命名空间
命名空间	rl

命名空间	segmentation

类
类	AdaptiveManifoldFilter
	自适应流形滤波器实现接口。更多...

结构体	Box

类	ContourFitting
	用于ContourFitting算法的类。ContourFitting匹配两个轮廓并最小化距离。 ContourFitting 匹配两个轮廓 \( z_a \) 和 \( z_b \)，最小化距离。更多...

类	DisparityFilter
	所有视差图滤波器的主接口。更多...

类	DisparityWLSFilter
	基于加权最小二乘滤波器（以快速全局平滑器形式，比传统的加权最小二乘滤波器实现快得多）的视差图滤波器，并且可选地使用基于左右一致性的信心来细化半遮挡区域和平滑区域的成果。更多...

类	DTFilter
	域变换滤波器实现接口。更多...

类	EdgeAwareInterpolator
	基于修改后的局部加权仿射估计器（参考文献[224]）和快速全局平滑器作为后处理滤波器的稀疏匹配插值算法。更多...

类	EdgeBoxes
	实现EdgeBoxes算法的类，算法来自参考文献[322]：EdgeBoxes。更多...

类	EdgeDrawing
	实现ED（EdgeDrawing）、EDLines、EDPF和EDCircles算法的类。更多...

类	FastBilateralSolverFilter
	快速双边求解器实现接口。更多...

类	FastGlobalSmootherFilter
	快速全局平滑器实现接口。更多...

类	FastLineDetector
	实现FLD（快速线检测器）算法的类，该算法在参考文献[155]中描述。更多...

类	GuidedFilter
	(快速)引导滤波器实现接口。更多...

类	RFFeatureGetter

类	RICInterpolator
	基于改进的局部加权仿射估计器（称为Robust Interpolation method of Correspondences或RIC）的稀疏匹配插值算法，并在后处理中作为变分和快速全局平滑器。[130]，LECInterpolator是EdgeAwareInterpolator的扩展。这种扩展的主要概念是基于SLIC超像素估计的过度分割的整段仿射模型。该方法包含一个有效的传播机制来估计各个部分间的模型。更多...

类	RidgeDetectionFilter
	将Ridge Detection Filter应用于输入图像。实现与Mathematica中类似的Ridge检测，使用Sobel导数从一个输入图像的Hessian矩阵中提取特征值。可以使用骨架化和二值化进行额外的细化。改编自[79]和[186]。更多...

类	ScanSegment
	实现扫描分割的类，由Locke SC等人提出，用于原论文[170]。更多...

类	SparseMatchInterpolator
	所有过滤器的主要接口，这些过滤器将稀疏匹配作为输入并产生密集的每个像素匹配（光流）作为输出。更多...

类	StructuredEdgeDetection
	实现边缘检测算法的类，来自[70]：更多...

类	SuperpixelLSC
	实现线性光谱聚类（LSC）超像素算法的类，该算法在[160]中描述。更多...

类	SuperpixelSEEDS
	实现SEEDS（通过能量驱动采样提取超像素）超像素算法的类，该算法在[281]中描述。更多...

类	SuperpixelSLIC
	实现简单线性迭代聚类（SLIC）超像素算法的类，该算法在[1]中描述。更多...

类型定义
typedef std::vector< Box >	Boxes

枚举
enum	AngleRangeOption { ARO_0_45 = 0 , ARO_45_90 = 1 , ARO_90_135 = 2 , ARO_315_0 = 3 , ARO_315_45 = 4 , ARO_45_135 = 5 , ARO_315_135 = 6 , ARO_CTR_HOR = 7 , ARO_CTR_VER = 8 }
	指定要计算霍夫空间的哪一部分。更多...

enum	EdgeAwareFiltersList { DTF_NC , DTF_IC , DTF_RF , GUIDED_FILTER , AM_FILTER }

enum	HoughDeskewOption { HDO_RAW = 0 , HDO_DESKEW = 1 }
	指定是否执行霍夫变换图像的倾斜变换。更多...

enum	HoughOp { FHT_MIN = 0 , FHT_MAX = 1 , FHT_ADD = 2 , FHT_AVE = 3 }
	指定二进制运算。更多...

enum	LocalBinarizationMethods { BINARIZATION_NIBLACK = 0 , BINARIZATION_SAUVOLA = 1 , BINARIZATION_WOLF = 2 , BINARIZATION_NICK = 3 }
	指定在cv::ximgproc::niBlackThreshold中使用的二值化方法。更多...

enum	RulesOption { RO_STRICT = 0x00 ， RO_IGNORE_BORDERS = 0x01 }
	指定规则验证的程度。更多...

enum	SLICType { SLIC = 100 , SLICO = 101 , MSLIC = 102 }

enum	ThinningTypes { THINNING_ZHANGSUEN = 0 , THINNING_GUOHALL = 1 }

enum	WMFWeightType { WMF_EXP = 1 , WMF_IV1 = 1 << 1 , WMF_IV2 = 1 << 2 , WMF_COS = 1 << 3 , WMF_JAC = 1 << 4 , WMF_OFF = 1 << 5 }
	指定带权中值滤波器的权重类型。更多...

函数
void	amFilter (InputArray 联合体, InputArray 源, OutputArray 目标, double sigma_s, double sigma_r, bool adjust_outliers=false)
	简单的自适应流形滤波器调用。

void	anisotropicDiffusion (InputArray 源, OutputArray 目标, float alpha, float K, int niters)
	对图像进行各向异性扩散。

void	bilateralTextureFilter (InputArray 源, OutputArray 目标, int fr=3, int numIter=1, double sigmaAlpha=-1., double sigmaAvg=-1.)
	对图像应用双边纹理滤波器。它执行结构保持纹理滤波。更多关于此筛选器的详细信息，请参阅[56]。

void	BrightEdges (Mat &_original, Mat &_edgeview, int contrast=1, int shortrange=3, int longrange=9)

void	colorMatchTemplate (InputArray 图像, InputArray 模板, OutputArray 结果)
	比较颜色模板与重叠的颜色图像区域。

double	computeBadPixelPercent (InputArray GT, InputArray 源, Rect ROI, int thresh=24)
	计算视差图中“坏”像素的百分比（误差高于指定阈值的像素）的函数

double	computeMSE (InputArray GT, InputArray 源, Rect ROI)
	计算视差图平均平方误差的函数。

void	contourSampling (InputArray 源, OutputArray 输出，int nbElt)
	轮廓采样。

void	covarianceEstimation (InputArray 源, OutputArray 目标, int windowRows, int windowCols)
	使用滑动窗口公式计算图像的估计协方差矩阵。

Ptr<AdaptiveManifoldFilter>	createAMFilter (double sigma_s, double sigma_r, bool adjust_outliers=false)
	工厂方法，创建自适应流形滤波器的实例并执行一些初始化例程。

Ptr<ContourFitting>	createContourFitting (int ctr=1024, int fd=16)
	创建一个ContourFitting算法对象

Ptr<DisparityWLSFilter>	createDisparityWLSFilter (Ptr<StereoMatcher> matcher_left)
	方便的工厂方法，创建DisparityWLSFilter的实例并设置所有相关滤波器参数。目前仅支持StereoBM和StereoSGBM。

Ptr<DisparityWLSFilter>	createDisparityWLSFilterGeneric (bool use_confidence)
	较通用的工厂方法，创建DisparityWLSFilter的实例并执行基本初始化例程。使用此方法时，您需要自行设置ROI、匹配器和其他参数。

Ptr<DTFilter>	createDTFilter (InputArray guide, double sigmaSpatial, double sigmaColor, int mode=DTF_NC, int numIters=3)
	工厂方法，创建DTFilter的实例并执行初始化例程。

Ptr<EdgeAwareInterpolator>	createEdgeAwareInterpolator ()
	工厂方法，创建EdgeAwareInterpolator的实例。

Ptr<EdgeBoxes>	createEdgeBoxes (float alpha=0.65f, float beta=0.75f, float eta=1, float minScore=0.01f, int maxBoxes=10000, float edgeMinMag=0.1f, float edgeMergeThr=0.5f, float clusterMinMag=0.5f, float maxAspectRatio=3, float minBoxArea=1000, float gamma=2, float kappa=1.5f)
	创建EdgeBoxes。

Ptr<EdgeDrawing>	createEdgeDrawing ()
	创建一个指向EdgeDrawing对象的智能指针并将其初始化。

Ptr< FastBilateralSolverFilter >	createFastBilateralSolverFilter (InputArray guide, double sigma_spatial, double sigma_luma, double sigma_chroma, double lambda=128.0, int num_iter=25, double max_tol=1e-5)
	工厂方法，创建FastBilateralSolverFilter实例并执行初始化例程。

Ptr< FastGlobalSmootherFilter >	createFastGlobalSmootherFilter (InputArray guide, double lambda, double sigma_color, double lambda_attenuation=0.25, int num_iter=3)
	工厂方法，创建FastGlobalSmootherFilter实例并执行初始化例程。

Ptr< FastLineDetector >	createFastLineDetector (int length_threshold=10, float distance_threshold=1.414213562f, double canny_th1=50.0, double canny_th2=50.0, int canny_aperture_size=3, bool do_merge=false)
	创建指向FastLineDetector对象的智能指针并将其初始化。

Ptr< GuidedFilter >	createGuidedFilter (InputArray guide, int radius, double eps, double scale=1.0)
	工厂方法，创建GuidedFilter实例并生成初始化例程。

void	createQuaternionImage (InputArray img, OutputArray qimg)
	创建四元数图像。

Ptr< RFFeatureGetter >	createRFFeatureGetter ()

Ptr< RICInterpolator >	createRICInterpolator ()
	创建一个RICInterpolator实例的工厂方法。

Ptr< StereoMatcher >	createRightMatcher (Ptr< StereoMatcher > matcher_left)
	方便方法，为计算置信度过滤所需的右侧视差图设置匹配器。

cv::Ptr< ScanSegment >	createScanSegment (int image_width, int image_height, int num_superpixels, int slices=8, bool merge_small=true)
	初始化一个ScanSegment对象。

Ptr< StructuredEdgeDetection >	createStructuredEdgeDetection (const String &model, Ptr< const RFFeatureGetter > howToGetFeatures=Ptr< RFFeatureGetter >())

Ptr< SuperpixelLSC >	createSuperpixelLSC (InputArray image, int region_size=10, float ratio=0.075f)
	LSC (线性谱聚类) 超像素的类实现。

Ptr< SuperpixelSEEDS >	createSuperpixelSEEDS (int image_width, int image_height, int image_channels, int num_superpixels, int num_levels, int prior=2, int histogram_bins=5, bool double_step=false)
	初始化SuperpixelSEEDS对象。

Ptr< SuperpixelSLIC >	createSuperpixelSLIC (InputArray image, int algorithm=SLICO, int region_size=10, float ruler=10.0f)
	初始化SuperpixelSLIC对象。

void	dtFilter (InputArray guide, InputArray src, OutputArray dst, double sigmaSpatial, double sigmaColor, int mode=DTF_NC, int numIters=3)
	简单的单行域变换滤波器调用。如果您有多个图像要与相同的引导图像进行滤波，则可以使用DTFilter接口以避免在初始化阶段进行额外的计算。

void	edgePreservingFilter (InputArray src, OutputArray dst, int d, double threshold)
	使用边缘保持滤波器平滑图像。

void	fastBilateralSolverFilter (InputArray guide, InputArray src, InputArray confidence, OutputArray dst, double sigma_spatial=8, double sigma_luma=8, double sigma_chroma=8, double lambda=128.0, int num_iter=25, double max_tol=1e-5)
	单行调用简单的双边求解器过滤器。如果你要对多张相同的引导图像进行滤波，请使用 FastBilateralSolverFilter 接口以避免额外的计算。

void	fastGlobalSmootherFilter (InputArray 引导, InputArray 源, OutputArray 目标, double lambda, double sigma_color, double lambda_attenuation=0.25, int num_iter=3)
	单行调用简单的快速全局平滑器过滤器。如果你要对多张相同的引导图像进行滤波，请使用 FastGlobalSmootherFilter 接口以避免额外的计算。

void	FastHoughTransform (InputArray 源, OutputArray 目标, int 目标数据深度, int 角度范围=ARO_315_135, int op=FHT_ADD, int makeSkew=HDO_DESKEW)
	计算图像的二维快速Hough变换。

void	findEllipses (InputArray 图像, OutputArray 椭圆, float 分数阈值=0.7f, float 可靠度阈值=0.5f, float 中心距离阈值=0.05f)
	使用投影不变剪枝快速在图像中找到椭圆。

void	fourierDescriptor (InputArray 源, OutputArray 目标, int nbElt=-1, int nbFD=-1)
	平面封闭曲线的傅里叶描述符。

void	getDisparityVis (InputArray 源, OutputArray 目标, double scale=1.0)
	创建离散图可视化的函数（夹紧 CV_8U 图像）

void	GradientDericheX (InputArray op, OutputArray dst, double alpha, double omega)
	将X Deriche过滤器应用于图像。

void	GradientDericheY (InputArray op, OutputArray dst, double alpha, double omega)
	将Y Deriche过滤器应用于图像。

void	GradientPaillouX (InputArray op, OutputArray _dst, double alpha, double omega)

void	GradientPaillouY (InputArray op, OutputArray _dst, double alpha, double omega)
	将Paillou过滤器应用于图像。

void	guidedFilter (InputArray guide, InputArray src, OutputArray dst, int radius, double eps, int dDepth=-1, double scale=1.0)
	单行调用（快速）引导过滤器。

Vec4i	HoughPoint2Line (const Point &houghPoint, InputArray srcImgInfo, int angleRange=ARO_315_135, int makeSkew=HDO_DESKEW, int rules=RO_IGNORE_BORDERS)
	计算Hough空间中点对应的线段的坐标。

void	jointBilateralFilter (InputArray joint, InputArray src, OutputArray dst, int d, double sigmaColor, double sigmaSpace, int borderType=BORDER_DEFAULT)
	对图像应用联合双边滤波器。

void	l0Smooth (InputArray src, OutputArray dst, double lambda=0.02, double kappa=2.0)
	通过L0梯度最小化实现全局图像平滑。

void	niBlackThreshold (InputArray _src, OutputArray _dst, double maxValue, int type, int blockSize, double k, int binarizationMethod=BINARIZATION_NIBLACK, double r=128)
	使用Niblack技术或其启发的一些流行变体对输入图像进行阈值处理。

Matx23d	PeiLinNormalization (InputArray I)
	计算使用Pei＆Lin规范化对给定图像进行归一化的仿射变换。

void	PeiLinNormalization (InputArray I, OutputArray T)

void	qconj (InputArray qimg, OutputArray qcimg)
	计算四元数图像的共轭。

void	qdft (InputArray img, OutputArray qimg, int flags, bool sideLeft)
	对2D四元数数组执行正向或逆离散四元数傅里叶变换。

void	qmultiply (InputArray src1, InputArray src2, OutputArray dst)
	计算两个数组的每个元素的四元数乘积。

void	qunitary (InputArray qimg, OutputArray qnimg)
	将每个元素除以它的模数。

void	RadonTransform (InputArray src, OutputArray dst, double theta=1, double start_angle=0, double end_angle=180, bool crop=false, bool norm=false)
	计算图像的Radon变换。

int	readGT (String src_path, OutputArray dst)
	读取地面真实度散度图的函数。支持基本的Middlebury和MPI-Sintel格式。注意，生成的散度图将以16倍缩放。

void	rollingGuidanceFilter (InputArray src, OutputArray dst, int d=-1, double sigmaColor=25, double sigmaSpace=3, int numOfIter=4, int borderType=BORDER_DEFAULT)
	将滚动引导滤波器应用于图像。

void	thinning (InputArray src, OutputArray dst, int thinningType=THINNING_ZHANGSUEN)
	应用二值blob细化操作，以实现对输入图像的骨骼化。

void	transformFD (InputArray src, InputArray t, OutputArray dst, bool fdContour=true)
	转换轮廓。

void	weightedMedianFilter ( joint, src, dst, int r, double sigma=25.5, int weightType=, mask=())
	将加权中值滤波应用于图像。

枚举类型文档

◆ AngleRangeOption

枚举

指定要计算的Hough空间的部分。

枚举指定要计算的Hough空间的部分。每个成员主要指定线的方向（水平或垂直）和角度变化的方向。角度变化的方向是从90的倍数到奇数45的倍数。图像被认为是自上而下、自左向右编写的。角度从垂直线开始，顺时针方向。分别写四分之一和二分之一的方向与它们应位于整个Hough空间中的方向。

枚举器
ARO_0_45 Python: cv.ximgproc.ARO_0_45
ARO_45_90 Python: cv.ximgproc.ARO_45_90
ARO_90_135 Python: cv.ximgproc.ARO_90_135
ARO_315_0 Python: cv.ximgproc.ARO_315_0
ARO_315_45 Python: cv.ximgproc.ARO_315_45
ARO_45_135 Python: cv.ximgproc.ARO_45_135
ARO_315_135 Python: cv.ximgproc.ARO_315_135
ARO_CTR_HOR Python: cv.ximgproc.ARO_CTR_HOR
ARO_CTR_VER Python: cv.ximgproc.ARO_CTR_VER

◆ HoughDeskewOption

枚举 cv::ximgproc::HoughDeskewOption

指定是否对霍夫变换图像进行倾斜。

枚举指定是否对霍夫变换图像进行倾斜，以避免在图像边界处进行霍夫变换的循环。

枚举器
HDO_RAW Python: cv.ximgproc.HDO_RAW
HDO_DESKEW Python: cv.ximgproc.HDO_DESKEW

◆ HoughOp

枚举 cv::ximgproc::HoughOp

指定二进制操作。

枚举指定二进制操作，即涉及两个操作数的操作。形式上，集合 \( S \) 上的二元操作 \( f \) 是一个二元关系，它将笛卡尔积 \( S \times S \) 中的元素映射到 \( S \)

\[ f: S \times S \to S \]

枚举器
FHT_MIN Python: cv.ximgproc.FHT_MIN
FHT_MAX Python: cv.ximgproc.FHT_MAX
FHT_ADD Python: cv.ximgproc.FHT_ADD
FHT_AVE Python: cv.ximgproc.FHT_AVE

◆ RulesOption

枚举 cv::ximgproc::RulesOption

指定规则验证的程度。

枚举指定规则验证的程度。这可以用来，例如，选择合适的输入参数验证方式。

枚举器
RO_STRICT	按照适当的方式验证每个规则。
RO_IGNORE_BORDERS	跳过图像边界的验证。

◆ WMFWeightType

枚举 cv::ximgproc::WMFWeightType

指定加权中值滤波器的权重类型。

枚举器
WMF_EXP Python: cv.ximgproc.WMF_EXP	\(exp(-\|I1-I2\|^2/(2*sigma^2))\)
WMF_IV1 Python: cv.ximgproc.WMF_IV1	\((\|I1-I2\|+sigma)^-1\)
WMF_IV2 Python: cv.ximgproc.WMF_IV2	\((\|I1-I2\|^2+sigma^2)^-1\)
WMF_COS Python: cv.ximgproc.WMF_COS	\(dot(I1,I2)/(\|I1\|*\|I2\|)\)
WMF_JAC Python: cv.ximgproc.WMF_JAC	\((min(r1,r2)+min(g1,g2)+min(b1,b2))/(max(r1,r2)+max(g1,g2)+max(b1,b2))\)
WMF_OFF Python: cv.ximgproc.WMF_OFF	未加权的

函数文档

◆ BrightEdges()

void cv::ximgproc::BrightEdges	(	Mat &	_original,
		Mat &	_edgeview,
		int	contrast = `1`,
		int	shortrange = `3`,
		int	longrange = `9`
	)

◆ covarianceEstimation()

void cv::ximgproc::covarianceEstimation	(	InputArray	src,
		OutputArray	dst,
		int	windowRows,
		int	窗口列
	)

Python
	cv.ximgproc.covarianceEstimation(	src, windowRows, windowCols[, dst]	) ->	dst

使用滑动窗口公式计算图像的估计协方差矩阵。

参数

src	源图像。输入图像必须是复数类型。
dst	目标估计协方差矩阵。输出矩阵的大小为 (windowRowswindowCols, windowRowswindowCols)。
windowRows	窗口的行数。
windowCols	窗口的列数。窗口大小参数控制了估计的精度。滑动窗口从左上角到右下角整个图像移动。窗口的每个位置代表一个样本。如果窗口的大小与图像大小相同，则给出精确的协方差矩阵。在所有其他情况下，窗口的大小将影响样本数和估计协方差矩阵中的元素数。

◆ createScanSegment()

cv::Ptr< ScanSegment > cv::ximgproc::createScanSegment	(	int	image_width,
		int	image_height,
		int	num_superpixels,
		int	slices = `8`,
		bool	merge_small = `true`
	)

Python
	cv.ximgproc.createScanSegment(	image_width, image_height, num_superpixels[, slices[, merge_small]]	) ->	retval

初始化一个ScanSegment对象。

该函数初始化一个 ScanSegment 对象，用于输入图像。它存储图像参数：image_width 和 image_height。它还设置 F-DBSCAN 超像素算法的参数，包括：num_superpixels，线程和 merge_small。

参数

image_width	图像宽度。
image_height	图像高度。
num_superpixels	期望的超像素数量。请注意，实际数量可能较小，因为受限制（取决于图像大小）。使用 getNumberOfSuperpixels() 获取实际数量。
slices	用于并行化的处理线程数。设置 -1 使用最大线程数。在实际情况中，对于较小的图像，足够的线程数为四个，对于较大的图像，足够的线程数为八个。
merge_small	合并小段以给出期望的超像素数量。在不合并的情况下，处理速度更快，但图中将留下许多小段。

◆ FastHoughTransform()

void cv::ximgproc::FastHoughTransform	(	InputArray	src,
		OutputArray	dst,
		int	dstMatDepth,
		int	angleRange = `ARO_315_135`,
		int	op = `FHT_ADD`,
		int	makeSkew = `HDO_DESKEW`
	)

Python
	cv.ximgproc.FastHoughTransform(	src, dstMatDepth[, dst[, angleRange[, op[, makeSkew]]]]	) ->	dst

计算图像的二维快速Hough变换。

参数

dst	目标图像，转换后的结果。
src	源（输入）图像。
dstMatDepth	目标图像的深度
op	要应用的操作，请参阅 cv::HoughOp
angleRange	计算 Hough 空间的一部分，请参阅 cv::AngleRangeOption
makeSkew	指定是否进行图像倾斜，请参阅 cv::HoughDeskewOption

该函数计算全角度范围、半角度范围或四分之一角度范围的快速 Hough 变换。

◆ HoughPoint2Line()

Vec4i cv::ximgproc::HoughPoint2Line	(	const Point &	houghPoint,
		InputArray	srcImgInfo,
		int	angleRange = `ARO_315_135`,
		int	makeSkew = `HDO_DESKEW`,
		int	rules = `RO_IGNORE_BORDERS`
	)

Python
	cv.ximgproc.HoughPoint2Line(	houghPoint, srcImgInfo[, angleRange[, makeSkew[, rules]]]	) ->	retval

计算Hough空间中点对应的线段的坐标。

参数

houghPoint	Hough空间中的点。
srcImgInfo	Hough变换的源（输入）图像。
angleRange	点所在的部分Hough空间，参见cv::AngleRangeOption。
makeSkew	指定是否进行图像倾斜，请参阅 cv::HoughDeskewOption
rules	指定线段计算的严格性，参见cv::RulesOption。

返回值

[Vec4i] Hough空间中点对应的线段的坐标。

备注: 如果rules参数设置为RO_STRICT，则返回的线切割在源图像的边界上。; 如果rules参数设置为RO_WEAK，则在点属于Hough图像错误部分的情况下，返回的线不会与源图像相交。

该函数计算Hough空间中点对应的线段的坐标。

◆ RadonTransform()

void cv::ximgproc::RadonTransform	(	InputArray	src,
		OutputArray	dst,
		double	theta = `1`,
		double	start_angle = `0`,
		double	end_angle = `180`,
		bool	crop = `false`,
		bool	norm = `false`
	)

Python
	cv.ximgproc.RadonTransform(	src[, dst[, theta[, start_angle[, end_angle[, crop[, norm]]]]]]	) ->	dst

计算图像的Radon变换。

参数

src	源（输入）图像。
dst	目标图像，转换后的结果。
theta	变换的角度分辨率，单位是度。
start_angle	变换的起始角度，单位是度。
end_angle	变换的结束角度，单位是度。
crop	将源图像裁剪成圆形。
norm	将输出Mat归一化到灰度并转换类型为CV_8U。

该函数计算任意范围内的给定图像的Radon变换。有关详细信息，请参阅https://engineering.purdue.edu/~malcolm/pct/CTI_Ch03.pdf。如果输入类型为CV_8U，输出将为CV_32S。如果输入类型为CV_32F或CV_64F，输出将为CV_64F。输出大小将为积分数 x 源对角线长度。如果选择裁剪，输入图像将被裁剪成正方形然后是圆形，输出大小将为积分数 x 最小边。

◆ weightedMedianFilter()

void cv::ximgproc::weightedMedianFilter	(	InputArray	joint,
		InputArray	src,
		OutputArray	dst,
		int	r,
		double	sigma = `25.5`,
		int	weightType = `WMF_EXP`,
		InputArray	mask = `noArray()`
	)

Python
	cv.ximgproc.weightedMedianFilter(	joint, src, r[, dst[, sigma[, weightType[, mask]]]]	) ->	dst

将加权中值滤波应用于图像。

关于此实现的更多详细信息，请参阅[317]

参数

joint	联合的8位，单通道或3通道图像。
src	源8位或浮点，单通道或3通道图像。
dst	目标图像。
r	滤波内核的半径，应为正整数。
sigma	联合图像的滤波范围标准差。
weightType	weightType 权重定义的类型，见WMFWeightType。
mask	一个与I相同的0-1掩码。此掩码用于忽略某些像素的影响。如果掩码上的像素值为0，则在维护联合直方图时将忽略该像素。这对于像光流遮挡处理之类的应用很有用。

另请参阅: medianBlur、jointBilateralFilter。

命名空间

类

类型定义

枚举

函数

枚举类型文档

◆ AngleRangeOption

◆ HoughDeskewOption

◆ HoughOp

◆ RulesOption

◆ WMFWeightType

函数文档

◆ BrightEdges()

◆ covarianceEstimation()

◆ createScanSegment()

◆ FastHoughTransform()

◆ HoughPoint2Line()

◆ RadonTransform()

◆ weightedMedianFilter()