Graph API：矩阵操作

详细信息说明

函数
GMat	cv::gapi::absDiff (const GMat &src1, const GMat &src2)
	计算两个矩阵的逐元素绝对差。
GMat	cv::gapi::absDiffC (const GMat &src, const GScalar &c)
	计算矩阵元素的绝对值。
GMat	cv::gapi::addWeighted (const GMat &src1, double alpha, const GMat &src2, double beta, double gamma, int ddepth=-1)
	计算两个矩阵的加权和。
GOpaque< int >	cv::gapi::countNonZero (const GMat &src)
	计算非零数组元素。
GMat	cv::gapi::inRange (const GMat &src, const GScalar &threshLow, const GScalar &threshUp)
	将范围级阈值应用于每个矩阵元素。
std::tuple< GMat, GMat >	cv::gapi::integral (const GMat &src, int sdepth=-1, int sqdepth=-1)
	计算图像的积分。
GMat	cv::gapi::max (const GMat &src1, const GMat &src2)
	计算两个矩阵的逐元素最大值。
GMat	cv::gapi::min (const GMat &src1, const GMat &src2)
	计算两个矩阵的逐元素最小值。
GScalar	cv::gapi::normInf (const GMat &src)
	计算矩阵的绝对无穷范数。
GScalar	cv::gapi::normL1 (const GMat &src)
	计算矩阵的绝对L1范数。
GScalar	cv::gapi::normL2 (const
	计算矩阵的绝对L2范数。
GScalar	cv::gapi::sum (const GMat &src)
	计算所有矩阵元素的总和。
std::tuple< GMat, GScalar >	cv::gapi::threshold (const GMat &src, const GScalar &maxval, int type)
GMat	cv::gapi::threshold (const GMat &src, const GScalar &thresh, const GScalar &maxval, int type)
	将定值阈值应用到每个矩阵元素。

函数说明文档

absDiff()

GMat cv::gapi::absDiff	(	const GMat &	src1,
		const GMat &	src2
	)

Python
	cv.gapi.absDiff(	src1, src2	) ->	retval

#include <opencv2/gapi/core.hpp>

计算两个矩阵的逐元素绝对差。

函数 absDiff 计算两个大小和深度相同的矩阵的绝对差

$$\mathtt{\text{dst}}(I)=\mathtt{\text{saturate}}(|\mathtt{\text{src1}}(I)-\mathtt{\text{src2}}(I)|)$$

其中 I 是矩阵元素的多维索引。对于多通道矩阵，每个通道独立处理。输出矩阵的大小和深度必须与输入矩阵相同。

支持的矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1、CV_32FC1。

注意

函数文本 ID 为“org.opencv.core.matrixop.absdiff”

参数

src1	第一个输入矩阵。
src2	第二个输入矩阵。

另请参阅

abs

absDiffC()

GMat cv::gapi::absDiffC	(	const GMat &	src,
		const GScalar &	c
	)

Python
	cv.gapi.absDiffC(	src, c	) ->	retval

#include <opencv2/gapi/core.hpp>

计算矩阵元素的绝对值。

函数 abs 计算矩阵元素和给定标量值之间的绝对差

$$\mathtt{\text{dst}}(I)=\mathtt{\text{saturate}}(|\mathtt{\text{src1}}(I)-\mathtt{\text{matC}}(I)|)$$

其中 matC 根据给定的标量 c 构建，并具有与输入矩阵 src 相同的大小和深度。

输出矩阵必须与 src 的大小和深度相同。

支持的矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1、CV_32FC1。

注意

函数文本 ID 为“org.opencv.core.matrixop.absdiffC”

参数

src	输入矩阵。
c	要减去的标量。

另请参阅

min，max

addWeighted()

GMat cv::gapi::addWeighted	(	const GMat &	src1,
		double	alpha,
		const GMat &	src2,
		double	beta,
		double	gamma,
		int	ddepth = -1
	)

Python
	cv.gapi.addWeighted(	src1, alpha, src2, beta, gamma[, ddepth]	) ->	retval

#include <opencv2/gapi/core.hpp>

计算两个矩阵的加权和。

addWeighted 函数计算两个矩阵的加权和，如下所示

$$\mathtt{\text{dst}}(I)=\mathtt{\text{saturate}}(\mathtt{\text{src1}}(I)\ast \mathtt{\text{alpha}}+\mathtt{\text{src2}}(I)\ast \mathtt{\text{beta}}+\mathtt{\text{gamma}})$$

其中 I 是数组元素的多维索引。对于多通道矩阵，每个通道会独立处理。

该函数可以用矩阵表达式替换

$$\mathtt{\text{dst}}(I)=\mathtt{\text{alpha}}\ast \mathtt{\text{src1}}(I)-\mathtt{\text{beta}}\ast \mathtt{\text{src2}}(I)+\mathtt{\text{gamma}}$$

支持的矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1、CV_32FC1。

注意

函数文本 ID 为“org.opencv.core.matrixop.addweighted”

参数

src1	第一个输入矩阵。
alpha	第一个矩阵元素权重。
src2	第二个输入矩阵，大小和通道数与 src1 相同。
beta	第二个矩阵元素权重。
gamma	添加到每个和中的标量。
ddepth	输出矩阵的可选深度。

另请参阅

add，sub

countNonZero()

GOpaque< int > cv::gapi::countNonZero

(

const GMat &

src

)

Python
	cv.gapi.countNonZero(	src	) ->	retval

#include <opencv2/gapi/core.hpp>

计算非零数组元素。

该函数返回 src 中非零元素的数量

$$\sum _{I:\mathtt{\text{src}}(I)\ne 0}1$$

支持的矩阵数据类型为 CV_8UC1、CV_16UC1、CV_16SC1、CV_32FC1。

注意

函数文本 ID 为“org.opencv.core.matrixop.countNonZero”

参数

src

输入单通道矩阵。

另请参阅

mean，min，max

inRange()

GMat cv::gapi::inRange	(	const GMat &	src,
		const GScalar &	threshLow,
		const GScalar &	threshUp
	)

Python
	cv.gapi.inRange(	src, threshLow, threshUp	) ->	retval

#include <opencv2/gapi/core.hpp>

将范围级阈值应用于每个矩阵元素。

该函数对单通道或多通道矩阵应用范围级阈值处理。如果输入矩阵的对应像素值在指定范围内，它将输出像素值设置为 OxFF，否则设置为 0。

输入输出矩阵必须为 CV_8UC1。

注意

函数文本 ID 为“org.opencv.core.matrixop.inRange”

参数

src	输入矩阵 (CV_8UC1)。
threshLow	下限值。
threshUp	上限值。

另请参阅

threshold

integral()

std::tuple< GMat, GMat > cv::gapi::integral	(	const GMat &	src,
		int	sdepth = -1,
		int	sqdepth = -1
	)

Python
	cv.gapi.integral(	src[, sdepth[, sqdepth]]	) ->	retval

#include <opencv2/gapi/core.hpp>

计算图像的积分。

函数按照以下方式为源图像计算一个或多个积分图像

$$\mathtt{\text{sum}}(X,Y)=\sum _{x<X,y<Y}\mathtt{\text{image}}(x,y)$$

$$\mathtt{\text{sqsum}}(X,Y)=\sum _{x<X,y<Y}\mathtt{\text{image}}(x,y{)}^2$$

函数返回的积分图像为$(W+1)\times (H+1)$的 32 位整数或浮点 (32f 或 64f) 以及像素值平方积分图像；它是一个$(W+1)\times (H+)$的双精度浮点 (64f) 阵列。

注意

函数文本 ID 为“org.opencv.core.matrixop.integral”

参数

src	输入图像。
sdepth	积分图像和倾斜积分图像的所需深度，CV_32S、CV_32F 或 CV_64F。
sqdepth	像素值平方积分图像的所需深度，CV_32F 或 CV_64F。

max()

GMat cv::gapi::max	(	const GMat &	src1,
		const GMat &	src2
	)

Python
	cv.gapi.max(	src1, src2	) ->	retval

#include <opencv2/gapi/core.hpp>

计算两个矩阵的逐元素最大值。

函数 max 计算大小、通道数和深度均相同的两个矩阵的每个元素的最大值

$$\mathtt{\text{dst}}(I)=max(\mathtt{\text{src1}}(I),\mathtt{\text{src2}}(I))$$

其中 I 是矩阵元素的多维索引。对于多通道矩阵，每个通道会独立处理。输出矩阵的大小和深度必须与 src1 相同。

支持的矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1、CV_32FC1。

注意

函数文本 ID 为“org.opencv.core.matrixop.max”

参数

src1	第一个输入矩阵。
src2	第二个输入矩阵，其大小和深度与 src1 相同。

另请参阅

min, compare, cmpEQ, cmpGT, cmpGE

下面是此函数的调用图

min()

GMat cv::gapi::min	(	const GMat &	src1,
		const GMat &	src2
	)

Python
	cv.gapi.min(	src1, src2	) ->	retval

#include <opencv2/gapi/core.hpp>

计算两个矩阵的逐元素最小值。

函数 min 计算大小、通道数和深度均相同的两个矩阵的每个元素的最小值

$$\mathtt{\text{dst}}(I)=min(\mathtt{\text{src1}}(I),\mathtt{\text{src2}}(I))$$

其中 I 是矩阵元素的多维索引。对于多通道矩阵，每个通道会独立处理。输出矩阵的大小和深度必须与 src1 相同。

支持的输入矩阵数据类型包括 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1、CV_32FC1。

注意

函数文本 ID 为“org.opencv.core.matrixop.min”

参数

src1	第一个输入矩阵。
src2	第二个输入矩阵，其大小和深度与 src1 相同。

另请参阅

max、cmpEQ、cmpLT、cmpLE

下面是此函数的调用图

normInf()

GScalar cv::gapi::normInf

(

const GMat &

src

)

Python
	cv.gapi.normInf(	src	) ->	retval

#include <opencv2/gapi/core.hpp>

计算矩阵的绝对无穷范数。

此版本的 normInf 计算 src 的绝对无穷范数。

例如，对于一个数组，考虑函数 $r(x)=\left(\begin{array}{c}x\\ 1-x\end{array}\right),x\in [-1;1]$。抽样值 $r(-1)=\left(\begin{array}{c}-1\\ 2\end{array}\right)$ 的 $L_{\mathrm{\infty }}$ 范数计算如下

$$\begin{array}{rl}\parallel r(-1){\parallel }_{L_{\mathrm{\infty }}}& =max(|-1|,|2|)=2\end{array}$$

以及对于 $r(0.5)=\left(\begin{array}{c}0.5\\ 0.5\end{array}\right)$，计算为

$$\begin{array}{rl}\parallel r(0.5){\parallel }_{L_{\mathrm{\infty }}}& =max(|0.5|,|0.5|)=0.5.\end{array}$$

支持的矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1、CV_32FC1。

注意

函数文本 ID 为“org.opencv.core.matrixop.norminf”

参数

src

输入矩阵。

另请参阅

normL1、normL2

normL1()

GScalar cv::gapi::normL1

(

const GMat &

src

)

Python
	cv.gapi.normL1(	src	) ->	retval

#include <opencv2/gapi/core.hpp>

计算矩阵的绝对L1范数。

此版本的 normL1 计算 src 的绝对 L1 范数。

例如，对于一个数组，考虑函数 $r(x)=\left(\begin{array}{c}x\\ 1-x\end{array}\right),x\in [-1;1]$。抽样值 $r(-1)=\left(\begin{array}{c}-1\\ 2\end{array}\right)$ 的 $L_1$ 范数计算如下

$$\begin{array}{rl}\parallel r(-1){\parallel }_{L_1}& =|-1|+|2|=3\end{array}$$

以及对于 $r(0.5)=\left(\begin{array}{c}0.5\\ 0.5\end{array}\right)$，计算为

$$\begin{array}{rl}\parallel r(0.5){\parallel }_{L_1}& =|0.5|+|0.5|=1\end{array}$$

支持的矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1、CV_32FC1。

注意

函数文本 ID 为“org.opencv.core.matrixop.norml1”

参数

src

输入矩阵。

另请参阅

normL2, normInf

normL2()

GScalar cv::gapi::normL2

(

const GMat &

src

)

Python
	cv.gapi.normL2(	src	) ->	retval

#include <opencv2/gapi/core.hpp>

计算矩阵的绝对L2范数。

此版本的 normL2 计算 src 的绝对 L2 范数。

如以一个数组为例，考虑函数 $r(x)=\left(\begin{array}{c}x\\ 1-x\end{array}\right),x\in [-1;1]$。对样本值 $r(-1)=\left(\begin{array}{c}-1\\ 2\end{array}\right)$ 的 $L_2$ 范数计算如下：

$$\begin{array}{rl}\parallel r(-1){\parallel }_{L_2}& =\sqrt{(-1{)}^2+(2{)}^2}=\sqrt{5}\end{array}$$

以及对于 $r(0.5)=\left(\begin{array}{c}0.5\\ 0.5\end{array}\right)$，计算为

$$\begin{array}{rl}\parallel r(0.5){\parallel }_{L_2}& =\sqrt{(0.5{)}^2+(0.5{)}^2}=\sqrt{0.5}\end{array}$$

支持的矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1、CV_32FC1。

注意

函数文本 ID 为 “org.opencv.core.matrixop.norml2”

参数

src

输入矩阵。

另请参阅

normL1, normInf

sum()

GScalar cv::gapi::sum

(

const GMat &

src

)

Python
	cv.gapi.sum(	src	) ->	retval

#include <opencv2/gapi/core.hpp>

计算所有矩阵元素的总和。

sum 函数计算矩阵中所有元素的和，各个通道独立计算。

支持的矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1、CV_32FC1。

注意

函数文本 ID 为 “org.opencv.core.matrixop.sum”

参数

src

输入矩阵。

另请参阅

countNonZero, mean, min, max

threshold() [1/2]

std::tuple< GMat, GScalar > cv::gapi::threshold	(	const GMat &	src,
		const GScalar &	maxval,
		int	type
	)

Python
	cv.gapi.threshold(	src, thresh, maxval, type	) ->	retval
	cv.gapi.threshold(	src, maxval, type	) ->	retval

#include <opencv2/gapi/core.hpp>

这是一个重载成员函数，为了方便而提供。它与上述函数只在接受的参数方面有所不同。此函数适用于除 cv::THRESH_OTSU 和 cv::THRESH_TRIANGLE 之外的所有阈值类型

注意

函数文本 ID 为 “org.opencv.core.matrixop.thresholdOT”

threshold() [2/2]

GMat cv::gapi::threshold	(	const GMat &	src,
		const GScalar &	thresh,
		const GScalar &	maxval,
		int	type
	)

Python
	cv.gapi.threshold(	src, thresh, maxval, type	) ->	retval
	cv.gapi.threshold(	src, maxval, type	) ->	retval

#include <opencv2/gapi/core.hpp>

将定值阈值应用到每个矩阵元素。

该函数对单通道或多通道矩阵应用固定电平阈值处理。该函数通常用于从灰度图像中获取双电平（二进制）图像（cmp 函数也可以用于此目的），或者用于去除噪声，即过滤掉值太小或太大的像素。该函数支持多种类型的阈值处理。这些类型由 type 参数确定。

此外，特殊值 cv::THRESH_OTSU 或 cv::THRESH_TRIANGLE 可以与上述值之一结合使用。在这些情况下，该函数使用 Otsu 或 Triangle 算法确定最优阈值，并将其用作指定的 thresh 替代。除了阈值矩阵之外，该函数还返回已计算的阈值。Otsu 和 Triangle 方法仅对 8 位矩阵实现。

在 cv::THRESH_OTSU 或 cv::THRESH_TRIANGLE 标志的情况下，输入图像应仅为单通道。输出矩阵必须与 src 相同大小和深度。

注意

函数文本 ID 为 "org.opencv.core.matrixop.threshold"

参数

src	输入矩阵 (CV_8UC1、CV_8UC3 或 CV_32FC1).
thresh	阈值。
maxval	用于 cv::THRESH_BINARY 和 cv::THRESH_BINARY_INV 阈值处理类型的最大值。
类型	阈值类型（请参阅 cv::ThresholdTypes）。

另请参阅

min，max，cmpGT，cmpLE，cmpGE，cmpLT