命名空间
namespace	calib3d
	此命名空间包含立体视觉和相关功能的 G-API 操作类型。

namespace	compound

namespace	core
	此命名空间包含 OpenCV 核心模块功能的 G-API 操作类型。

namespace	cpu
	此命名空间包含 G-API CPU 后端函数、结构和符号。

namespace	fluid
	此命名空间包含 G-API 流体后端函数、结构和符号。

namespace	ie
	此命名空间包含 G-API OpenVINO 后端函数、结构和符号。

namespace	imgproc
	此命名空间包含 OpenCV ImgProc 模块功能的 G-API 操作类型。

namespace	nn

namespace	oak

namespace	ocl
	此命名空间包含 G-API OpenCL 后端函数、结构和符号。

namespace	onnx
	此命名空间包含 G-API ONNX Runtime 后端函数、结构和符号。

namespace	ot
	此命名空间包含 VAS 对象跟踪模块功能的 G-API 操作类型。

namespace	ov
	此命名空间包含 G-API OpenVINO 2.0 后端函数、结构和符号。

namespace	own
	此命名空间包含 G-API 在其独立模式构建中使用的本地数据结构。

namespace	plaidml
	此命名空间包含 G-API PlaidML 后端函数、结构和符号。

namespace	python
	此命名空间包含 G-API Python 后端函数、结构和符号。

namespace	render
	此命名空间包含 G-API CPU 渲染后端函数、结构和符号。有关详细信息，请参阅G-API 绘制和组合功能。

namespace	s11n
	此命名空间包含 G-API 序列化和反序列化函数和数据结构。

namespace	streaming
	此命名空间包含与 Streaming 执行模式相关的 G-API 函数、结构和符号。

namespace	video
	此命名空间包含视频相关算法（如光流和背景减除）的 G-API 操作和函数。

namespace	wip
	此命名空间包含实验性的 G-API 功能，在此命名空间中的函数或结构可能在未来版本中进行更改或删除。此命名空间还包含 API 尚未稳定的函数。

类
struct	Generic
	Generic 网络类型：输入层和输出层在运行时动态配置。更多内容请参阅详情。

struct	GNetPackage
	网络配置的容器类。类似于 GKernelPackage。使用 cv::gapi::networks() 构造此对象。更多内容请参阅详情。

struct	KalmanParams
	卡尔曼滤波器初始化参数的结构。更多内容请参阅详情。

struct	use_only
	cv::gapi::use_only()是一个特殊的组合器，它提示G-API只使用在cv::GComputation::compile()（而不是通过该包扩展默认可用的核）。更多信息...

类型定义
using	GKernelPackage = cv::GKernelPackage

枚举
enum class	StereoOutputFormat { DEPTH_FLOAT16 , DEPTH_FLOAT32 , DISPARITY_FIXED16_11_5 , DISPARITY_FIXED16_12_4 , DEPTH_16F = DEPTH_FLOAT16 , DEPTH_32F = DEPTH_FLOAT32 , DISPARITY_16Q_10_5 = DISPARITY_FIXED16_11_5 , DISPARITY_16Q_11_4 = DISPARITY_FIXED16_12_4 }

函数
GMat	absDiff (const GMat &src1, const GMat &src2)
	计算两个矩阵元素之间按元素的绝对差。

GMat	absDiffC (const GMat &src, const GScalar &c)
	计算矩阵元素的绝对值。

GMat	add (const GMat &src1, const GMat &src2, int ddepth=-1)
	计算两个矩阵元素之间按元素的和。

GMat	addC (const GMat &src1, const GScalar &c, int ddepth=-1)
	计算矩阵和给定标量的元素级和。

GMat	addC (const GScalar &c, const GMat &src1, int ddepth=-1)
	这是一个提供便利的重载成员函数，它与上述函数的区别在于它接受的参数。

GMat	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总和。

GMat	BackgroundSubtractor (const GMat &src, const cv::gapi::video::BackgroundSubtractorParams &bsParams)
	基于高斯混合或K最近邻的背景/前景分割算法。操作生成前景掩码。

GMat	BayerGR2RGB (const GMat &src_gr)
	将图像从BayerGR颜色空间转换为RGB。该函数将输入图像从BayerGR颜色空间转换为RGB。G、R和B通道值的传统范围是0到255。

GMat	BGR2Gray (const GMat &src)
	将图像从BGR颜色空间转换为灰度。

GMat	BGR2I420 (const GMat &src)
	将图像从BGR颜色空间转换为I420颜色空间。

GMat	BGR2LUV (const GMat &src)
	将图像从BGR颜色空间转换为LUV颜色空间。

GMat	BGR2RGB (const GMat &src)
	将图像从BGR颜色空间转换为RGB颜色空间。

GMat	BGR2YUV (const GMat &src)
	将图像从BGR颜色空间转换为YUV颜色空间。

GMat	bilateralFilter (const GMat &src, int d, double sigmaColor, double sigmaSpace, int borderType=BORDER_DEFAULT)
	对图像应用双边滤波器。

cv::GRunArg	bind (cv::GRunArgP &out)
	将图执行期间可用的输出GRunArgsP包装到可序列化的GRunArgs中。

cv::GRunArgsP	bind (cv::GRunArgs &out_args)
	将反序列化的输出GRunArgs包装到GRunArgsP中，可用于GCompiled。

GMat	bitwise_and (const GMat &ppercent7Bhref: "df/daa/classcv_1_1GMat.html"}}">src1, const GMat &ppercent7Bhref: "df/daa/classcv_1_1GMat.html"}}">src2)
	计算两个矩阵（src1 & src2）的位运算联合。计算两个相同大小的矩阵的按元素位逻辑联合。

GMat	bitwise_and (const GMat &ppercent7Bhref: "df/daa/classcv_1_1GMat.html"}}">src1, const GScalar &ppercent7Bhref: "d9/d98/classcv_1_1GScalar.html"}}">src2)

GMat	bitwise_not (const GMat &ppercent7Bhref: "df/daa/classcv_1_1GMat.html"}}">src)
	反转数组的每个位。

GMat	bitwise_or (const GMat &ppercent7Bhref: "df/daa/classcv_1_1GMat.html"}}">src1, const GMat &ppercent7Bhref: "df/daa/classcv_1_1GMat.html"}}">src2)
	计算两个矩阵（src1 \| src2）的位运算析取。计算两个相同大小的矩阵的按元素位逻辑析取。

GMat	bitwise_or (const GMat &ppercent7Bhref: "df/daa/classcv_1_1GMat.html"}}">src1, const GScalar &ppercent7Bhref: "d9/d98/classcv_1_1GScalar.html"}}">src2)

GMat	bitwise_xor (const GMat &ppercent7Bhref: "df/daa/classcv_1_1GMat.html"}}">src1, const GMat &ppercent7Bhref: "df/daa/classcv_1_1GMat.html"}}">src2)
	计算两个矩阵（src1 ^ src2）的位运算逻辑“异或”。计算两个相同大小的矩阵的按元素位逻辑“异或”。

GMat	bitwise_xor (const GMat &ppercent7Bhref: "df/daa/classcv_1_1GMat.html"}}">src1, const GScalar &ppercent7Bhref: "d9/d98/classcv_1_1GScalar.html"}}">src2)

GMat	blur (const GMat &src, const Size &ksize, const Point &anchor=Point(-1,-1), int borderType=BORDER_DEFAULT, const Scalar &borderValue=Scalar(0))
	使用归一化盒子滤波器模糊图像。

GOpaque< Rect >	boundingRect (const GArray< Point2f > &src)

GOpaque< Rect >	boundingRect (const GArray< Point2i > &src)

GOpaque< Rect >	boundingRect (const GMat &src)
	计算点集或灰度图像非零像素的上右边界矩形。

GMat	boxFilter (const GMat &src, int dtype, const Size &ksize, const Point &anchor=Point(-1,-1), bool normalize=true, int borderType=BORDER_DEFAULT, const Scalar &borderValue=Scalar(0))
	使用盒子滤波器模糊图像。

std::tuple< GArray< GMat >, GScalar >	buildOpticalFlowPyramid (const GMat &img, const Size &winSize, const GScalar &maxLevel, bool withDerivatives=true, int pyrBorder=BORDER_REFLECT_101, int derivBorder=BORDER_CONSTANT, bool tryReuseInputImage=true)
	构建可用于传递给calcOpticalFlowPyrLK的光学流金字塔。

std::tuple< GArray< Point2f >, GArray< uchar >, GArray< float > >	calcOpticalFlowPyrLK （const GArray<GMat> &prevPyr, const GArray<GMat> &nextPyr, const GArray<Point2f> &prevPts, const GArray<Point2f> &predPts, const Size& winSize=Size(21, 21), const GScalar& maxLevel=3, const TermCriteria& criteria=TermCriteria(TermCriteria::COUNT\|TermCriteria::EPS, 30, 0.01), int flags=0, double minEigThresh=1e-4)

std::tuple< GArray< Point2f >, GArray< uchar >, GArray< float > >	calcOpticalFlowPyrLK （const GMat&prevImg, const GMat&nextImg, const GArray<Point2f> &prevPts, const GArray<Point2f> &predPts, const Size& winSize=Size(21, 21), const GScalar& maxLevel=3, const TermCriteria& criteria=TermCriteria(TermCriteria::COUNT\|TermCriteria::EPS, 30, 0.01), int flags=0, double minEigThresh=1e-4)
	使用金字塔迭代 Lucas-Kanade 方法计算稀疏特征集的光流。

GMat	Canny （const GMat&image, double threshold1, double threshold2, int apertureSize=3, bool L2gradient=false)
	使用 Canny 算法在图像中查找边缘。

std::tuple< GMat, GMat >	cartToPolar （const GMat&x, const GMat&y, bool angleInDegrees=false)
	计算二维向量的幅度和角度。

GMat	cmpEQ （const GMat&src1, const GMat&src2)
	对两个矩阵逐元素比较，检查第一个矩阵中的元素是否等于第二个矩阵中的元素。

GMat	cmpEQ （const GMat&src1, const GScalar&src2)

GMat	cmpGE （const GMat&src1, const GMat&src2)
	对两个矩阵逐元素比较，检查第一个矩阵中的元素是否大于或等于第二个矩阵中的元素。

GMat	cmpGE （const GMat&src1, const GScalar&src2)

GMat	cmpGT （const GMat&src1, const GMat&src2)
	对两个矩阵逐元素比较，检查第一个矩阵中的元素是否大于第二个矩阵中的元素。

GMat	cmpGT (const GMat &src1, const GScalar &src2)

GMat	cmpLE (const GMat &src1, const GMat &src2)
	计算两矩阵的逐元素比较，检查第一矩阵的元素是否小于等于第二矩阵的元素。

GMat	cmpLE (const GMat &src1, const GScalar &src2)

GMat	cmpLT (const GMat &src1, const GMat &src2)
	计算两矩阵的逐元素比较，检查第一矩阵的元素是否小于第二矩阵的元素。

GMat	cmpLT (const GMat &src1, const GScalar &src2)

GMat	cmpNE (const GMat &src1, const GMat &src2)
	计算两矩阵的逐元素比较，检查第一矩阵的元素是否不等于第二矩阵的元素。

GMat	cmpNE (const GMat &src1, const GScalar &src2)

template<typename... Ps>
cv::GKernelPackage	combine (const cv::GKernelPackage &a, const cv::GKernelPackage &b, Ps &&... rest)
	将多个G-API核包合并成一个。

cv::GKernelPackage	combine (const cv::GKernelPackage &lhs, const cv::GKernelPackage &rhs)

GMat	concatHor (const GMat &src1, const GMat &src2)
	对给定的矩阵应用水平连接。

GMat	concatHor (const std::vector< GMat > &v)

GMat	concatVert (const GMat &src1, const GMat &src2)
	对给定的矩阵应用垂直连接。

GMat	concatVert (const std::vector< GMat > &v)

GMat	convertTo (const GMat &src, int rdepth, double alpha=1, double beta=0)
	将矩阵转换为另一种数据深度，可选缩放。

GFrame	copy (const GFrame &in)
	复制输入帧。注意，此副本可能不是实际副本（没有复制实际数据）。使用此函数来维护图合约，例如在图形输入需要直接传递给输出时，如在流模式中。

GMat	copy (const GMat &in)
	复制输入图像。注意，此副本可能不是实际副本（没有复制实际数据）。使用此函数来维护图合约，例如在图形输入需要直接传递给输出时，如在流模式中。

GOpaque< int >	countNonZero (const GMat &src)
	统计非零数组元素。

GMat	crop (const GMat &src, const Rect &rect)
	裁剪二维矩阵。

template<>
cv::GComputation	deserialize (const std::vector< char > &bytes)
	从字节数组中反序列化 GComputation。

template<>
cv::GMetaArgs	deserialize (const std::vector< char > &bytes)
	从字节数组中反序列化 GMetaArgs。

template<>
cv::GRunArgs	deserialize (const std::vector< char > &bytes)
	从字节数组中反序列化 GRunArgs。

template<>
std::vector< std::string >	deserialize (const std::vector< char > &bytes)
	从字节数组中反序列化 std::vector<std::string>。

template<typename T , typename... Types>
std::enable_if< std::is_same< T, GCompileArgs >::value, GCompileArgs >::type	deserialize (const std::vector< char > &bytes)
	从字节数组中反序列化模板中指定类型的 GCompileArgs。

template<typename T , typename AtLeastOneAdapterT , typename... AdapterTypes>
std::enable_if< std::is_same< T, GRunArgs >::value, GRunArgs >::type	deserialize (const std::vector< char > &bytes)
	从字节数组中反序列化包括 RMat 和 MediaFrame 对象（如果有）的 GRunArgs。

GMat	dilate (const GMat &src, const Mat &kernel, const Point &anchor=Point(-1,-1), int iterations=1, int borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())
	使用特定结构元素膨胀图像。

GMat	dilate3x3 (const GMat &src, int iterations=1, int borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())
	使用 3x3 矩形结构元素膨胀图像。

GMat	div (const GMat &src1, const GMat &src2, double scale, int ddepth=-1)
	对两个矩阵执行逐元素除法。

GMat	divC (const GMat &src, const GScalar &divisor, double scale, int ddepth=-1)
	矩阵除以标量。

GMat	divRC (const GScalar &divident, const GMat &src, double scale, int ddepth=-1)
	标量除以矩阵。

GMat	equalizeHist (const GMat &src)

GMat	erode (const GMat &src, const Mat &kernel, const Point &anchor=Point(-1,-1), int iterations=1, int borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())
	使用特定的结构元素腐蚀图像。

GMat	erode3x3 (const GMat &src, int iterations=1, int borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())
	使用3x3矩形结构元素腐蚀图像。

GMat	filter2D (const GMat &src, int ddepth, const Mat &kernel, const Point &anchor=Point(-1,-1), const Scalar &delta=Scalar(0), int borderType=BORDER_DEFAULT, const Scalar &borderValue=Scalar(0))
	使用核进行图像卷积。

GArray< GArray< Point > >	findContours (const GMat &src, const RetrievalModes mode, const ContourApproximationModes method)

GArray< GArray< Point > >	findContours (const GMat &src, const RetrievalModes mode, const ContourApproximationModes method, const GOpaque< Point > &offset)
	在二值图像中查找轮廓。

std::tuple< GArray< GArray< Point > >, GArray< Vec4i > >	findContoursH (const GMat &src, const RetrievalModes mode, const ContourApproximationModes method)

std::tuple< GArray< GArray< Point > >, GArray< Vec4i > >	findContoursH (const GMat &src, const RetrievalModes mode, const ContourApproximationModes method, const GOpaque< Point > &offset)
	在二值图像中查找轮廓及其层次结构。

GOpaque< Vec4f >	fitLine2D (const GArray< Point2d > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)

GOpaque< Vec4f >	fitLine2D (const GArray< Point2f > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)

GOpaque< Vec4f >	fitLine2D (const GArray< Point2i > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)

GOpaque< Vec4f >	fitLine2D (const GMat &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
	将线拟合到2D点集。

GOpaque< Vec6f >	fitLine3D (const GArray< Point3d > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)

GOpaque< Vec6f >	fitLine3D (const GArray< Point3f > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)

GOpaque< Vec6f >	fitLine3D (const GArray< Point3i > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)

GOpaque< Vec6f >	fitLine3D (const GMat &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
	将线拟合到3D点集。

GMat	flip (const GMat &src, int flipCode)
	沿水平、垂直或同时沿两个轴翻转2D矩阵。

GMat	gaussianBlur (const GMat &src, const Size &ksize, double sigmaX, double sigmaY=0, int borderType=BORDER_DEFAULT, const Scalar &borderValue=Scalar(0))
	使用高斯滤波器模糊图像。

GArray< Point2f >	goodFeaturesToTrack (const GMat &image, int maxCorners, double qualityLevel, double minDistance, const Mat &mask=Mat(), int blockSize=3, bool useHarrisDetector=false, double k=0.04)
	确定图像中的强角点。

GMat	I4202BGR (const GMat &src)
	将图像从 I420 颜色空间转换为 BGR 颜色空间。

GMat	I4202RGB (const GMat &src)
	将图像从 I420 颜色空间转换为 BGR 颜色空间。

template<typename Net , typename... Args>
Net::Result	infer (Args &&... args)
	根据输入数据计算指定网络（模板参数）的响应。

template<typename T = Generic>
cv::GInferListOutputs	infer (const std::string &tag, const cv::GArray< cv::Rect > &rois, const cv::GInferInputs &inputs)
	对源图像中的每个区域计算指定网络的响应。

template<typename T = Generic>
cv::GInferOutputs	infer (const std::string &tag, const cv::GInferInputs &inputs)
	计算通用网络的响应。

template<typename T = Generic>
cv::GInferOutputs	infer (const std::string &tag, const cv::GOpaque< cv::Rect > &roi, const cv::GInferInputs &inputs)
	计算源图像中指定区域的通用网络的响应。目前仅期望单个输入网络。

template<typename Net , typename... Args>
Net::ResultL	infer (cv::GArray< cv::Rect > roi, Args &&... args)
	对源图像中的每个区域计算指定网络的响应。

template<typename Net , typename T >
Net::Result	infer (cv::GOpaque< cv::Rect > roi, T in)
	计算源图像中指定区域指定网络的响应。目前仅期望单个输入网络。

template<typename T = Generic, typename Input >
std::enable_if< cv::detail::accepted_infer_types< Input >::value, cv::GInferListOutputs >::type	infer2 (const std::string &tag, const Input &in, const cv::GInferListInputs &inputs)
	对源图像中的每个区域计算指定网络的响应，扩展版本。

template<typename Net , typename T , typename... Args>
Net::ResultL	infer2 (T image, cv::GArray< Args >... args)
	对源图像中的每个区域计算指定网络的响应，扩展版本。

GMat	inRange (const GMat &src, const GScalar &threshLow, const GScalar &threshUp)
	对每个矩阵元素应用范围阈值。

std::tuple< GMat, GMat >	integral (const GMat &src, int sdepth=-1, int sqdepth=-1)
	计算图像的积分。

void	island (const std::string &name, GProtoInputArgs &&ins, GProtoOutputArgs &&outs)
	在一个计算内部定义标签化的岛屿（子图）。

GMat	KalmanFilter (const GMat &measurement, const GOpaque< bool > &haveMeasurement, const cv::gapi::KalmanParams &kfParams)

GMat	KalmanFilter (const GMat &measurement, const GOpaque< bool > &haveMeasurement, const GMat &control, const cv::gapi::KalmanParams &kfParams)
	标准卡尔曼滤波算法 http://en.wikipedia.org/wiki/Kalman_filter。

template<typename... KK>
GKernelPackage	kernels ()
	创建一个包含在变长模板参数中指定的内核和变换的内核包对象。

template<typename... FF>
GKernelPackage	kernels (FF &... functors)

std::tuple< GOpaque< double >, GArray< int >, GArray< Point2f > >	kmeans (const GArray< Point2f > &data, const int K, const GArray< int > &bestLabels, const TermCriteria &criteria, const int attempts, const KmeansFlags flags)

std::tuple< GOpaque< double >, GArray< int >, GArray< Point3f > >	kmeans (const GArray< Point3f > &data, const int K, const GArray< int > &bestLabels, const TermCriteria &criteria, const int attempts, const KmeansFlags flags)

std::tuple< GOpaque< double >, GMat, GMat >	kmeans (const GMat &data, const int K, const GMat &bestLabels, const TermCriteria &criteria, const int attempts, const KmeansFlags flags)
	找到集群的中心并将输入样本分组在集群周围。

std::tuple< GOpaque< double >, GMat, GMat >	kmeans (const GMat &data, const int K, const TermCriteria &criteria, const int attempts, const KmeansFlags flags)

GMat	Laplacian (const GMat &src, int ddepth, int ksize=1, double scale=1, double delta=0, int borderType=BORDER_DEFAULT)
	计算图像的拉普拉斯。

GMat	LUT (const GMat &src, const Mat &lut)
	对矩阵进行查找表变换。

GMat	LUV2BGR (const GMat &src)
	将图像从 LUV 色彩空间转换为 BGR 色彩空间。

GMat	mask (const GMat &src, const GMat &mask)
	将掩码应用于矩阵。

GMat	max (const GMat &src1, const GMat &src2)
	计算两个矩阵的每个元素的最大值。

GScalar	mean (const GMat &src)
	计算矩阵元素的平均值（均值）。

GMat	medianBlur (const GMat &src, int ksize)
	使用中值滤波器模糊图像。

GMat	merge3 (const GMat &src1, const GMat &src2, const GMat &src3)
	将3个单通道矩阵合并为一个3通道矩阵。

GMat	merge4 (const GMat &src1, const GMat &src2, const GMat &src3, const GMat &src4)
	将4个单通道矩阵合并为一个4通道矩阵。

GMat	min (const GMat &src1, const GMat &src2)
	计算两个矩阵每个元素的最小值。

GMat	morphologyEx (const GMat &src, const MorphTypes op, const Mat &kernel, const Point &anchor=Point(-1,-1), const int iterations=1, const BorderTypes borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())
	执行高级形态学变换。

GMat	mul (const GMat &src1, const GMat &src2, double scale=1.0, int ddepth=-1)
	计算两个矩阵每个元素的缩放乘积。

GMat	mulC (const GMat &src, const GScalar &multiplier, int ddepth=-1)
	这是一个提供便利的重载成员函数，它与上述函数的区别在于它接受的参数。

GMat	mulC (const GMat &src, double multiplier, int ddepth=-1)
	将矩阵与标量相乘。

GMat	mulC (const GScalar &multiplier, const GMat &src, int ddepth=-1)
	这是一个提供便利的重载成员函数，它与上述函数的区别在于它接受的参数。

template<typename... Args>
cv::gapi::GNetPackage	networks (Args &&... args)

GMat	normalize (const GMat &src, double alpha, double beta, int norm_type, int ddepth=-1)
	正常化数组的范数或值范围。

GScalar	normInf (const GMat &src)
	计算矩阵的绝对无穷范数。

GScalar	normL1 (const GMat &src)
	计算矩阵的绝对L1范数。

GScalar	normL2 (const GMat &src)
	计算矩阵的绝对L2范数。

GMat	NV12toBGR (const GMat &src_y, const GMat &src_uv)
	将图像从NV12 (YUV420p) 颜色空间转换为BGR。该函数将输入图像从NV12颜色空间转换为RGB。Y、U和V通道值的传统范围是0到255。

GMatP	NV12toBGRp (const GMat &src_y, const GMat &src_uv)
	将图像从NV12 (YUV420p) 颜色空间转换为BGR。该函数将输入图像从NV12颜色空间转换为BGR。Y、U和V通道值的传统范围是0到255。

GMat	NV12toGray (const GMat &src_y, const GMat &src_uv)
	将图像从NV12 (YUV420p) 颜色空间转换为灰度。该函数将输入图像从NV12颜色空间转换为灰度。Y、U和V通道值的传统范围是0到255。

GMat	NV12toRGB (const GMat &src_y, const GMat &src_uv)
	将图像从NV12 (YUV420p) 颜色空间转换为RGB。该函数将输入图像从NV12颜色空间转换为RGB。Y、U和V通道值的传统范围是0到255。

GMatP	NV12toRGBp (const GMat &src_y, const GMat &src_uv)
	将图像从NV12 (YUV420p) 颜色空间转换为RGB。该函数将输入图像从NV12颜色空间转换为RGB。Y、U和V通道值的传统范围是0到255。

bool	operator!= (const GBackend &lhs, const GBackend &rhs)

cv::gapi::GNetPackage &	operator+= (cv::gapi::GNetPackage &lhs, const cv::gapi::GNetPackage &rhs)

GArray< Rect >	parseSSD (const GMat &in, const GOpaque< Size > &inSz, const float confidenceThreshold, const bool alignmentToSquare, const bool filterOutOfBounds)
	解析SSD网络输出。

std::tuple> Rect >',	parseSSD (const GMat &in, const GOpaque< Size > &inSz, const float confidenceThreshold=0.5f, const int filterLabel=-1)
	解析SSD网络输出。

std::tuple> Rect >',	parseYolo (const GMat &in, const GOpaque< Size > &inSz, const float confidenceThreshold=0.5f, const float nmsThreshold=0.5f, const std::vector> float > &anchors=nn::parsers::GParseYolo::defaultAnchors())
	解析Yolo网络输出。

GMat	phase (const GMat &x, const GMat &y, bool angleInDegrees=false)
	计算二维向量的旋转角度。

std::tuple< GMat, GMat >	polarToCart (const GMat &mage, const GMat &angle, bool angleInDegrees=false)
	根据二维向量的幅度和角度计算x和y坐标。

GMat	remap (const GMat &src, const Mat &map1, const Mat &map2, int interpolation, int borderMode=BORDER_CONSTANT, const Scalar &borderValue=Scalar())
	对图像应用通用几何变换。

GMat	resize (const GMat &src, const Size &dsize, double fx=0, double fy=0, int interpolation=INTER_LINEAR)
	调整图像大小。

GMatP	resizeP (const GMatP &src, const Size &dsize, int interpolation=cv::INTER_LINEAR)
	调整平面图像的大小。

GMat	RGB2Gray (const GMat &src)
	将图像从RGB颜色空间转换为灰度。

GMat	RGB2Gray (const GMat &src, float rY, float gY, float bY)

GMat	RGB2HSV (const GMat &src)
	将图像从RGB颜色空间转换为HSV。函数将输入图像从RGB颜色空间转换为HSV。R、G和B通道值的传统范围是0到255。

GMat	RGB2I420 (const GMat &src)
	将图像从 RGB 颜色空间转换为 I420 颜色空间。

GMat	RGB2Lab (const GMat &src)
	将图像从 RGB 颜色空间转换为 Lab 颜色空间。

GMat	RGB2YUV (const GMat &src)
	将图像从 RGB 颜色空间转换为 YUV 颜色空间。

GMat	RGB2YUV422 (const GMat &src)
	将图像从 RGB 颜色空间转换为 YUV422。该函数将输入图像从 RGB 颜色空间转换为 YUV422。RGB、G 和 B 通道值的传统范围是 0 到 255。

GMat	select (const GMat &src1, const GMat &src2, const mask)
	通过给定的掩码从输入矩阵的第一个或第二个中选择值。如果掩码矩阵中对应的值为 255，则将输出矩阵设置为第一个输入矩阵的值，或者如果掩码矩阵设置为 0，则设置为第二个输入矩阵的值。

GMat	sepFilter (const GMat &src, int ddepth, const Mat &kernelX, const Mat &kernelY, const Point &anchor, const Scalar &delta, int borderType=BORDER_DEFAULT, const Scalar &borderValue=Scalar(0))
	将分离线性滤波器应用于矩阵（图像）。

std::vector< char >	serialize (const cv::GCompileArgs &ca)

std::vector< char >	serialize (const cv::GComputation &c)
	将 GComputation 表示的图序列化为一个字节数组。

std::vector< char >	serialize (const cv::GMetaArgs &ma)

std::vector< char >	serialize (const cv::GRunArgs &ra)

std::vector< char >	serialize (const std::vector< std::string > &vs)

GMat	Sobel (const GMat &src, int ddepth, int dx, int dy, int ksize=3, double scale=1, double delta=0, int borderType=BORDER_DEFAULT, const Scalar &borderValue=Scalar(0))
	使用扩展 Sobel算符计算第一、第二、第三或混合图像导数。

std::tuple< GMat, GMat >	SobelXY (const GMat &src, int ddepth, int order, int ksize=3, double scale=1, double delta=0, int borderType=BORDER_DEFAULT, const Scalar &borderValue=Scalar(0))
	使用扩展 Sobel算符计算第一、第二、第三或混合图像导数。

std::tuplelangle GMat, GMat, GMat &rangle	split3 (const GMat &src)
	将3通道矩阵分割成3个单通道矩阵。

std::tuplelangle GMat, GMat, GMat, GMat &rangle	split4 (const GMat &src)
	将4通道矩阵分割成4个单通道矩阵。

GMat	sqrt (const GMat &src)
	计算数组元素的平方根。

GMat	stereo (const GMat &left, const GMat &right, const StereoOutputFormat of=StereoOutputFormat::DEPTH_FLOAT32)
	计算指定立体对的视差/深度图。函数根据传入的 StereoOutputFormat 参数计算视差或深度图。

GMat	sub (const GMat &src1, const GMat &src2, int ddepth=-1)
	计算两个矩阵之间的逐元素差异。

GMat	subC (const GMat &src, const GScalar &c, int ddepth=-1)
	计算矩阵与给定标量的逐元素差异。

GMat	subRC (const GScalar&c, const GMat&src, int ddepth=-1)
	计算给定标量与矩阵之间的逐元素差异。

GScalar	sum (const GMat &src)
	计算矩阵中所有元素的总和。

std::tuplelangle GMat, GScalar &rangle	threshold (const GMat &src, const GScalar &maxval, int type)

GMat	threshold (const GMat &src, const GScalar &thresh, const GScalar &maxval, int type)
	对每个矩阵元素应用固定阈值的阈值。

GMat	transpose (const GMat &src)
	转置矩阵。

GMat	warpAffine (const GMat &src, const Mat &M, const Size &dsize, int flags=cv::INTER_LINEAR, int borderMode=cv::BORDER_CONSTANT, const Scalar &(borderValue=Scalar()))
	对一个图像应用仿射变换。

GMat	warpPerspective (const GMat &src, const Mat &M, const Size &dsize, int flags=cv::INTER_LINEAR, int borderMode=cv::BORDER_CONSTANT, const Scalar &(borderValue=Scalar()))
	对一个图像应用透视变换。

GMat	YUV2BGR (const GMat &src)
	将图像从 YUV 颜色空间转换为 BGR 颜色空间。

GMat	YUV2RGB (const GMat &src)
	将图像从 YUV 颜色空间转换为 RGB。该函数将输入图像从 YUV 颜色空间转换为 RGB。Y，U 和 V 通道值的传统范围为 0 到 255。

Typedef Documentation

◆ GKernelPackage

使用 cv::gapi::GKernelPackage = 静态类型定义 cv::GKernelPackage

枚举类型文档

◆ StereoOutputFormat

枚举类型 cv::gapi::StereoOutputFormat

strong

该枚举指定从 cv::gapi::stereo 获取的结果的格式。

枚举值
DEPTH_FLOAT16	16 位浮点值，CV_16FC1。此标识符已被弃用，请使用 DEPTH_16F 代替。
DEPTH_FLOAT32	32 位浮点值，CV_32FC1。此标识符已被弃用，请使用 DEPTH_16F 代替。
DISPARITY_FIXED16_11_5	16 位有符号：第一位用于符号，10 位用于整数部分，5 位用于小数部分。此标识符已被弃用，请使用 DISPARITY_16Q_10_5 代替。
DISPARITY_FIXED16_12_4	16 位有符号：第一位用于符号，11 位用于整数部分，4 位用于小数部分。此标识符已被弃用，请使用 DISPARITY_16Q_11_4 代替。
DEPTH_16F	与 DEPTH_FLOAT16 相同。
DEPTH_32F	与 DEPTH_FLOAT32 相同。
DISPARITY_16Q_10_5	与 DISPARITY_FIXED16_11_5 相同。
DISPARITY_16Q_11_4	与 DISPARITY_FIXED16_12_4 相同。

函数文档

◆ combine() [1/2]

template<typename... Ps>

cv::GKernelPackage cv::gapi::combine	(	const cv::GKernelPackage &	a,
		const cv::GKernelPackage &	b,
		Ps &&...	rest
	)

Python
	cv.gapi.combine(	lhs, rhs	) ->	retval

将多个G-API核包合并成一个。

这是一个提供便利的重载成员函数，它与上述函数的区别在于它接受的参数。

此函数连续使用右折叠将传入的内核包组合在一起。调用combine(a, b, c)等于combine(a, combine(b, c))。

返回: 结果内核包

以下是此函数的调用图

◆ combine() [2/2]

cv::GKernelPackage cv::gapi::combine	(	const cv::GKernelPackage &	lhs,
		const cv::GKernelPackage &	rhs
	)

Python
	cv.gapi.combine(	lhs, rhs	) ->	retval

◆ deserialize() [1/3]

template<>

cv::GMetaArgs cv::gapi::deserialize ( const std::vector< char > & bytes )

inline

从字节数组中反序列化 GMetaArgs。

查看更多示例，请参阅不同加载。

参数

bytes 序列化字节数组。

返回: 反序列化的 GMetaArgs 对象。

◆ deserialize() [2/3]

template<>

cv::GRunArgs cv::gapi::deserialize ( const std::vector< char > & bytes )

inline

从字节数组中反序列化 GRunArgs。

查看更多示例，请参阅不同加载。

参数

bytes 序列化字节数组。

返回: 反序列化的 GRunArgs 对象。

◆ deserialize() [3/3]

template<>

std::vector< std::string > cv::gapi::deserialize ( const std::vector< char > & bytes )

inline

从字节数组中反序列化 std::vector<std::string>。

查看更多示例，请参阅不同加载。

参数

bytes 序列化字节数组。

返回: 反序列化的 std::vector<std::string> 对象。

◆ equalizeHist()

GMat cv::gapi::equalizeHist ( const GMat & src )

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

gapi_feature

该函数使用以下算法均衡输入图像的直方图：

计算 src 的直方图 \(H\)。
将直方图归一化，使得直方图 bin 的总和为 255。
计算直方图的积分
\[H'_i = \sum _{0 \le j < i} H(j)\]
使用 \(H'\) 作为查找表转换图像：\(\texttt{dst}(x,y) = H'(\texttt{src}(x,y))\)

该算法均衡图像亮度并增加对比度。

注意

返回的图像与输入图像具有相同的大小和类型。
函数文本 ID 是 "org.opencv.imgproc.equalizeHist"

参数

src	源 8 位单通道图像。

◆ infer() [1/6]

template<typename Net , typename... Args>

Net::Result cv::gapi::infer ( Args &&... args )


cv.gapi.infer(	name, inputs	) ->	retval
cv.gapi.infer(	name, roi, inputs	) ->	retval
cv.gapi.infer(	name, rois, inputs	) ->	retval

根据输入数据计算指定网络（模板参数）的响应。

模板参数

A	使用 G_API_NET() 宏定义的网络类型。

参数

args	在 G_API_NET() 宏中指定的网络输入参数。

返回: 在 G_API_NET() 中定义的返回类型对象。如果网络有多个返回值（用元组定义），则返回适当类型的对象元组。

另请参阅: G_API_NET()

◆ infer() [2/6]

template<typename T = Generic>

cv::GInferListOutputs cv::gapi::infer	(	const std::string &	tag,
		const cv::GArray< cv::Rect > &	rois,
		const cv::GInferInputs &	inputs
	)


cv.gapi.infer(	name, inputs	) ->	retval
cv.gapi.infer(	name, roi, inputs	) ->	retval
cv.gapi.infer(	name, rois, inputs	) ->	retval

对源图像中的每个区域计算指定网络的响应。

参数

tag	网络标签
rois	描述源图像中感兴趣区域的部分矩形列表。通常为对象检测器或跟踪器的输出。
输入	网络的输入

返回: 一个 cv::GInferListOutputs

◆ infer() [3/6]

template<typename T = Generic>

cv::GInferOutputs cv::gapi::infer	(	const std::string &	tag,
		const cv::GInferInputs &	inputs
	)


cv.gapi.infer(	name, inputs	) ->	retval
cv.gapi.infer(	name, roi, inputs	) ->	retval
cv.gapi.infer(	name, rois, inputs	) ->	retval

计算通用网络的响应。

参数

tag	网络标签
输入	网络的输入

返回: 一个 GInferOutputs

以下是此函数的调用图

◆ infer() [4/6]

template<typename T = Generic>

cv::GInferOutputs cv::gapi::infer	(	const std::string &	tag,
		const cv::GOpaque< cv::Rect > &	roi,
		const cv::GInferInputs &	inputs
	)


cv.gapi.infer(	name, inputs	) ->	retval
cv.gapi.infer(	name, roi, inputs	) ->	retval
cv.gapi.infer(	name, rois, inputs	) ->	retval

计算源图像中指定区域的通用网络的响应。目前仅期望单个输入网络。

参数

tag	网络标签
roi	描述源图像中感兴趣区域的对象。可能在同一图中动态计算。
输入	网络的输入

返回: 一个 cv::GInferOutputs

◆ infer() [5/6]

template<typename Net , typename... Args>

Net::ResultL cv::gapi::infer	(	cv::GArray< cv::Rect >	roi,
		Args &&...	args
	)


cv.gapi.infer(	name, inputs	) ->	retval
cv.gapi.infer(	name, roi, inputs	) ->	retval
cv.gapi.infer(	name, rois, inputs	) ->	retval

对源图像中的每个区域计算指定网络的响应。

模板参数

A	使用 G_API_NET() 宏定义的网络类型。

参数

roi	描述源图像中感兴趣区域的部分矩形列表。通常为对象检测器或跟踪器的输出。
args	网络输入参数，如 G_API_NET() 宏中指定。注意：经验证，仅与 1 输入拓扑结构兼容。

返回: 在 G_API_NET() 中定义的返回类型对象的列表。如果网络有多个返回值（由元组定义），则返回包含适当类型的 GArray<> 对象的元组。

另请参阅: G_API_NET()

◆ infer() [6/6]

template<typename Net , typename T >

Net::Result cv::gapi::infer	(	cv::GOpaque< cv::Rect >	roi,
		T	in
	)


cv.gapi.infer(	name, inputs	) ->	retval
cv.gapi.infer(	name, roi, inputs	) ->	retval
cv.gapi.infer(	name, rois, inputs	) ->	retval

计算源图像中指定区域指定网络的响应。目前仅期望单个输入网络。

模板参数

A	使用 G_API_NET() 宏定义的网络类型。

参数

in	输入图像，从其中获取 ROI。
roi	描述源图像中感兴趣区域的对象。可能在同一图中动态计算。

返回: 在 G_API_NET() 中定义的返回类型对象。如果网络有多个返回值（用元组定义），则返回适当类型的对象元组。

另请参阅: G_API_NET()

◆ infer2() [1/2]

template<typename T = Generic, typename Input >

std::enable_if< cv::detail::accepted_infer_types< Input >::value, cv::GInferListOutputs >::type cv::gapi::infer2	(	const std::string &	tag,
		const Input &	in,
		const cv::GInferListInputs &	inputs
	)

Python
	cv.gapi.infer2(	name, in_, inputs	) ->	retval

对源图像中的每个区域计算指定网络的响应，扩展版本。

参数

tag	网络标签
in	包含感兴趣区域的源图像。
输入	网络的输入

返回: 一个 cv::GInferListOutputs

以下是此函数的调用图

◆ infer2() [2/2]

template<typename Net , typename T , typename... Args>

Net::ResultL cv::gapi::infer2	(	T	image,
		cv::GArray< Args >...	args
	)

Python
	cv.gapi.infer2(	name, in_, inputs	) ->	retval

对源图像中的每个区域计算指定网络的响应，扩展版本。

模板参数

A	使用 G_API_NET() 宏定义的网络类型。

参数

image	包含感兴趣区域的源图像
args	GArray<> 对象，其中包含 cv::Rect 或 cv::GMat，每个网络输入一个如果传递了一个 cv::GArray<cv::Rect>，则从 `image` 中提取适当的区域并预处理为特定网络输入；如果传递了一个 cv::GArray<cv::GMat>，则将基础数据视为张量（不进行自动预处理）。

返回: 在 G_API_NET() 中定义的返回类型对象的列表。如果网络有多个返回值（由元组定义），则返回包含适当类型的 GArray<> 对象的元组。

另请参阅: G_API_NET()

◆ island()

void cv::gapi::island	(	const std::string &	name,
		GProtoInputArgs &&	ins,
		GProtoOutputArgs &	outs
	)

保护

在一个计算内部定义标签化的岛屿（子图）。

声明一个标记为 name 且从 ins 到 outs（排他性，因为 ins/outs 是数据对象，区域划分在操作级别上完成）的岛屿。如果 ins 和 outs 之间的任何操作已分配给另一个岛屿，则抛出异常。

岛屿允许将图划分为子图，精确调整底层执行器对图的调度方式。

参数

name	要创建的岛屿名称
ins	输入数据对象向量，其中子图开始的位置
outs	输出数据对象向量，其中子图结束的位置。

岛屿的定义方式与cv::GComputation在输入/输出数据对象上的定义方式类似。cv::GComputation。同样适用此处的规则——如果输入和输出之间没有函数依赖关系，或者指定的输入数据对象不足，无法正确计算所有输出，则会抛出异常。

使用cv::GIn() / cv::GOut()来指定输入/输出向量。

◆ kmeans() [1/4]

std::tuple< GOpaque< double >, GArray< int >, GArray< Point2f > > cv::gapi::kmeans	(	const GArray< Point2f > &	数据,
		const int	K,
		const GArray< int > &	最佳标签,
		const TermCriteria &	标准,
		const int	尝试次数,
		const KmeansFlags	标志位
	)

Python
	cv.gapi.kmeans(	数据，K，最佳标签，标准，尝试次数，标志位	) ->	retval
	cv.gapi.kmeans(	数据，K，标准，尝试次数，标志位	) ->	retval

这是一个提供便利的重载成员函数，它与上述函数的区别在于它接受的参数。

注意: 函数文本ID是"org.opencv.core.kmeans2D"

◆ kmeans() [2/4]

std::tuple< GOpaque< double >, GArray< int >, GArray< Point3f > > cv::gapi::kmeans	(	const GArray< Point3f >	数据,
		const int	K,
		const GArray< int > &	最佳标签,
		const TermCriteria &	标准,
		const int	尝试次数,
		const KmeansFlags	标志位
	)

Python
	cv.gapi.kmeans(	数据，K，最佳标签，标准，尝试次数，标志位	) ->	retval
	cv.gapi.kmeans(	数据，K，标准，尝试次数，标志位	) ->	retval

这是一个提供便利的重载成员函数，它与上述函数的区别在于它接受的参数。

注意: 函数文本ID是"org.opencv.core.kmeans3D"

◆ kmeans() [3/4]

std::tuple< GOpaque< double >, GMat, GMat > cv::gapi::kmeans	(	const GMat &	数据,
		const int	K,
		const GMat &	最佳标签,
		const TermCriteria &	标准,
		const int	尝试次数,
		const KmeansFlags	标志位
	)

Python
	cv.gapi.kmeans(	数据，K，最佳标签，标准，尝试次数，标志位	) ->	retval
	cv.gapi.kmeans(	数据，K，标准，尝试次数，标志位	) ->	retval

找到集群的中心并将输入样本分组在集群周围。

函数kmeans实现了一种k-means算法，该算法找到K个聚类的中心，并将输入样本分组到各个聚类周围。作为输出，\(\texttt{bestLabels}_i\)包含第\(i^{th}\)个样本的基于0的聚类索引。

注意

函数文本ID是"org.opencv.core.kmeansND"
如果给出了N维点集，输入GMat可以有以下特性：2个维度，如果N个通道，则是一个单独的行或列，如果有一个通道，则为N个列。《a class="el" href="../../d1/d1b/group__core__hal__interface.html#ga4a3def5d72b74bed31f5f8ab7676099c">Mat应有CV_32F深度。
尽管如此，如果提供的作为数据GMat的高度不等于1、宽度不等于1、通道数不等于1，那么n维样本被认为是给定的，其中A = 高度，n = 宽度 * 通道数。
如果给定作为数据GMat
- 输出标签以1通道GMat返回，其宽度为1，高度为A，其中A为样本数量；如果提供了最好标签，则宽度为bestLabels.width，高度为bestLabels.height。
- 聚类中心以1通道GMat返回，其宽度为n，高度为K，其中n为样本的维度，K为聚类数量。
作为一种可能的用法，如果您想自己控制每次尝试的初始标签，可以仅利用函数的核心。为此，将尝试的次数设置为1，每次使用自定义算法初始化标签，使用（标志= KMEANS_USE_INITIAL_LABELS）标志传递它们，然后选择最佳（最紧凑）聚类。

参数

数据	聚类数据。需要一个具有浮点坐标的N维点数组。函数可以接受2D和3D情况的GArray或GMat（任何维度和通道）。
K	通过它来拆分集的聚类数量。
最佳标签	可选的输入整数数组，可以存储每个样本的假设初始聚类索引。当设置（标志=KMEANS_USE_INITIAL_LABELS）标志时使用。
标准	算法的终止准则，即最大迭代次数和/或期望的精度。精度指定为criteria.epsilon。只要每个聚类中心在某次迭代中的移动小于criteria.epsilon，算法就停止。
尝试次数	用于指定算法执行次数的标志，使用不同的初始标签。算法返回产生最优紧凑性的标签（见第一个函数返回值）。
标志	可以取cv::KmeansFlags值的标志。

返回

紧凑性度量计算如下
[\sum _i \| samples _i - centers _{ labels _i} \| ^2\]
在每次尝试之后。选择最佳（最小）值，函数返回相应的标签和紧凌度值。
存储每个样本的聚类索引的整数数组。
聚类中心数组。

◆ kmeans() [4/4]

std::tuple< GOpaque< double >, GMat, GMat > cv::gapi::kmeans	(	const GMat &	数据,
		const int	K,
		const TermCriteria &	标准,
		const int	尝试次数,
		const KmeansFlags	标志位
	)

Python
	cv.gapi.kmeans(	数据，K，最佳标签，标准，尝试次数，标志位	) ->	retval
	cv.gapi.kmeans(	数据，K，标准，尝试次数，标志位	) ->	retval

这是一个提供便利的重载成员函数，它与上述函数的区别在于它接受的参数。

注意

函数的文本ID是"org.opencv.core.kmeansNDNoInit"
在调用此重载时，请不要设置KMEANS_USE_INITIAL_LABELS标志。

◆ networks()

template<typename... Args>

cv::gapi::GNetPackage cv::gapi::networks ( Args &&... args )

以下是此函数的调用图

◆ operator!=()

bool cv::gapi::operator!=	(	const GBackend &	lhs,
		const GBackend &	rhs
	)

inline

◆ operator+=()

cv::gapi::GNetPackage & cv::gapi::operator+=	(	cv::gapi::GNetPackage &	lhs,
		const cv::gapi::GNetPackage &	rhs
	)

inline

◆ parseSSD() [1/2]

GArray< Rect > cv::gapi::parseSSD	(	const GMat &	in,
		const GOpaque< Size > &	inSz,
		const float	confidenceThreshold,
		const bool	alignmentToSquare,
		const bool	filterOutOfBounds
	)

Python
	cv.gapi.parseSSD(	输入_, 输入大小[, 置信度阈值[, 过滤标签]]	) ->	retval
	cv.gapi.parseSSD(	输入_, 输入大小, 置信度阈值, 调整到方形, 过滤越界	) ->	retval

解析SSD网络输出。

从SSD输出中提取检测信息（框，置信度），并通过给定的置信度和越界进行过滤。

注意: 函数文本ID是 "org.opencv.nn.parsers.parseSSD"

参数

in	输入CV_32F张量，维度为 {1,1,N,7}。
inSz	将检测的框投影到的大小（输入图像的大小）。
confidenceThreshold	如果检测的置信度小于置信度阈值，则拒绝检测。
alignmentToSquare	如果提供true，边界框扩展到方形。矩形的中心保持不变，方形的一边是矩形的较长边。
filterOutOfBounds	如果提供true，将过滤出框外的框。

返回: 一个检测到的边界框向量。

以下是此函数的调用图

◆ parseSSD() [2/2]

std::tuple< GArray< Rect >, GArray< int > > cv::gapi::parseSSD	(	const GMat &	in,
		const GOpaque< Size > &	inSz,
		const float	置信度阈值 = `0.5f`,
		const int	filterLabel = `-1`
	)

Python
	cv.gapi.parseSSD(	输入_, 输入大小[, 置信度阈值[, 过滤标签]]	) ->	retval
	cv.gapi.parseSSD(	输入_, 输入大小, 置信度阈值, 调整到方形, 过滤越界	) ->	retval

解析SSD网络输出。

从SSD输出中提取检测信息（框，置信度，标签），并通过给定的置信度和标签进行过滤。

注意: 函数文本ID是 "org.opencv.nn.parsers.parseSSD_BL"

参数

in	输入CV_32F张量，维度为 {1,1,N,7}。
inSz	将检测的框投影到的大小（输入图像的大小）。
confidenceThreshold	如果检测的置信度小于置信度阈值，则拒绝检测。
filterLabel	如果提供 (!= -1)，只允许给定标签的检测通过输出。

返回: 一个包含检测到的框和相应标签的元组。

以下是此函数的调用图

◆ parseYolo()

std::tuple< GArray< Rect >, GArray< int > > cv::gapi::parseYolo	(	const GMat &	in,
		const GOpaque< Size > &	inSz,
		const float	置信度阈值 = `0.5f`,
		const float	非最大抑制阈值 = `0.5f`,
		const std::vector< float > &	anchors = `nn::parsers::GParseYolo::defaultAnchors()`
	)

Python
	cv.gapi.parseYolo(	输入_, 输入大小[, 置信度阈值[, 非最大抑制阈值[, Anchors]]]	) ->	retval

解析Yolo网络输出。

从Yolo输出中提取检测信息（框，置信度，标签），并通过给定的置信度进行过滤，并对重叠的框执行非最大抑制。

注意: 函数文本ID是 "org.opencv.nn.parsers.parseYolo"

参数

in	输入CV_32F张量，维度为 {1,13,13,N}，N应该满足 \[\texttt{N} = (\texttt{num\_classes} + \texttt{5}) * \texttt{5},\] 其中num\_classes - Yolo网络训练时的类别数。
inSz	将检测的框投影到的大小（输入图像的大小）。
confidenceThreshold	如果检测的置信度小于置信度阈值，则拒绝检测。
非最大抑制阈值	非最大抑制阈值，它控制拒绝较小置信度框所需的相对框交集面积的最小值。如果为1.f，则不进行非最大抑制且不拒绝任何框。
anchors	训练Yolo网络时使用的锚点。

注意: 默认锚点值如Intel Open Model Zoo 文档所述。

返回: 一个包含检测到的框和相应标签的元组。

以下是此函数的调用图

◆ stereo()

GMat cv::gapi::stereo	(	const GMat &	左边,
		const GMat &	右边,
		const StereoOutputFormat	of = `StereoOutputFormat::DEPTH_FLOAT32`
	)

计算指定立体对的视差/深度图。函数根据传入的 StereoOutputFormat 参数计算视差或深度图。

参数

左边	类型为 CV_8UC1 的8位单通道左侧图像。
右边	类型为 CV_8UC1 的8位单通道右侧图像。
of	枚举，指定输出类型：深度或视差及其对应类型

以下是此函数的调用图

◆ transpose()

GMat cv::gapi::transpose ( const GMat & src )

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

转置矩阵。

该函数将矩阵转置

\[\texttt{dst} (i,j) = \texttt{src} (j,i)\]

注意

函数文本ID是 "org.opencv.core.transpose"
复矩阵情况下不执行复共轭。如果需要，应单独进行。

参数

src 输入数组。

命名空间

类

类型定义

枚举

函数

Typedef Documentation

◆ GKernelPackage

枚举类型文档

◆ StereoOutputFormat

函数文档

◆ combine() [1/2]

◆ combine() [2/2]

◆ deserialize() [1/3]

◆ deserialize() [2/3]

◆ deserialize() [3/3]

◆ equalizeHist()

◆ infer() [1/6]

◆ infer() [2/6]

◆ infer() [3/6]

◆ infer() [4/6]

◆ infer() [5/6]

◆ infer() [6/6]

◆ infer2() [1/2]

◆ infer2() [2/2]

◆ island()

◆ kmeans() [1/4]

◆ kmeans() [2/4]

◆ kmeans() [3/4]

◆ kmeans() [4/4]

◆ networks()

◆ operator!=()

◆ operator+=()

◆ parseSSD() [1/2]

◆ parseSSD() [2/2]

◆ parseYolo()

◆ stereo()

◆ transpose()