OpenCV：滤波器 - OpenCV 计算机视觉库

枚举器
DTF_NC Python: cv.ximgproc.DTF_NC
DTF_IC Python: cv.ximgproc.DTF_IC
DTF_RF Python: cv.ximgproc.DTF_RF
GUIDED_FILTER Python: cv.ximgproc.GUIDED_FILTER
AM_FILTER Python: cv.ximgproc.AM_FILTER

函数文档

◆ amFilter()

void cv::ximgproc::amFilter	(	InputArray	joint,
		InputArray	src,
		OutputArray	dst,
		double	sigma_s,
		double	sigma_r,
		bool	adjust_outliers = `false`
	)

Python
	cv.ximgproc.amFilter(	joint, src, sigma_s, sigma_r[, dst[, adjust_outliers]]	) ->	dst

简单的单行自适应流形滤波器调用。

参数

joint	joint（也称为引导）图像或具有任意数量通道的图像数组。
src	具有任意数量通道的过滤图像。
dst	输出图像。
sigma_s	空间标准差。
sigma_r	颜色空间标准差，类似于双边滤波器中颜色空间的 sigma。
adjust_outliers	可选，指定是否执行异常值调整操作，（公式 9）在原始论文中。

注意: 具有 CV_8U 和 CV_16U 深度的联合图像在处理之前被转换为具有 CV_32F 深度和 [0; 1] 颜色范围的图像。因此，颜色空间 sigma sigma_r 必须在 [0; 1] 范围内，与双边滤波器和 dtFilter 函数中的相同 sigma 不同。

另请参阅: bilateralFilter, dtFilter, guidedFilter

◆ bilateralTextureFilter()

void cv::ximgproc::bilateralTextureFilter	(	InputArray	src,
		OutputArray	dst,
		int	fr = `3`,
		int	numIter = `1`,
		double	sigmaAlpha = `-1.`,
		double	sigmaAvg = `-1.`
	)

Python
	cv.ximgproc.bilateralTextureFilter(	src[, dst[, fr[, numIter[, sigmaAlpha[, sigmaAvg]]]]]	) ->	dst

将双边纹理滤波器应用于图像。它执行结构保留纹理滤波。有关此滤波器的更多详细信息，请参见 [56]。

参数

src	源图像，其深度为 8 位 UINT 或 32 位 FLOAT
dst	与 src 大小和类型相同的目标图像。
fr	用于过滤的内核半径。它应该是正整数。
numIter	算法的迭代次数。它应该是正整数。
sigmaAlpha	控制从边缘到平滑/纹理区域的权重转换的锐度，其中值越大表示转换越锐利。当值为负时，它将自动计算。
sigmaAvg	纹理模糊的范围模糊参数。较大的值使结果更模糊。当值为负时，它将根据论文中的描述自动计算。

另请参阅: rollingGuidanceFilter, bilateralFilter

◆ colorMatchTemplate()

void cv::ximgproc::colorMatchTemplate	(	InputArray	img,
		InputArray	templ,
		OutputArray	result
	)

Python
	cv.ximgproc.colorMatchTemplate(	img, templ[, result]	) ->	result

将彩色模板与重叠的彩色图像区域进行比较。

参数

img	正在运行搜索的图像。它必须是 3 通道图像
templ	搜索的模板。它不能大于源图像，并且必须具有 3 个通道
result	比较结果图。它必须是单通道 64 位浮点数

◆ computeBadPixelPercent()

double cv::ximgproc::computeBadPixelPercent	(	InputArray	GT,
		InputArray	src,
		Rect	ROI,
		int	thresh = `24`
	)

Python
	cv.ximgproc.computeBadPixelPercent(	GT, src, ROI[, thresh]	) ->	retval

用于计算视差图中“不良”像素百分比的函数（像素，其中误差高于指定阈值）

参数

GT	地面真实视差图
src	要评估的视差图
ROI	感兴趣区域
thresh	用于确定“错误”像素的阈值

返回值: 返回 GT 和 src 之间的均方误差

◆ computeMSE()

double cv::ximgproc::computeMSE	(	InputArray	GT,
		InputArray	src,
		Rect	ROI
	)

Python
	cv.ximgproc.computeMSE(	GT, src, ROI	) ->	retval

用于计算视差图的均方误差的函数。

参数

GT	地面真实视差图
src	要评估的视差图
ROI	感兴趣区域

返回值: 返回 GT 和 src 之间的均方误差

◆ createAMFilter()

Ptr< AdaptiveManifoldFilter > cv::ximgproc::createAMFilter	(	double	sigma_s,
		double	sigma_r,
		bool	adjust_outliers = `false`
	)

Python
	cv.ximgproc.createAMFilter(	sigma_s, sigma_r[, adjust_outliers]	) ->	retval

工厂方法，创建 AdaptiveManifoldFilter 的实例并执行一些初始化例程。

参数

sigma_s	空间标准差。
sigma_r	颜色空间标准差，类似于双边滤波器中颜色空间的 sigma。
adjust_outliers	可选，指定是否执行异常值调整操作，（公式 9）在原始论文中。

有关自适应流形滤波器参数的更多详细信息，请参阅原始文章 [102] 。

注意: 具有 CV_8U 和 CV_16U 深度的联合图像在处理之前被转换为具有 CV_32F 深度和 [0; 1] 颜色范围的图像。因此，颜色空间 sigma sigma_r 必须在 [0; 1] 范围内，与双边滤波器和 dtFilter 函数中的相同 sigma 不同。

◆ createDisparityWLSFilter()

Ptr< DisparityWLSFilter > cv::ximgproc::createDisparityWLSFilter ( Ptr< StereoMatcher > matcher_left )

Python
	cv.ximgproc.createDisparityWLSFilter(	matcher_left	) ->	retval

便捷工厂方法，创建一个 DisparityWLSFilter 实例，并根据匹配器实例自动设置所有相关滤波器参数。当前仅支持 StereoBM 和 StereoSGBM。

参数

matcher_left 将与滤波器一起使用的立体匹配器实例

◆ createDisparityWLSFilterGeneric()

Ptr< DisparityWLSFilter > cv::ximgproc::createDisparityWLSFilterGeneric ( bool use_confidence )

Python
	cv.ximgproc.createDisparityWLSFilterGeneric(	use_confidence	) ->	retval

更通用的工厂方法，创建一个 DisparityWLSFilter 实例并执行基本的初始化例程。使用此方法时，您需要自己设置 ROI、匹配器和其他参数。

参数

use_confidence 使用置信度进行滤波需要两个视差图（对于左视图和右视图），并且大约慢两倍。但是，质量通常显着提高。

◆ createDTFilter()

Ptr< DTFilter > cv::ximgproc::createDTFilter	(	InputArray	guide,
		double	sigmaSpatial,
		double	sigmaColor,
		int	mode = `DTF_NC`,
		int	numIters = `3`
	)

Python
	cv.ximgproc.createDTFilter(	guide, sigmaSpatial, sigmaColor[, mode[, numIters]]	) ->	retval

工厂方法，创建 DTFilter 的实例并执行初始化例程。

参数

guide	引导图像（用于构建变换距离，该距离描述了引导图像的边缘结构）。
sigmaSpatial	\({\sigma}_H\) 原文中参数，类似于 bilateralFilter 中坐标空间的 sigma。
sigmaColor	\({\sigma}_r\) 原文中参数，类似于 bilateralFilter 中颜色空间的 sigma。
mode	三种模式 DTF_NC、DTF_RF 和 DTF_IC 中的一种，对应于文章中过滤二维信号的三种模式。
numIters	用于滤波的可选迭代次数，3 次就足够了。

有关域变换滤波器参数的更多详细信息，请参阅原始文章 [101] 和域变换滤波器主页。

◆ createEdgeAwareInterpolator()

Ptr< EdgeAwareInterpolator > cv::ximgproc::createEdgeAwareInterpolator ( )

Python
	cv.ximgproc.createEdgeAwareInterpolator(		) ->	retval

#include <opencv2/ximgproc/sparse_match_interpolator.hpp>

创建 EdgeAwareInterpolator 实例的工厂方法。

◆ createFastBilateralSolverFilter()

Ptr< FastBilateralSolverFilter > cv::ximgproc::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`
	)

Python
	cv.ximgproc.createFastBilateralSolverFilter(	guide, sigma_spatial, sigma_luma, sigma_chroma[, lambda_[, num_iter[, max_tol]]]	) ->	retval

工厂方法，创建 FastBilateralSolverFilter 的实例并执行初始化例程。

参数

guide	用作滤波引导的图像。它应该具有 8 位深度，并且具有 1 或 3 个通道。
sigma_spatial	类似于 bilateralFilter 中空间空间 sigma（带宽）的参数。
sigma_luma	类似于 bilateralFilter 中亮度空间 sigma（带宽）的参数。
sigma_chroma	类似于 bilateralFilter 中色度空间 sigma（带宽）的参数。
lambda	求解器的平滑强度参数。
num_iter	用于求解器的迭代次数，通常 25 次就足够了。
max_tol	用于求解器的收敛容差。

有关快速双边求解器参数的更多详细信息，请参阅原始论文 [19]。

◆ createFastGlobalSmootherFilter()

Ptr< FastGlobalSmootherFilter > cv::ximgproc::createFastGlobalSmootherFilter	(	InputArray	guide,
		double	lambda,
		double	sigma_color,
		double	lambda_attenuation = `0.25`,
		int	num_iter = `3`
	)

Python
	cv.ximgproc.createFastGlobalSmootherFilter(	guide, lambda_, sigma_color[, lambda_attenuation[, num_iter]]	) ->	retval

工厂方法，创建 FastGlobalSmootherFilter 的实例并执行初始化例程。

参数

guide	用作滤波引导的图像。它应该具有 8 位深度，并且具有 1 或 3 个通道。
lambda	定义正则化量的参数
sigma_color	类似于 bilateralFilter 中颜色空间 sigma 的参数。
lambda_attenuation	内部参数，定义每次迭代后 lambda 降低多少。通常，它应该为 0.25。将其设置为 1.0 可能导致条纹伪影。
num_iter	用于滤波的迭代次数，通常 3 次就足够了。

有关快速全局平滑器参数的更多详细信息，请参阅原始论文 [193]。但是，请注意，存在一些差异。论文中描述的 lambda 衰减在实现方面略有不同，因此不要期望结果与论文中的结果完全相同；论文中的 sigma_color 值应该乘以 255.0 以获得相同的效果。此外，在源图像和引导图像相同的图像滤波的情况下，作者建议在每次迭代后动态更新引导图像。为了最大限度地提高性能，这里没有实现此功能。

◆ createGuidedFilter()

Ptr< GuidedFilter > cv::ximgproc::createGuidedFilter	(	InputArray	guide,
		int	radius,
		double	eps,
		double	scale = `1.0`
	)

Python
	cv.ximgproc.createGuidedFilter(	guide, radius, eps[, scale]	) ->	retval

工厂方法，创建 GuidedFilter 的实例并执行初始化例程。

参数

guide	引导图像（或图像数组），最多 3 个通道，如果它有超过 3 个通道，则只使用前 3 个通道。
radius	引导滤波器的半径。
eps	引导滤波器的正则化项。\({eps}^2\) 类似于 bilateralFilter 中颜色空间的 sigma。
scale	快速引导滤波器的子采样因子，使用小于 1 的尺度可以几乎不明显地降低质量的情况下加快计算速度。（例如，scale==0.5 将滤波器内部的图像缩小 2 倍）

有关（快速）引导滤波器参数的更多详细信息，请参阅原始文章 [121] [120] 。

◆ createQuaternionImage()

void cv::ximgproc::createQuaternionImage	(	InputArray	img,
		OutputArray	qimg
	)

Python
	cv.ximgproc.createQuaternionImage(	img[, qimg]	) ->	qimg

创建四元数图像。

参数

img	源 8 位、32 位或 64 位图像，具有 3 个通道的图像。
qimg	结果 CV_64FC4 四元数图像（4 个通道，零通道和 B、G、R）。

◆ createRICInterpolator()

Ptr< RICInterpolator > cv::ximgproc::createRICInterpolator ( )

Python
	cv.ximgproc.createRICInterpolator(		) ->	retval

#include <opencv2/ximgproc/sparse_match_interpolator.hpp>

创建 RICInterpolator 实例的工厂方法。

◆ createRightMatcher()

Ptr< StereoMatcher > cv::ximgproc::createRightMatcher ( Ptr< StereoMatcher > matcher_left )

Python
	cv.ximgproc.createRightMatcher(	matcher_left	) ->	retval

用于设置匹配器的便捷方法，用于计算过滤时需要的右视差图。

参数

matcher_left 将与滤波器一起使用的主立体匹配器实例

◆ dtFilter()

void cv::ximgproc::dtFilter	(	InputArray	guide,
		InputArray	src,
		OutputArray	dst,
		double	sigmaSpatial,
		double	sigmaColor,
		int	mode = `DTF_NC`,
		int	numIters = `3`
	)

Python
	cv.ximgproc.dtFilter(	guide, src, sigmaSpatial, sigmaColor[, dst[, mode[, numIters]]]	) ->	dst

简单的单行域变换过滤器调用。如果使用相同的引导图像过滤多个图像，请使用 DTFilter 接口，以避免在初始化阶段进行额外的计算。

参数

guide	引导图像（也称为联合图像），具有无符号 8 位或浮点 32 位深度，最多 4 个通道。
src	具有无符号 8 位或浮点 32 位深度，最多 4 个通道的滤波图像。
dst	目标图像
sigmaSpatial	\({\sigma}_H\) 原文中参数，类似于 bilateralFilter 中坐标空间的 sigma。
sigmaColor	\({\sigma}_r\) 原文中参数，类似于 bilateralFilter 中颜色空间的 sigma。
mode	三种模式 DTF_NC、DTF_RF 和 DTF_IC 中的一种，对应于文章中过滤二维信号的三种模式。
numIters	用于滤波的可选迭代次数，3 次就足够了。

另请参阅: bilateralFilter, guidedFilter, amFilter

◆ fastBilateralSolverFilter()

void cv::ximgproc::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`
	)

Python
	cv.ximgproc.fastBilateralSolverFilter(	guide, src, confidence[, dst[, sigma_spatial[, sigma_luma[, sigma_chroma[, lambda_[, num_iter[, max_tol]]]]]]]	) ->	dst

简单的单行快速双边求解器过滤器调用。如果使用相同的引导图像过滤多个图像，请使用 FastBilateralSolverFilter 接口，以避免额外的计算。

参数

guide	用作滤波引导的图像。它应该具有 8 位深度，并且具有 1 或 3 个通道。
src	用于滤波的源图像，具有无符号 8 位或有符号 16 位或浮点 32 位深度，最多 4 个通道。
confidence	具有无符号 8 位或浮点 32 位置信度和 1 个通道的置信度图像。
dst	目标图像。
sigma_spatial	类似于 bilateralFilter 中空间空间 sigma（带宽）的参数。
sigma_luma	类似于 bilateralFilter 中亮度空间 sigma（带宽）的参数。
sigma_chroma	类似于 bilateralFilter 中色度空间 sigma（带宽）的参数。
lambda	求解器的平滑强度参数。
num_iter	用于求解器的迭代次数，通常 25 次就足够了。
max_tol	用于求解器的收敛容差。

有关快速双边求解器参数的更多详细信息，请参阅原始论文 [19]。

注意: 深度为 CV_8U 的置信度图像应在 [0, 255] 范围内，CV_32F 应在 [0, 1] 范围内。

◆ fastGlobalSmootherFilter()

void cv::ximgproc::fastGlobalSmootherFilter	(	InputArray	guide,
		InputArray	src,
		OutputArray	dst,
		double	lambda,
		double	sigma_color,
		double	lambda_attenuation = `0.25`,
		int	num_iter = `3`
	)

Python
	cv.ximgproc.fastGlobalSmootherFilter(	guide, src, lambda_, sigma_color[, dst[, lambda_attenuation[, num_iter]]]	) ->	dst

简单的单行快速全局平滑器过滤器调用。如果使用相同的引导图像过滤多个图像，请使用 FastGlobalSmootherFilter 接口，以避免额外的计算。

参数

guide	用作滤波引导的图像。它应该具有 8 位深度，并且具有 1 或 3 个通道。
src	用于滤波的源图像，具有无符号 8 位或有符号 16 位或浮点 32 位深度，最多 4 个通道。
dst	目标图像。
lambda	定义正则化量的参数
sigma_color	类似于 bilateralFilter 中颜色空间 sigma 的参数。
lambda_attenuation	内部参数，定义每次迭代后 lambda 降低多少。通常，它应该为 0.25。将其设置为 1.0 可能导致条纹伪影。
num_iter	用于滤波的迭代次数，通常 3 次就足够了。

◆ getDisparityVis()

void cv::ximgproc::getDisparityVis	(	InputArray	src,
		OutputArray	dst,
		double	scale = `1.0`
	)

Python
	cv.ximgproc.getDisparityVis(	src[, dst[, scale]]	) ->	dst

用于创建视差图可视化的函数（钳位 CV_8U 图像）

参数

src	输入视差图（CV_16S 深度）
dst	输出可视化
scale	视差图将乘以此值以进行可视化

◆ GradientDericheX()

void cv::ximgproc::GradientDericheX	(	InputArray	op,
		OutputArray	dst,
		double	alpha,
		double	omega
	)

Python
	cv.ximgproc.GradientDericheX(	op, alpha, omega[, dst]	) ->	dst

#include <opencv2/ximgproc/deriche_filter.hpp>

将 X Deriche 过滤器应用于图像。

有关此实现的更多详细信息，请参阅 http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.476.5736&rep=rep1&type=pdf

参数

op	源 8 位或 16 位图像，1 个通道或 3 个通道的图像。
dst	结果 CV_32FC 图像，通道数与 _op 相同。
alpha	double 参阅论文
omega	double 参阅论文

◆ GradientDericheY()

void cv::ximgproc::GradientDericheY	(	InputArray	op,
		OutputArray	dst,
		double	alpha,
		double	omega
	)

Python
	cv.ximgproc.GradientDericheY(	op, alpha, omega[, dst]	) ->	dst

#include <opencv2/ximgproc/deriche_filter.hpp>

将 Y Deriche 过滤器应用于图像。

有关此实现的更多详细信息，请参阅 http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.476.5736&rep=rep1&type=pdf

参数

op	源 8 位或 16 位图像，1 个通道或 3 个通道的图像。
dst	结果 CV_32FC 图像，通道数与 _op 相同。
alpha	double 参阅论文
omega	double 参阅论文

◆ GradientPaillouX()

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

#include <opencv2/ximgproc/paillou_filter.hpp>

◆ GradientPaillouY()

void cv::ximgproc::GradientPaillouY	(	InputArray	op,
		OutputArray	_dst,
		double	alpha,
		double	omega
	)

#include <opencv2/ximgproc/paillou_filter.hpp>

将 Paillou 过滤器应用于图像。

有关此实现的更多详细信息，请参阅 [211]

参数

op	源 CV_8U(S) 或 CV_16U(S)，1 个通道或 3 个通道的图像。
_dst	结果 CV_32F 图像，通道数与 op 相同。
omega	double 参阅论文
alpha	double 参阅论文

另请参阅: GradientPaillouX, GradientPaillouY

◆ guidedFilter()

void cv::ximgproc::guidedFilter	(	InputArray	guide,
		InputArray	src,
		OutputArray	dst,
		int	radius,
		double	eps,
		int	dDepth = `-1`,
		double	scale = `1.0`
	)

Python
	cv.ximgproc.guidedFilter(	guide, src, radius, eps[, dst[, dDepth[, scale]]]	) ->	dst

简单的单行（快速）引导过滤器调用。

如果您有多个图像要使用相同的引导图像进行滤波，请使用 GuidedFilter 接口以避免在初始化阶段进行额外的计算。

参数

guide	引导图像（或图像数组），最多 3 个通道，如果它有超过 3 个通道，则只使用前 3 个通道。
src	具有任意数量通道的过滤图像。
dst	输出图像。
radius	引导滤波器的半径。
eps	引导滤波器的正则化项。\({eps}^2\) 类似于 bilateralFilter 中颜色空间的 sigma。
dDepth	可选的输出图像深度。
scale	快速引导滤波器的子采样因子，使用小于 1 的尺度可以几乎不明显地降低质量的情况下加快计算速度。（例如，scale==0.5 将滤波器内部的图像缩小 2 倍）

另请参阅: bilateralFilter, dtFilter, amFilter

◆ jointBilateralFilter()

void cv::ximgproc::jointBilateralFilter	(	InputArray	joint,
		InputArray	src,
		OutputArray	dst,
		int	d,
		double	sigmaColor,
		double	sigmaSpace,
		int	borderType = `BORDER_DEFAULT`
	)

Python
	cv.ximgproc.jointBilateralFilter(	joint, src, d, sigmaColor, sigmaSpace[, dst[, borderType]]	) ->	dst

将联合双边过滤器应用于图像。

参数

joint	联合 8 位或浮点型，单通道或三通道图像。
src	源 8 位或浮点型，单通道或三通道图像，与联合图像具有相同的深度。
dst	与 src 大小和类型相同的目标图像。
d	滤波过程中使用的每个像素邻域的直径。如果为非正数，则从 sigmaSpace 计算得出。
sigmaColor	颜色空间中的滤波 sigma。参数值越大，表示像素邻域内（参见 sigmaSpace ）颜色差异越远，将混合在一起，导致半等色区域更大。
sigmaSpace	坐标空间中的滤波 sigma。参数值越大，表示只要颜色足够接近（参见 sigmaColor ），更远的像素就会相互影响。当 d>0 时，它指定邻域大小，与 sigmaSpace 无关。否则，d 与 sigmaSpace 成正比。
borderType

注意: bilateralFilter 和 jointBilateralFilter 使用 L1 范数来计算颜色之间的差异。

另请参阅: bilateralFilter, amFilter

◆ l0Smooth()

void cv::ximgproc::l0Smooth	(	InputArray	src,
		OutputArray	dst,
		double	lambda = `0.02`,
		double	kappa = `2.0`
	)

Python
	cv.ximgproc.l0Smooth(	src[, dst[, lambda_[, kappa]]]	) ->	dst

通过 L0 梯度最小化进行全局图像平滑。

参数

src	用于滤波的源图像，无符号 8 位或有符号 16 位或浮点型深度。
dst	目标图像。
lambda	定义平滑项权重的参数。
kappa	定义梯度数据项权重递增因子的参数。

有关 L0 平滑器的更多详细信息，请参见原始论文 [305]。

◆ qconj()

void cv::ximgproc::qconj	(	InputArray	qimg,
		OutputArray	qcimg
	)

Python
	cv.ximgproc.qconj(	qimg[, qcimg]	) ->	qcimg

计算四元数图像的共轭。

参数

qimg	四元数图像。
qcimg	qimg 的共轭

◆ qdft()

void cv::ximgproc::qdft	(	InputArray	img,
		OutputArray	qimg,
		int	flags,
		bool	sideLeft
	)

Python
	cv.ximgproc.qdft(	img, flags, sideLeft[, qimg]	) ->	qimg

对二维四元数数组执行正向或逆向离散四元数傅里叶变换。

参数

img	四元数图像。
qimg	对偶空间中的四元数图像。
flags	对偶空间中的四元数图像。仅支持 DFT_INVERSE 标志
sideLeft	true 表示超复指数应乘以左侧（false 表示右侧）。

◆ qmultiply()

void cv::ximgproc::qmultiply	(	InputArray	src1,
		InputArray	src2,
		OutputArray	dst
	)

Python
	cv.ximgproc.qmultiply(	src1, src2[, dst]	) ->	dst

计算两个数组的逐元素四元数乘积。

参数

src1	四元数图像。
src2	四元数图像。
dst	积 dst(I)=src1(I) . src2(I)

◆ qunitary()

void cv::ximgproc::qunitary	(	InputArray	qimg,
		OutputArray	qnimg
	)

Python
	cv.ximgproc.qunitary(	qimg[, qnimg]	) ->	qnimg

将每个元素除以其模数。

参数

qimg	四元数图像。
qnimg	qimg 的共轭

◆ readGT()

int cv::ximgproc::readGT	(	String	src_path,
		OutputArray	dst
	)

Python
	cv.ximgproc.readGT(	src_path[, dst]	) ->	retval, dst

用于读取地面真实视差图的函数。支持基本的 Middlebury 和 MPI-Sintel 格式。请注意，生成的视差图将乘以 16。

参数

src_path	包含地面真实视差图的图像路径
dst	输出视差图，CV_16S 深度

返回值: 如果成功读取地面真实值，则返回零

◆ rollingGuidanceFilter()

void cv::ximgproc::rollingGuidanceFilter	(	InputArray	src,
		OutputArray	dst,
		int	d = `-1`,
		double	sigmaColor = `25`,
		double	sigmaSpace = `3`,
		int	numOfIter = `4`,
		int	borderType = `BORDER_DEFAULT`
	)

Python
	cv.ximgproc.rollingGuidanceFilter(	src[, dst[, d[, sigmaColor[, sigmaSpace[, numOfIter[, borderType]]]]]]	) ->	dst