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

\[\texttt{dst}(I) = \texttt{saturate} (| \texttt{src1}(I) - \texttt{src2}(I)|)\]

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

\[\texttt{dst}(I) = \texttt{saturate} (| \texttt{src1}(I) - \texttt{matC}(I)|)\]

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

\[\texttt{dst} (I)= \texttt{saturate} ( \texttt{src1} (I)* \texttt{alpha} + \texttt{src2} (I)* \texttt{beta} + \texttt{gamma} )\]

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

\[\texttt{dst}(I) = \texttt{alpha} * \texttt{src1}(I) - \texttt{beta} * \texttt{src2}(I) + \texttt{gamma} \]

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

\[\sum _{I: \; \texttt{src} (I) \ne0 } 1\]

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

\[\texttt{sum} (X,Y) = \sum _{x<X,y<Y} \texttt{image} (x,y)\]

\[\texttt{sqsum} (X,Y) = \sum _{x<X,y<Y} \texttt{image} (x,y)^2\]

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

\[\texttt{dst} (I)= \max ( \texttt{src1} (I), \texttt{src2} (I))\]

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

\[\texttt{dst} (I)= \min ( \texttt{src1} (I), \texttt{src2} (I))\]

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 \(r(x)= \begin{pmatrix} x \\ 1-x \end{pmatrix}, x \in [-1;1]\)。抽样值 \(r(-1) = \begin{pmatrix} -1 \\ 2 \end{pmatrix}\) 的 \( L_{\infty} \) 范数计算如下

\begin{align*} \| r(-1) \|_{L_\infty} &= \max(|-1|,|2|) = 2 \end{align*}

以及对于 \(r(0.5) = \begin{pmatrix} 0.5 \\ 0.5 \end{pmatrix}\)，计算为

\begin{align*} \| r(0.5) \|_{L_\infty} &= \max(|0.5|,|0.5|) = 0.5. \end{align*}

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 \(r(x)= \begin{pmatrix} x \\ 1-x \end{pmatrix}, x \in [-1;1]\)。抽样值 \(r(-1) = \begin{pmatrix} -1 \\ 2 \end{pmatrix}\) 的 \( L_{1} \) 范数计算如下

\begin{align*} \| r(-1) \|_{L_1} &= |-1| + |2| = 3 \\ \end{align*}

以及对于 \(r(0.5) = \begin{pmatrix} 0.5 \\ 0.5 \end{pmatrix}\)，计算为

\begin{align*} \| r(0.5) \|_{L_1} &= |0.5| + |0.5| = 1 \\ \end{align*}

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 \(r(x)= \begin{pmatrix} x \\ 1-x \end{pmatrix}, x \in [-1;1]\)。对样本值 \(r(-1) = \begin{pmatrix} -1 \\ 2 \end{pmatrix}\) 的 \( L_{2} \) 范数计算如下：

\begin{align*} \| r(-1) \|_{L_2} &= \sqrt{(-1)^{2} + (2)^{2}} = \sqrt{5} \\ \end{align*}

以及对于 \(r(0.5) = \begin{pmatrix} 0.5 \\ 0.5 \end{pmatrix}\)，计算为

\begin{align*} \| r(0.5) \|_{L_2} &= \sqrt{(0.5)^{2} + (0.5)^{2}} = \sqrt{0.5} \\ \end{align*}

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