图 API：图像滤波器

详细描述

函数
GMat	cv::gapi::bilateralFilter (const GMat &src, int d, double sigmaColor, double sigmaSpace, int borderType=BORDER_DEFAULT)
	将双边滤波器应用于图像。
GMat	cv::gapi::blur (const GMat &src, const Size &ksize, const Point &anchor=Point(-1,-1), int borderType=BORDER_DEFAULT, const Scalar &borderValue=Scalar(0))
	使用归一化的盒式滤波器对图像进行模糊处理。
GMat	cv::gapi::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))
	使用盒式滤波器对图像进行模糊处理。
GMat	cv::gapi::dilate (const GMat &src, const Mat &kernel, const Point &anchor=Point(-1,-1), int iterations=1, int borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())
	使用特定的结构元素对图像进行膨胀。
GMat	cv::gapi::dilate3x3 (const GMat &src, int iterations=1, int borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())
	使用 3x3 矩形结构元素对图像进行膨胀。
GMat	cv::gapi::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对图像进行腐蚀。
GMat	cv::gapi::erode3x3 (const GMat &src, int iterations=1, int borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())
	使用 3x3 矩形结构元素对图像进行腐蚀。
GMat	cv::gapi::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))
	用内核对图像进行卷积。
GMat	cv::gapi::gaussianBlur (const GMat &src, const Size &ksize, double sigmaX, double sigmaY=0, int borderType=BORDER_DEFAULT, const Scalar &borderValue=Scalar(0))
	使用高斯滤波器对图像进行模糊处理。
GMat	cv::gapi::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算子。
GMat	cv::gapi::medianBlur (const GMat &src, int ksize)
	使用中值滤波器对图像进行模糊处理。
GMat	cv::gapi::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	cv::gapi::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))
	将可分离线性滤波器应用于矩阵（图像）。
GMat	cv::gapi::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))
	使用扩展的 Sobel 算子计算图像的一阶、二阶、三阶或混合导数。
std::tuple< GMat, GMat >	cv::gapi::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))
	使用扩展的 Sobel 算子计算图像的一阶、二阶、三阶或混合导数。

函数文档

bilateralFilter()

GMat cv::gapi::bilateralFilter	(	const GMat &	src,
		int	d,
		double	sigmaColor,
		double	sigmaSpace,
		int	borderType = BORDER_DEFAULT
	)

Python
	cv.gapi.bilateralFilter(	src, d, sigmaColor, sigmaSpace[, borderType]	) ->	retval

#include <opencv2/gapi/imgproc.hpp>

将双边滤波器应用于图像。

该函数将双边滤波器应用于输入图像，如 http://www.dai.ed.ac.uk/CVonline/LOCAL_COPIES/MANDUCHI1/Bilateral_Filtering.html 中所述。双边滤波器可以很好地减少不需要的噪声，同时保持边缘相当清晰。然而，与大多数滤波器相比，它非常慢。

Sigma 值：为简便起见，可以将 2 个 sigma 值设置为相同。如果它们很小（< 10），则滤波器不会产生太大影响，而如果它们很大（> 150），则它们将产生非常大的影响，使图像看起来“卡通化”。

滤波器大小：大的滤波器（d > 5）非常慢，因此建议在实时应用程序中使用 d=5，而在需要进行大量噪声过滤的离线应用程序中使用 d=9。

此滤波器不会就地工作。

注意

函数文本 ID 为“org.opencv.imgproc.filters.bilateralfilter”

参数

src	源 8 位或浮点型，1 通道或 3 通道图像。
d	滤波过程中使用的每个像素邻域的直径。如果为负数，则从 sigmaSpace 计算。
sigmaColor	颜色空间中的滤波器 sigma。参数值越大，像素邻域（见 sigmaSpace）中更远的颜色将混合在一起，从而导致更大面积的半等色区域。
sigmaSpace	坐标空间中的滤波器 sigma。参数值越大，只要颜色足够接近（见 sigmaColor），更远的像素就会互相影响。当 d>0 时，它指定邻域大小，而不管 sigmaSpace 如何。否则，d 与 sigmaSpace 成正比。
borderType	用于外推图像外部像素的边界模式，见 BorderTypes

返回值

与 src 大小和类型相同的目标图像。

blur()

GMat cv::gapi::blur	(	const GMat &	src,
		const Size &	ksize,
		const Point &	anchor = Point(-1,-1),
		int	borderType = BORDER_DEFAULT,
		const Scalar &	borderValue = Scalar(0)
	)

Python
	cv.gapi.blur(	src, ksize[, anchor[, borderType[, borderValue]]]	) ->	retval

#include <opencv2/gapi/imgproc.hpp>

使用归一化的盒式滤波器对图像进行模糊处理。

该函数使用内核对图像进行平滑处理

\[\texttt{K} = \frac{1}{\texttt{ksize.width*ksize.height}} \begin{bmatrix} 1 & 1 & 1 & \cdots & 1 & 1 \\ 1 & 1 & 1 & \cdots & 1 & 1 \\ \hdotsfor{6} \\ 1 & 1 & 1 & \cdots & 1 & 1 \\ \end{bmatrix}\]

调用 blur(src, ksize, anchor, borderType) 等效于 boxFilter(src, src.type(), ksize, anchor, true, borderType)。

支持的输入矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1、CV_32FC1。输出图像必须与输入图像具有相同的类型、大小和通道数。

注意

• 如果硬件支持，则对最接近的偶数进行舍入；如果不支持，则对最接近的数进行舍入。
• 函数文本 ID 为 "org.opencv.imgproc.filters.blur"

参数

src	源图像。
ksize	模糊内核大小。
anchor	锚点；默认值 Point(-1,-1) 表示锚点位于内核中心。
borderType	用于外推图像外部像素的边界模式，请参见 cv::BorderTypes
borderValue	常数边界类型情况下的边界值

另请参见

boxFilter、bilateralFilter、GaussianBlur、medianBlur

boxFilter()

GMat cv::gapi::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)
	)

Python
	cv.gapi.boxFilter(	src, dtype, ksize[, anchor[, normalize[, borderType[, borderValue]]]]	) ->	retval

#include <opencv2/gapi/imgproc.hpp>

使用盒式滤波器对图像进行模糊处理。

该函数使用内核对图像进行平滑处理

\[\texttt{K} = \alpha \begin{bmatrix} 1 & 1 & 1 & \cdots & 1 & 1 \\ 1 & 1 & 1 & \cdots & 1 & 1 \\ \hdotsfor{6} \\ 1 & 1 & 1 & \cdots & 1 & 1 \end{bmatrix}\]

其中

\[\alpha = \begin{cases} \frac{1}{\texttt{ksize.width*ksize.height}} & \texttt{when } \texttt{normalize=true} \\1 & \texttt{otherwise} \end{cases}\]

非归一化盒式滤波器可用于计算每个像素邻域的各种积分特征，例如图像导数的协方差矩阵（用于密集光流算法等）。如果您需要计算可变大小窗口上的像素总和，请使用 cv::integral.

支持的输入矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1、CV_32FC1。输出图像必须与输入图像具有相同的类型、大小和通道数。

注意

• 如果硬件支持，则对最接近的偶数进行舍入；如果不支持，则对最接近的数进行舍入。
• 函数文本 ID 为 "org.opencv.imgproc.filters.boxfilter"

参数

src	源图像。
dtype	输出图像深度（-1 设置为输入图像数据类型）。
ksize	模糊内核大小。
anchor	内核内的锚点位置。默认值 \((-1,-1)\) 表示锚点位于内核中心。
normalize	标志，指定内核是否按其面积进行归一化。
borderType	像素外推方法，请参见 cv::BorderTypes
borderValue	常数边界类型情况下的边界值

另请参见

sepFilter、gaussianBlur、medianBlur、integral

dilate()

GMat cv::gapi::dilate	(	const GMat &	src,
		const Mat &	kernel,
		const Point &	anchor = Point(-1,-1),
		int	iterations = 1,
		int	borderType = BORDER_CONSTANT,
		const Scalar &	borderValue = morphologyDefaultBorderValue()
	)

Python
	cv.gapi.dilate(	src, kernel[, anchor[, iterations[, borderType[, borderValue]]]]	) ->	retval

#include <opencv2/gapi/imgproc.hpp>

使用特定的结构元素对图像进行膨胀。

该函数使用指定的结构元素膨胀源图像，该结构元素确定像素邻域的形状，在该邻域上取最大值

\[\texttt{dst} (x,y) = \max _{(x',y'): \, \texttt{element} (x',y') \ne0 } \texttt{src} (x+x',y+y')\]

膨胀可以应用多次（iterations）。对于多通道图像，每个通道都独立处理。支持的输入矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1 和 CV_32FC1。输出图像必须与输入图像具有相同的类型、大小和通道数。

注意

• 如果硬件支持，则对最接近的偶数进行舍入；如果不支持，则对最接近的数进行舍入。
• 函数文本 ID 为 "org.opencv.imgproc.filters.dilate"

参数

src	输入图像。
kernel	用于膨胀的结构元素；如果 elemenat=Mat()，则使用 3 x 3 矩形结构元素。可以使用 getStructuringElement 创建内核
anchor	元素内锚点的位置；默认值 (-1, -1) 表示锚点位于元素中心。
iterations	应用膨胀的次数。
borderType	像素外推方法，请参见 cv::BorderTypes
borderValue	常数边界情况下的边界值

另请参见

erode、morphologyEx、getStructuringElement

dilate3x3()

GMat cv::gapi::dilate3x3	(	const GMat &	src,
		int	iterations = 1,
		int	borderType = BORDER_CONSTANT,
		const Scalar &	borderValue = morphologyDefaultBorderValue()
	)

Python
	cv.gapi.dilate3x3(	src[, iterations[, borderType[, borderValue]]]	) ->	retval

#include <opencv2/gapi/imgproc.hpp>

使用 3x3 矩形结构元素对图像进行膨胀。

该函数使用指定的结构元素膨胀源图像，该结构元素确定像素邻域的形状，在该邻域上取最大值

\[\texttt{dst} (x,y) = \max _{(x',y'): \, \texttt{element} (x',y') \ne0 } \texttt{src} (x+x',y+y')\]

膨胀可以应用多次（iterations）。对于多通道图像，每个通道都独立处理。支持的输入矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1 和 CV_32FC1。输出图像必须与输入图像具有相同的类型、大小和通道数。

注意

• 如果硬件支持，则对最接近的偶数进行舍入；如果不支持，则对最接近的数进行舍入。
• 函数文本 ID 为 "org.opencv.imgproc.filters.dilate"

参数

src	输入图像。
iterations	应用膨胀的次数。
borderType	像素外推方法，请参见 cv::BorderTypes
borderValue	常数边界情况下的边界值

另请参见

dilate、erode3x3

erode()

GMat cv::gapi::erode	(	const GMat &	src,
		const Mat &	kernel,
		const Point &	anchor = Point(-1,-1),
		int	iterations = 1,
		int	borderType = BORDER_CONSTANT,
		const Scalar &	borderValue = morphologyDefaultBorderValue()
	)

Python
	cv.gapi.erode(	src, kernel[, anchor[, iterations[, borderType[, borderValue]]]]	) ->	retval

#include <opencv2/gapi/imgproc.hpp>

使用特定的结构元素对图像进行腐蚀。

该函数使用指定的结构元素腐蚀源图像，该结构元素确定像素邻域的形状，在该邻域上取最小值

\[\texttt{dst} (x,y) = \min _{(x',y'): \, \texttt{element} (x',y') \ne0 } \texttt{src} (x+x',y+y')\]

腐蚀可以应用多次（iterations）。对于多通道图像，每个通道都独立处理。支持的输入矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1 和 CV_32FC1。输出图像必须与输入图像具有相同的类型、大小和通道数。

注意

• 如果硬件支持，则对最接近的偶数进行舍入；如果不支持，则对最接近的数进行舍入。
• 函数文本 ID 为 "org.opencv.imgproc.filters.erode"

参数

src	输入图像
kernel	用于腐蚀的结构元素；如果 element=Mat()，则使用 3 x 3 矩形结构元素。可以使用 getStructuringElement 创建内核。
anchor	元素内锚点的位置；默认值 (-1, -1) 表示锚点位于元素中心。
iterations	应用腐蚀的次数。
borderType	像素外推方法，请参见 cv::BorderTypes
borderValue	常数边界情况下的边界值

另请参见

dilate、morphologyEx

erode3x3()

GMat cv::gapi::erode3x3	(	const GMat &	src,
		int	iterations = 1,
		int	borderType = BORDER_CONSTANT,
		const Scalar &	borderValue = morphologyDefaultBorderValue()
	)

Python
	cv.gapi.erode3x3(	src[, iterations[, borderType[, borderValue]]]	) ->	retval

#include <opencv2/gapi/imgproc.hpp>

使用 3x3 矩形结构元素对图像进行腐蚀。

该函数使用矩形结构元素腐蚀源图像，矩形中心作为锚点。腐蚀可以应用多次（iterations）。对于多通道图像，每个通道都独立处理。支持的输入矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1 和 CV_32FC1。输出图像必须与输入图像具有相同的类型、大小和通道数。

注意

• 如果硬件支持，则对最接近的偶数进行舍入；如果不支持，则对最接近的数进行舍入。
• 函数文本 ID 为 "org.opencv.imgproc.filters.erode"

参数

src	输入图像
iterations	应用腐蚀的次数。
borderType	像素外推方法，请参见 cv::BorderTypes
borderValue	常数边界情况下的边界值

另请参见

erode、dilate3x3

filter2D()

GMat cv::gapi::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)
	)

Python
	cv.gapi.filter2D(	src, ddepth, kernel[, anchor[, delta[, borderType[, borderValue]]]]	) ->	retval

#include <opencv2/gapi/imgproc.hpp>

用内核对图像进行卷积。

该函数对图像应用任意线性滤波器。当孔径部分位于图像外部时，该函数根据指定的边界模式对离群像素值进行插值。

该函数实际上计算的是相关性，而不是卷积

\[\texttt{dst} (x,y) = \sum _{ \substack{0\leq x' < \texttt{kernel.cols}\\{0\leq y' < \texttt{kernel.rows}}}} \texttt{kernel} (x',y')* \texttt{src} (x+x'- \texttt{anchor.x} ,y+y'- \texttt{anchor.y} )\]

也就是说，内核不会围绕锚点镜像。如果您需要真正的卷积，请使用 flip 翻转内核并将新锚点设置为 (kernel.cols - anchor.x - 1, kernel.rows - anchor.y - 1)。

支持的矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1、CV_32FC1。输出图像必须与输入图像具有相同的大小和通道数。

注意

• 如果硬件支持，则对最接近的偶数进行舍入；如果不支持，则对最接近的数进行舍入。
• 函数文本 ID 为 "org.opencv.imgproc.filters.filter2D"

参数

src	输入图像。
ddepth	目标图像所需的深度
kernel	卷积内核（更确切地说是相关内核），单通道浮点矩阵；如果您希望对不同的通道应用不同的内核，请使用 split 将图像拆分为单独的颜色平面，并分别处理它们。
anchor	内核的锚点，指示过滤点在内核内的相对位置；锚点应位于内核内；默认值 (-1,-1) 表示锚点位于内核中心。
delta	存储在 dst 中之前添加到已过滤像素的可选值。
borderType	像素外推方法，请参见 cv::BorderTypes
borderValue	常数边界类型情况下的边界值

另请参见

sepFilter

gaussianBlur()

GMat cv::gapi::gaussianBlur	(	const GMat &	src,
		const Size &	ksize,
		double	sigmaX,
		double	sigmaY = 0,
		int	borderType = BORDER_DEFAULT,
		const Scalar &	borderValue = Scalar(0)
	)

Python
	cv.gapi.gaussianBlur(	src, ksize, sigmaX[, sigmaY[, borderType[, borderValue]]]	) ->	retval

#include <opencv2/gapi/imgproc.hpp>

使用高斯滤波器对图像进行模糊处理。

该函数使用指定的 Gaussian 核对源图像进行滤波。输出图像必须与输入图像具有相同的类型和通道数。

支持的输入矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1、CV_32FC1。输出图像必须与输入图像具有相同的类型、大小和通道数。

注意

• 如果硬件支持，则对最接近的偶数进行舍入；如果不支持，则对最接近的数进行舍入。
• 函数文本 ID 为 "org.opencv.imgproc.filters.gaussianBlur"

参数

src	输入图像；
ksize	Gaussian 核大小。ksize.width 和 ksize.height 可以不同，但它们都必须为正数且为奇数。或者，它们可以为零，然后从 sigma 计算得出。
sigmaX	X 方向上的 Gaussian 核标准差。
sigmaY	Y 方向上的 Gaussian 核标准差；如果 sigmaY 为零，则将其设置为等于 sigmaX，如果两个 sigma 都为零，则分别从 ksize.width 和 ksize.height 计算得出（有关详细信息，请参阅 cv::getGaussianKernel）；为了完全控制结果，无论所有这些语义的未来修改如何，建议指定 ksize、sigmaX 和 sigmaY。
borderType	像素外推方法，请参见 cv::BorderTypes
borderValue	常数边界类型情况下的边界值

另请参见

sepFilter，boxFilter，medianBlur

Laplacian()

GMat cv::gapi::Laplacian	(	const GMat &	src,
		int	ddepth,
		int	ksize = 1,
		double	scale = 1,
		double	delta = 0,
		int	borderType = BORDER_DEFAULT
	)

Python
	cv.gapi.Laplacian(	src, ddepth[, ksize[, scale[, delta[, borderType]]]]	) ->	retval

#include <opencv2/gapi/imgproc.hpp>

计算图像的拉普拉斯算子。

该函数通过将使用 Sobel 算子计算的第二个 x 和 y 导数相加来计算源图像的拉普拉斯算子

\[\texttt{dst} = \Delta \texttt{src} = \frac{\partial^2 \texttt{src}}{\partial x^2} + \frac{\partial^2 \texttt{src}}{\partial y^2}\]

当 ksize > 1 时，这是完成的。当 ksize == 1 时，拉普拉斯算子是通过使用以下 \(3 \times 3\) 孔径对图像进行滤波来计算的

\[\vecthreethree {0}{1}{0}{1}{-4}{1}{0}{1}{0}\]

注意

函数文本 ID 为 "org.opencv.imgproc.filters.laplacian"

参数

src	源图像。
ddepth	目标图像的所需深度。
ksize	用于计算二阶导数滤波器的孔径大小。有关详细信息，请参阅 getDerivKernels。大小必须为正数且为奇数。
scale	计算的拉普拉斯算子值的可选比例因子。默认情况下，不应用缩放。有关详细信息，请参阅 getDerivKernels。
delta	可选的增量值，在将结果存储在 dst 中之前将其添加到结果中。
borderType	像素外推方法，请参阅 BorderTypes。 BORDER_WRAP 不受支持。

返回值

与 src 相同大小且具有相同通道数的目标图像。

另请参见

Sobel，Scharr

medianBlur()

GMat cv::gapi::medianBlur	(	const GMat &	src,
		int	ksize
	)

Python
	cv.gapi.medianBlur(	src, ksize	) ->	retval

#include <opencv2/gapi/imgproc.hpp>

使用中值滤波器对图像进行模糊处理。

该函数使用 \(\texttt{ksize} \times \texttt{ksize}\) 孔径的中值滤波器对图像进行平滑处理。多通道图像的每个通道都独立处理。输出图像必须与输入图像具有相同的类型、大小和通道数。

注意

• 如果硬件支持，则将四舍五入到最接近的偶数，否则将四舍五入到最接近的数。中值滤波器在内部使用 cv::BORDER_REPLICATE 来处理边界像素，请参阅 cv::BorderTypes
• 函数文本 ID 为 "org.opencv.imgproc.filters.medianBlur"

参数

src	输入矩阵（图像）
ksize	孔径线性大小；它必须为奇数且大于 1，例如：3、5、7...

另请参见

boxFilter，gaussianBlur

morphologyEx()

GMat cv::gapi::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()
	)

Python
	cv.gapi.morphologyEx(	src, op, kernel[, anchor[, iterations[, borderType[, borderValue]]]]	) ->	retval

#include <opencv2/gapi/imgproc.hpp>

执行高级形态学变换。

该函数可以使用腐蚀和膨胀作为基本操作来执行高级形态学变换。

任何操作都可以就地进行。对于多通道图像，每个通道都是独立处理的。

注意

• 函数文本 ID 为 "org.opencv.imgproc.filters.morphologyEx"
• 迭代次数是腐蚀或膨胀操作将应用的次数。例如，具有两次迭代的开运算 (MORPH_OPEN) 等效于连续应用：腐蚀 -> 腐蚀 -> 膨胀 -> 膨胀（而不是腐蚀 -> 膨胀 -> 腐蚀 -> 膨胀）。

参数

src	输入图像。
op	形态学操作的类型，请参阅 MorphTypes
kernel	结构元素。它可以使用 getStructuringElement 创建。
anchor	元素内的锚点位置。负值表示锚点位于内核中心。
iterations	腐蚀和膨胀应用的次数。
borderType	像素外推方法，请参阅 BorderTypes。 BORDER_WRAP 不受支持。
borderValue	在恒定边界情况下，边界值。默认值具有特殊含义。

另请参见

dilate，erode，getStructuringElement

sepFilter()

GMat cv::gapi::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)
	)

Python
	cv.gapi.sepFilter(	src, ddepth, kernelX, kernelY, anchor, delta[, borderType[, borderValue]]	) ->	retval

#include <opencv2/gapi/imgproc.hpp>

将可分离线性滤波器应用于矩阵（图像）。

该函数将可分离线性滤波器应用于矩阵。也就是说，首先，src 的每一行都用 1D 核 kernelX 进行滤波。然后，结果的每一列都用 1D 核 kernelY 进行滤波。最终结果将被返回。

支持的矩阵数据类型为 CV_8UC1，CV_8UC3，CV_16UC1，CV_16SC1，CV_32FC1。输出图像必须与输入图像具有相同的类型、大小和通道数。

注意

• 在浮点计算的情况下，如果硬件支持（否则四舍五入到最接近的值），则将四舍五入到最接近的偶数。
• 函数文本 ID 为 "org.opencv.imgproc.filters.sepfilter"

参数

src	源图像。
ddepth	目标图像的所需深度（支持 src.depth() 和 ddepth 的以下组合 src.depth() = CV_8U, ddepth = -1/CV_16S/CV_32F/CV_64F src.depth() = CV_16U/CV_16S, ddepth = -1/CV_32F/CV_64F src.depth() = CV_32F, ddepth = -1/CV_32F/CV_64F src.depth() = CV_64F, ddepth = -1/CV_64F 当 ddepth=-1 时，输出图像将具有与源图像相同的深度）
kernelX	用于过滤每一行的系数。
kernelY	用于过滤每一列的系数。
anchor	内核内的锚点位置。默认值 \((-1,-1)\) 表示锚点位于内核中心。
delta	添加到滤波结果中的值，然后再将其存储。
borderType	像素外推方法，请参见 cv::BorderTypes
borderValue	常数边界类型情况下的边界值

另请参见

boxFilter，gaussianBlur，medianBlur

Sobel()

GMat cv::gapi::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)
	)

Python
	cv.gapi.Sobel(	src, ddepth, dx, dy[, ksize[, scale[, delta[, borderType[, borderValue]]]]]	) ->	retval

#include <opencv2/gapi/imgproc.hpp>

使用扩展的 Sobel 算子计算图像的一阶、二阶、三阶或混合导数。

在除一种情况外的所有情况下，都使用 \(\texttt{ksize} \times \texttt{ksize}\) 可分离内核来计算导数。当 \(\texttt{ksize = 1}\) 时，使用 \(3 \times 1\) 或 \(1 \times 3\) 内核（也就是说，不进行高斯平滑）。ksize = 1 只能用于一阶或二阶 x 或 y 导数。

还有一个特殊值 ksize = FILTER_SCHARR (-1)，它对应于 \(3\times3\) Scharr 滤波器，它可能比 \(3\times3\) Sobel 提供更准确的结果。Scharr 孔径为

\[\vecthreethree{-3}{0}{3}{-10}{0}{10}{-3}{0}{3}\]

对于 x 导数，或者对于 y 导数进行转置。

该函数通过使用适当的内核对图像进行卷积来计算图像导数

\[\texttt{dst} = \frac{\partial^{xorder+yorder} \texttt{src}}{\partial x^{xorder} \partial y^{yorder}}\]

Sobel 算子结合了高斯平滑和微分，因此结果或多或少地对噪声具有抵抗力。最常见的是，该函数使用 ( xorder = 1, yorder = 0, ksize = 3) 或 ( xorder = 0, yorder = 1, ksize = 3) 来计算一阶 x 或 y 图像导数。第一种情况对应于以下内核

\[\vecthreethree{-1}{0}{1}{-2}{0}{2}{-1}{0}{1}\]

第二种情况对应于以下内核

\[\vecthreethree{-1}{-2}{-1}{0}{0}{0}{1}{2}{1}\]

注意

• 如果硬件支持，则对最接近的偶数进行舍入；如果不支持，则对最接近的数进行舍入。
• 函数文本 ID 为 "org.opencv.imgproc.filters.sobel"

参数

src	输入图像。
ddepth	输出图像深度，请参阅 组合；对于 8 位输入图像，它将导致截断的导数。
dx	x 导数的阶数。
dy	y 导数的阶数。
ksize	扩展 Sobel 内核的大小；它必须为奇数。
scale	计算的导数值的可选比例因子；默认情况下，不应用缩放（有关详细信息，请参阅 cv::getDerivKernels）。
delta	可选的增量值，在将结果存储在 dst 中之前将其添加到结果中。
borderType	像素外推方法，请参见 cv::BorderTypes
borderValue	常数边界类型情况下的边界值

另请参见

filter2D，gaussianBlur，cartToPolar

SobelXY()

std::tuple< GMat, GMat > cv::gapi::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)
	)

Python
	cv.gapi.SobelXY(	src, ddepth, order[, ksize[, scale[, delta[, borderType[, borderValue]]]]]	) ->	retval

#include <opencv2/gapi/imgproc.hpp>

使用扩展的 Sobel 算子计算图像的一阶、二阶、三阶或混合导数。

在除一种情况外的所有情况下，都使用 \(\texttt{ksize} \times \texttt{ksize}\) 可分离内核来计算导数。当 \(\texttt{ksize = 1}\) 时，使用 \(3 \times 1\) 或 \(1 \times 3\) 内核（也就是说，不进行高斯平滑）。ksize = 1 只能用于一阶或二阶 x 或 y 导数。

还有一个特殊值 ksize = FILTER_SCHARR (-1)，它对应于 \(3\times3\) Scharr 滤波器，它可能比 \(3\times3\) Sobel 提供更准确的结果。Scharr 孔径为

\[\vecthreethree{-3}{0}{3}{-10}{0}{10}{-3}{0}{3}\]

对于 x 导数，或者对于 y 导数进行转置。

该函数通过使用适当的内核对图像进行卷积来计算图像导数

\[\texttt{dst} = \frac{\partial^{xorder+yorder} \texttt{src}}{\partial x^{xorder} \partial y^{yorder}}\]

Sobel 算子结合了高斯平滑和微分，因此结果或多或少地对噪声具有抵抗力。最常见的是，该函数使用 ( xorder = 1, yorder = 0, ksize = 3) 或 ( xorder = 0, yorder = 1, ksize = 3) 来计算一阶 x 或 y 图像导数。第一种情况对应于以下内核

\[\vecthreethree{-1}{0}{1}{-2}{0}{2}{-1}{0}{1}\]

第二种情况对应于以下内核

\[\vecthreethree{-1}{-2}{-1}{0}{0}{0}{1}{2}{1}\]

注意

• 第一个返回的矩阵对应于 dx 导数，而第二个矩阵对应于 dy。
• 如果硬件支持，则对最接近的偶数进行舍入；如果不支持，则对最接近的数进行舍入。
• 函数文本 ID 为 "org.opencv.imgproc.filters.sobelxy"

参数

src	输入图像。
ddepth	输出图像深度，请参阅 组合；对于 8 位输入图像，它将导致截断的导数。
order	导数的阶数。
ksize	扩展 Sobel 内核的大小；它必须为奇数。
scale	计算的导数值的可选比例因子；默认情况下，不应用缩放（有关详细信息，请参阅 cv::getDerivKernels）。
delta	可选的增量值，在将结果存储在 dst 中之前将其添加到结果中。
borderType	像素外推方法，请参见 cv::BorderTypes
borderValue	常数边界类型情况下的边界值

另请参见

filter2D，gaussianBlur，cartToPolar