/8, int borderThickness=1)
	在源图像中绘制签名并输出结果。签名被可视化为一个圆圈，其半径基于签名权重，颜色基于签名颜色。对比度和熵没有被可视化。

static void	generateInitPoints (std::vector< Point2f > &initPoints, const int count, int pointDistribution)
	根据所选的点分布生成初始采样点。

从 cv::Algorithm 继承的静态公共成员函数
template<typename _Tp >
static Ptr< _Tp >	load (const String &filename, const String &objname=String())
	从文件中加载算法。

template<typename _Tp >
static Ptr< _Tp >	loadFromString (const String &strModel, const String &objname=String())
	从字符串中加载算法。

template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	从文件节点读取算法。

额外继承的成员
从 cv::Algorithm 继承的受保护成员函数
void	writeFormat (FileStorage &fs) const

详细描述

实现 PCT（位置-颜色-纹理）签名提取的类，如 [151] 中所述。该算法被划分为特征采样器和聚类器。特征采样器在给定坐标集上生成样本。然后，聚类器使用 k-means 算法生成这些样本的聚类。生成的聚类集是输入图像的签名。

签名是一个 SIGNATURE_DIMENSION 维点的点数组。使用的维度是：权重、x、y 位置；lab 颜色、对比度、熵。 [151] [22]

成员枚举文档

◆ DistanceFunction

enum cv::xfeatures2d::PCTSignatures::DistanceFunction

Lp 距离函数选择器。

枚举器
L0_25
L0_5
L1
L2
L2SQUARED
L5
L_INFINITY

◆ PointDistribution

enum cv::xfeatures2d::PCTSignatures::PointDistribution

随机点生成器支持的点分布。

枚举器
UNIFORM	均匀生成数字。
REGULAR	在规则网格中生成点。
NORMAL	以正态（高斯）分布生成点。

◆ SimilarityFunction

enum cv::xfeatures2d::PCTSignatures::SimilarityFunction

相似性函数选择器。

参见: Christian Beecks, Merih Seran Uysal, Thomas Seidl。签名二次型距离。在 ACM 图像和视频检索国际会议论文集，第 438-445 页。ACM，2010 年。 [22]

注意

对于所选的距离函数

\[ d(c_i, c_j) \]

和参数

\[ \alpha \]

枚举器
MINUS	\[ -d(c_i, c_j) \]
GAUSSIAN	\[ e^{ -\alpha * d^2(c_i, c_j)} \]
HEURISTIC	\[ \frac{1}{\alpha + d(c_i, c_j)} \]

成员函数文档

◆ computeSignature()

virtual void cv::xfeatures2d::PCTSignatures::computeSignature	(	InputArray	image,
		OutputArray	signature
	)		const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.computeSignature(	image[, signature]	) ->	signature

计算给定图像的特征。

参数

image	CV_8U 类型的输入图像。
signature	输出计算的签名。

◆ computeSignatures()

virtual void cv::xfeatures2d::PCTSignatures::computeSignatures	(	const std::vector< Mat > &	images,
		std::vector< Mat > &	signatures
	)		const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.computeSignatures(	images, signatures	) ->	None

并行计算多个图像的特征。

参数

images	CV_8U 类型的输入图像向量。
signatures	计算的签名向量。

◆ create() [1/3]

static Ptr< PCTSignatures > cv::xfeatures2d::PCTSignatures::create	(	const int	initSampleCount = `2000`,
		const int	initSeedCount = `400`,
		const int	pointDistribution = `0`
	)

static


cv.xfeatures2d.PCTSignatures.create(	[, initSampleCount[, initSeedCount[, pointDistribution]]]	) ->	retval
cv.xfeatures2d.PCTSignatures.create(	initSamplingPoints, initSeedCount	) ->	retval
cv.xfeatures2d.PCTSignatures.create(	initSamplingPoints, initClusterSeedIndexes	) ->	retval
cv.xfeatures2d.PCTSignatures_create(	[, initSampleCount[, initSeedCount[, pointDistribution]]]	) ->	retval
cv.xfeatures2d.PCTSignatures_create(	initSamplingPoints, initSeedCount	) ->	retval
cv.xfeatures2d.PCTSignatures_create(	initSamplingPoints, initClusterSeedIndexes	) ->	retval

使用样本和种子计数创建 PCTSignatures 算法。它生成自己的采样点集和聚类种子索引集。

参数

initSampleCount	用于图像采样的点数。
initSeedCount	初始聚类种子的数量。必须小于或等于 initSampleCount。
pointDistribution	生成的点的分布。默认：UNIFORM。可用：UNIFORM、REGULAR、NORMAL。

返回值: 创建的算法。

◆ create() [2/3]

static Ptr< PCTSignatures > cv::xfeatures2d::PCTSignatures::create	(	const std::vector< Point2f > &	initSamplingPoints,
		const int	initSeedCount
	)

static


cv.xfeatures2d.PCTSignatures.create(	[, initSampleCount[, initSeedCount[, pointDistribution]]]	) ->	retval
cv.xfeatures2d.PCTSignatures.create(	initSamplingPoints, initSeedCount	) ->	retval
cv.xfeatures2d.PCTSignatures.create(	initSamplingPoints, initClusterSeedIndexes	) ->	retval
cv.xfeatures2d.PCTSignatures_create(	[, initSampleCount[, initSeedCount[, pointDistribution]]]	) ->	retval
cv.xfeatures2d.PCTSignatures_create(	initSamplingPoints, initSeedCount	) ->	retval
cv.xfeatures2d.PCTSignatures_create(	initSamplingPoints, initClusterSeedIndexes	) ->	retval

使用预生成的采样点和聚类种子的数量创建 PCTSignatures 算法。它使用提供的采样点并生成自己的聚类种子索引。

参数

initSamplingPoints	图像采样中使用的采样点。
initSeedCount	初始聚类种子的数量。必须小于或等于 initSamplingPoints.size()。

返回值: 创建的算法。

◆ create() [3/3]

static Ptr< PCTSignatures > cv::xfeatures2d::PCTSignatures::create	(	const std::vector< Point2f > &	initSamplingPoints,
		const std::vector< int > &	initClusterSeedIndexes
	)

static


cv.xfeatures2d.PCTSignatures.create(	[, initSampleCount[, initSeedCount[, pointDistribution]]]	) ->	retval
cv.xfeatures2d.PCTSignatures.create(	initSamplingPoints, initSeedCount	) ->	retval
cv.xfeatures2d.PCTSignatures.create(	initSamplingPoints, initClusterSeedIndexes	) ->	retval
cv.xfeatures2d.PCTSignatures_create(	[, initSampleCount[, initSeedCount[, pointDistribution]]]	) ->	retval
cv.xfeatures2d.PCTSignatures_create(	initSamplingPoints, initSeedCount	) ->	retval
cv.xfeatures2d.PCTSignatures_create(	initSamplingPoints, initClusterSeedIndexes	) ->	retval

使用预生成的采样点和聚类种子索引创建 PCTSignatures 算法。

参数

initSamplingPoints	图像采样中使用的采样点。
initClusterSeedIndexes	初始聚类种子的索引。其大小必须小于或等于 initSamplingPoints.size()。

返回值: 创建的算法。

◆ drawSignature()

static void cv::xfeatures2d::PCTSignatures::drawSignature	(	InputArray	source,
		InputArray	signature,
		OutputArray	result,
		float	radiusToShorterSideRatio = `1.0/8`,
		int	borderThickness = `1`
	)

static

Python
	cv.xfeatures2d.PCTSignatures.drawSignature(	source, signature[, result[, radiusToShorterSideRatio[, borderThickness]]]	) ->	result
	cv.xfeatures2d.PCTSignatures_drawSignature(	source, signature[, result[, radiusToShorterSideRatio[, borderThickness]]]	) ->	result

在源图像中绘制签名并输出结果。签名被可视化为一个圆圈，其半径基于签名权重，颜色基于签名颜色。对比度和熵没有被可视化。

参数

source	源图像。
signature	图像签名。
result	输出结果。
radiusToShorterSideRatio	确定输出图像中签名的最大半径。
borderThickness	可视化签名的边框厚度。

◆ generateInitPoints()

static void cv::xfeatures2d::PCTSignatures::generateInitPoints	(	std::vector< Point2f > &	initPoints,
		const int	count,
		int	pointDistribution
	)

static

Python
	cv.xfeatures2d.PCTSignatures.generateInitPoints(	initPoints, count, pointDistribution	) ->	None
	cv.xfeatures2d.PCTSignatures_generateInitPoints(	initPoints, count, pointDistribution	) ->	None

根据所选的点分布生成初始采样点。

参数

initPoints	将生成点保存到的输出向量。
count	要生成的点数。
pointDistribution	点分布选择器。可用：UNIFORM、REGULAR、NORMAL。

注意: 生成的坐标在 [0..1) 范围内

◆ getClusterMinSize()

virtual int cv::xfeatures2d::PCTSignatures::getClusterMinSize ( ) const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.getClusterMinSize(		) ->	retval

此参数乘以迭代索引给出簇大小的下限。包含少于指定限制的点的簇将被丢弃，并且点将被重新分配。

◆ getDistanceFunction()

virtual int cv::xfeatures2d::PCTSignatures::getDistanceFunction ( ) const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.getDistanceFunction(		) ->	retval

用于测量 k-means 中两点之间距离的距离函数选择器。

◆ getDropThreshold()

virtual float cv::xfeatures2d::PCTSignatures::getDropThreshold ( ) const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.getDropThreshold(		) ->	retval

在 k-means 中删除权重小于或等于给定阈值的质心。

◆ getGrayscaleBits()

virtual int cv::xfeatures2d::PCTSignatures::getGrayscaleBits ( ) const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.getGrayscaleBits(		) ->	retval

灰度位图的颜色分辨率以分配的位表示（即，值 4 表示使用 16 种灰度）。灰度位图用于计算对比度和熵值。

◆ getInitSeedCount()

virtual int cv::xfeatures2d::PCTSignatures::getInitSeedCount ( ) const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.getInitSeedCount(		) ->	retval

k-means 算法的初始种子数（初始簇数）。

◆ getInitSeedIndexes()

virtual std::vector< int > cv::xfeatures2d::PCTSignatures::getInitSeedIndexes ( ) const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.getInitSeedIndexes(		) ->	retval

k-means 算法的初始种子（初始簇数）。

◆ getIterationCount()

virtual int cv::xfeatures2d::PCTSignatures::getIterationCount ( ) const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.getIterationCount(		) ->	retval

k-means 聚类的迭代次数。我们使用固定数量的迭代，因为修改后的聚类正在修剪簇（而不是迭代地优化 k 个簇）。

◆ getJoiningDistance()

virtual float cv::xfeatures2d::PCTSignatures::getJoiningDistance ( ) const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.getJoiningDistance(		) ->	retval

两个质心之间的阈值欧氏距离。如果两个簇中心之间的距离小于此距离，则丢弃其中一个质心，并将点重新分配。

◆ getMaxClustersCount()

virtual int cv::xfeatures2d::PCTSignatures::getMaxClustersCount ( ) const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.getMaxClustersCount(		) ->	retval

生成簇的最大数量。如果超过该数量，则按权重对簇进行排序，并裁剪最小的簇。

◆ getSampleCount()

virtual int cv::xfeatures2d::PCTSignatures::getSampleCount ( ) const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.getSampleCount(		) ->	retval

从图像中获取的初始样本数量。

◆ getSamplingPoints()

virtual std::vector< Point2f > cv::xfeatures2d::PCTSignatures::getSamplingPoints ( ) const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.getSamplingPoints(		) ->	retval

从图像中获取的初始样本。这些采样特征成为聚类的输入。

◆ getWeightA()

virtual float cv::xfeatures2d::PCTSignatures::getWeightA ( ) const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.getWeightA(		) ->	retval

权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ getWeightB()

virtual float cv::xfeatures2d::PCTSignatures::getWeightB ( ) const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.getWeightB(		) ->	retval

权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ getWeightContrast()

virtual float cv::xfeatures2d::PCTSignatures::getWeightContrast ( ) const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.getWeightContrast(		) ->	retval

权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ getWeightEntropy()

virtual float cv::xfeatures2d::PCTSignatures::getWeightEntropy ( ) const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.getWeightEntropy(		) ->	retval

权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ getWeightL()

virtual float cv::xfeatures2d::PCTSignatures::getWeightL ( ) const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.getWeightL(		) ->	retval

权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ getWeightX()

virtual float cv::xfeatures2d::PCTSignatures::getWeightX ( ) const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.getWeightX(		) ->	retval

权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ getWeightY()

virtual float cv::xfeatures2d::PCTSignatures::getWeightY ( ) const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.getWeightY(		) ->	retval

权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ getWindowRadius()

virtual int cv::xfeatures2d::PCTSignatures::getWindowRadius ( ) const

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.getWindowRadius(		) ->	retval

用于计算对比度和熵的纹理采样窗口的大小（窗口的中心始终在由相应特征样本的 x、y 坐标选择的像素处）。

◆ setClusterMinSize()

virtual void cv::xfeatures2d::PCTSignatures::setClusterMinSize ( int clusterMinSize )

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setClusterMinSize(	clusterMinSize	) ->	None

此参数乘以迭代索引给出簇大小的下限。包含少于指定限制的点的簇将被丢弃，并且点将被重新分配。

◆ setDistanceFunction()

virtual void cv::xfeatures2d::PCTSignatures::setDistanceFunction ( int distanceFunction )

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setDistanceFunction(	distanceFunction	) ->	None

用于测量 k-means 中两点之间距离的距离函数选择器。可用：L0_25、L0_5、L1、L2、L2SQUARED、L5、L_INFINITY。

◆ setDropThreshold()

virtual void cv::xfeatures2d::PCTSignatures::setDropThreshold ( float dropThreshold )

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setDropThreshold(	dropThreshold	) ->	None

在 k-means 中删除权重小于或等于给定阈值的质心。

◆ setGrayscaleBits()

virtual void cv::xfeatures2d::PCTSignatures::setGrayscaleBits ( int grayscaleBits )

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setGrayscaleBits(	grayscaleBits	) ->	None

灰度位图的颜色分辨率以分配的位表示（即，值 4 表示使用 16 种灰度）。灰度位图用于计算对比度和熵值。

◆ setInitSeedIndexes()

virtual void cv::xfeatures2d::PCTSignatures::setInitSeedIndexes ( std::vector< int > initSeedIndexes )

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setInitSeedIndexes(	initSeedIndexes	) ->	None

k-means 算法的初始种子索引。

◆ setIterationCount()

virtual void cv::xfeatures2d::PCTSignatures::setIterationCount ( int iterationCount )

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setIterationCount(	iterationCount	) ->	None

k-means 聚类的迭代次数。我们使用固定数量的迭代，因为修改后的聚类正在修剪簇（而不是迭代地优化 k 个簇）。

◆ setJoiningDistance()

virtual void cv::xfeatures2d::PCTSignatures::setJoiningDistance ( float joiningDistance )

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setJoiningDistance(	joiningDistance	) ->	None

两个质心之间的阈值欧氏距离。如果两个簇中心之间的距离小于此距离，则丢弃其中一个质心，并将点重新分配。

◆ setMaxClustersCount()

virtual void cv::xfeatures2d::PCTSignatures::setMaxClustersCount ( int maxClustersCount )

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setMaxClustersCount(	maxClustersCount	) ->	None

生成簇的最大数量。如果超过该数量，则按权重对簇进行排序，并裁剪最小的簇。

◆ setSamplingPoints()

virtual void cv::xfeatures2d::PCTSignatures::setSamplingPoints ( std::vector< Point2f > samplingPoints )

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setSamplingPoints(	samplingPoints	) ->	None

设置用于采样输入图像的采样点。

参数

samplingPoints 采样点向量，范围在 [0..1) 之间。

注意: 采样点的数量必须大于或等于聚类种子数量。

◆ setTranslation()

virtual void cv::xfeatures2d::PCTSignatures::setTranslation	(	int	idx,
		float	value
	)

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setTranslation(	idx, value	) ->	None

特征空间各个轴的平移量。

参数

idx	平移的 ID
value	平移的值

注意: WEIGHT_IDX = 0; X_IDX = 1; Y_IDX = 2; L_IDX = 3; A_IDX = 4; B_IDX = 5; CONTRAST_IDX = 6; ENTROPY_IDX = 7;

◆ setTranslations()

virtual void cv::xfeatures2d::PCTSignatures::setTranslations ( const std::vector< float > & translations )

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setTranslations(	translations	) ->	None

特征空间各个轴的平移量。

参数

translations 所有平移的值。

注意: WEIGHT_IDX = 0; X_IDX = 1; Y_IDX = 2; L_IDX = 3; A_IDX = 4; B_IDX = 5; CONTRAST_IDX = 6; ENTROPY_IDX = 7;

◆ setWeight()

virtual void cv::xfeatures2d::PCTSignatures::setWeight	(	int	idx,
		float	value
	)

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setWeight(	idx, value	) ->	None

权重（乘法常数）线性拉伸特征空间的各个轴。

参数

idx	权重的 ID
value	权重的值

注意: WEIGHT_IDX = 0; X_IDX = 1; Y_IDX = 2; L_IDX = 3; A_IDX = 4; B_IDX = 5; CONTRAST_IDX = 6; ENTROPY_IDX = 7;

◆ setWeightA()

virtual void cv::xfeatures2d::PCTSignatures::setWeightA ( float weight )

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setWeightA(	weight	) ->	None

权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ setWeightB()

virtual void cv::xfeatures2d::PCTSignatures::setWeightB ( float weight )

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setWeightB(	weight	) ->	None

权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ setWeightContrast()

virtual void cv::xfeatures2d::PCTSignatures::setWeightContrast ( float weight )

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setWeightContrast(	weight	) ->	None

权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ setWeightEntropy()

virtual void cv::xfeatures2d::PCTSignatures::setWeightEntropy ( float weight )

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setWeightEntropy(	weight	) ->	None

权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ setWeightL()

virtual void cv::xfeatures2d::PCTSignatures::setWeightL ( float weight )

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setWeightL(	weight	) ->	None

权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ setWeights()

virtual void cv::xfeatures2d::PCTSignatures::setWeights ( const std::vector< float > & weights )

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setWeights(	weights	) ->	None

权重（乘法常数）线性拉伸特征空间的各个轴。

参数

weights 所有权重的值。

注意: WEIGHT_IDX = 0; X_IDX = 1; Y_IDX = 2; L_IDX = 3; A_IDX = 4; B_IDX = 5; CONTRAST_IDX = 6; ENTROPY_IDX = 7;

◆ setWeightX()

virtual void cv::xfeatures2d::PCTSignatures::setWeightX ( float weight )

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setWeightX(	weight	) ->	None

权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ setWeightY()

virtual void cv::xfeatures2d::PCTSignatures::setWeightY ( float weight )

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setWeightY(	weight	) ->	None

权重（乘法常数）线性拉伸特征空间的各个轴（x、y = 位置；L、a、b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ setWindowRadius()

virtual void cv::xfeatures2d::PCTSignatures::setWindowRadius ( int radius )

pure virtual

Python
	cv.xfeatures2d.PCTSignatures.setWindowRadius(	radius	) ->	None

用于计算对比度和熵的纹理采样窗口的大小（窗口的中心始终在由相应特征样本的 x、y 坐标选择的像素处）。

此类的文档是从以下文件生成的

opencv2/xfeatures2d.hpp

公共类型

公共成员函数

静态公共成员函数

额外继承的成员

详细描述

成员枚举文档

◆ DistanceFunction

◆ PointDistribution

◆ SimilarityFunction

成员函数文档

◆ computeSignature()

◆ computeSignatures()

◆ create() [1/3]

◆ create() [2/3]

◆ create() [3/3]

◆ drawSignature()

◆ generateInitPoints()

◆ getClusterMinSize()

◆ getDistanceFunction()

◆ getDropThreshold()

◆ getGrayscaleBits()

◆ getInitSeedCount()

◆ getInitSeedIndexes()

◆ getIterationCount()

◆ getJoiningDistance()

◆ getMaxClustersCount()

◆ getSampleCount()

◆ getSamplingPoints()

◆ getWeightA()

◆ getWeightB()

◆ getWeightContrast()

◆ getWeightEntropy()

◆ getWeightL()

◆ getWeightX()

◆ getWeightY()

◆ getWindowRadius()

◆ setClusterMinSize()

◆ setDistanceFunction()

◆ setDropThreshold()

◆ setGrayscaleBits()

◆ setInitSeedIndexes()

◆ setIterationCount()

◆ setJoiningDistance()

◆ setMaxClustersCount()

◆ setSamplingPoints()

◆ setTranslation()

◆ setTranslations()

◆ setWeight()

◆ setWeightA()

◆ setWeightB()

◆ setWeightContrast()

◆ setWeightEntropy()

◆ setWeightL()

◆ setWeights()

◆ setWeightX()

◆ setWeightY()

◆ setWindowRadius()