cv::ximgproc::ScanSegment 类参考

实现 Loke SC 等人提出的 F-DBSCAN（使用并行化 DBSCAN 算法的加速超像素图像分割）超像素算法的类。 [170] 了解原始论文。 更多...

#include <opencv2/ximgproc/scansegment.hpp>

cv::ximgproc::ScanSegment 的协作图

公共成员函数
virtual	~ScanSegment ()
virtual void	getLabelContourMask (OutputArray image, bool thick_line=false)=0
	返回存储在 ScanSegment 对象中的超像素分割掩码。
virtual void	getLabels (OutputArray labels_out)=0
	返回图像的分割标签。
virtual int	getNumberOfSuperpixels ()=0
	返回使用 iterate 处理的最后一个图像的实际超像素分割。
virtual void	iterate (InputArray img)=0
	使用 ScanSegment 对象中初始化的参数计算给定图像的超像素分割。
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（例如在最开始或读取失败后），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

其他继承的成员
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())
	从字符串加载算法。
template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	从文件节点读取算法。
从 cv::Algorithm 继承的受保护成员函数
void	writeFormat (FileStorage &fs) const

详细说明

实现 Loke SC 等人提出的 F-DBSCAN（使用并行化 DBSCAN 算法的加速超像素图像分割）超像素算法的类。 [170] 了解原始论文。

该算法使用并行化 DBSCAN 聚类搜索，该搜索对噪声具有抵抗力，在分割质量方面具有竞争力，并且比现有的超像素分割方法更快。在伯克利分割数据集上测试时，平均处理速度为 175 帧/秒，边界召回率为 0.797，可实现的分割精度为 0.944。计算复杂度为二次 O(n2)，更适合较小的图像，但仍然可以比 OpenCV 中的 SEEDS 算法更快地处理 2MP 彩色图像。当处理线程数固定时，输出是确定的，并且需要源图像以 Lab 颜色格式表示。

构造函数和析构函数文档

~ScanSegment()

virtual cv::ximgproc::ScanSegment::~ScanSegment ( )

virtual

成员函数文档

getLabelContourMask()

virtual void cv::ximgproc::ScanSegment::getLabelContourMask ( OutputArray  image, bool  thick_line = false  )

纯虚函数

Python
	cv.ximgproc.ScanSegment.getLabelContourMask(	[, image[, thick_line]]	) ->	image

返回存储在 ScanSegment 对象中的超像素分割掩码。

该函数返回超像素分割的边界。

参数

image	返回值：CV_8UC1 图像掩码，其中 -1 表示像素是超像素边界，否则为 0。
thick_line	如果为 false，则边界仅为一个像素宽，否则所有边界处的像素都被掩码。

getLabels()

virtual void cv::ximgproc::ScanSegment::getLabels ( OutputArray  labels_out )

纯虚函数

Python
	cv.ximgproc.ScanSegment.getLabels(	[, labels_out]	) ->	labels_out

返回图像的分割标签。

每个标签代表一个超像素，每个像素都被分配给一个超像素标签。

参数

labels_out

返回值：包含超像素分割标签的 CV_32UC1 整数数组。标签在 [0, getNumberOfSuperpixels()] 范围内。

getNumberOfSuperpixels()

virtual int cv::ximgproc::ScanSegment::getNumberOfSuperpixels ( )

纯虚函数

Python
	cv.ximgproc.ScanSegment.getNumberOfSuperpixels(		) ->	retval

返回使用 iterate 处理的最后一个图像的实际超像素分割。

如果尚未处理任何图像，则返回零。

iterate()

virtual void cv::ximgproc::ScanSegment::iterate ( InputArray  img )

纯虚函数

Python
	cv.ximgproc.ScanSegment.iterate(	img	) ->	None

使用 ScanSegment 对象中初始化的参数计算给定图像的超像素分割。

此函数可以再次调用以处理其他图像，而无需使用 createScanSegment() 初始化算法。这节省了为算法的所有结构分配内存的计算成本。

参数

img	输入图像。支持的格式：CV_8UC3。图像大小必须与使用 createScanSegment() 函数初始化的图像大小匹配。它必须是 Lab 颜色空间。

---

此类的文档是从以下文件生成的

• opencv2/ximgproc/scansegment.hpp