实现 PCT（位置-颜色-纹理）特征提取的类，如 [151] 中所述。该算法分为特征采样器和聚类器。特征采样器在给定坐标集上生成样本。然后，聚类器使用 k 均值算法生成这些样本的聚类。生成的聚类集就是输入图像的特征签名。更多…

#include <opencv2/xfeatures2d.hpp>

cv::xfeatures2d::PCTSignatures 的协作图

公共类型
枚举	DistanceFunction { L0_25 , L0_5 , L1 , L2 , L2SQUARED , L5 , L_INFINITY }
	Lp 距离函数选择器。更多…

枚举	PointDistribution { UNIFORM , REGULAR , NORMAL }
	随机点生成器支持的点分布。更多…

枚举	SimilarityFunction { MINUS , GAUSSIAN , HEURISTIC }
	相似度函数选择器。更多…

公共成员函数
virtual void	computeSignature (InputArray image, OutputArray signature) const =0
	计算给定图像的特征签名。

virtual void	computeSignatures (const std::vector< Mat > &images, std::vector< Mat > &signatures) const =0
	并行计算多个图像的特征签名。

virtual int	getClusterMinSize () const =0
	此参数乘以迭代索引得到聚类大小的下限。包含少于限制指定点数的聚类将取消其质心，并重新分配点。

virtual int	getDistanceFunction () const =0
	用于测量 k 均值中两点之间距离的距离函数选择器。

virtual float	getDropThreshold () const =0
	删除 k 均值中权重小于或等于给定阈值的质心。

virtual int	getGrayscaleBits () const =0
	以分配的位数表示的灰度位图的颜色分辨率（即，值 4 表示使用 16 个灰度）。灰度位图用于计算对比度和熵值。

virtual int	getInitSeedCount () const =0
	k 均值算法的初始种子数（初始聚类数）。

virtual std::vector< int >	getInitSeedIndexes () const =0
	k 均值算法的初始种子（初始聚类数）。

virtual int	getIterationCount () const =0
	k 均值聚类的迭代次数。我们使用固定次数的迭代，因为修改后的聚类正在修剪聚类（而不是迭代地细化 k 个聚类）。

virtual float	getJoiningDistance () const =0
	两个质心之间的阈值欧几里得距离。如果两个聚类中心之间的距离小于此距离，则其中一个质心将被取消，并且点将被重新分配。

virtual int	getMaxClustersCount () const =0
	生成的聚类最大数量。如果超过此数量，则按权重对聚类进行排序，并裁剪最小的聚类。

virtual int	getSampleCount () const =0
	从图像中获取的初始样本数。

virtual std::vector< Point2f >	getSamplingPoints () const =0
	从图像中获取的初始样本。这些采样特征成为聚类的输入。

virtual float	getWeightA () const =0
	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual float	getWeightB () const =0
	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual float	getWeightContrast () const =0
	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual float	getWeightEntropy () const =0
	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual float	getWeightL () const =0
	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual float	getWeightX () const =0
	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual float	getWeightY () const =0
	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual int	getWindowRadius () const =0
	用于计算对比度和熵的纹理采样窗口的大小（窗口中心始终位于相应特征样本的 x，y 坐标选择的像素中）。

virtual void	setClusterMinSize (int clusterMinSize)=0
	此参数乘以迭代索引得到聚类大小的下限。包含少于限制指定点数的聚类将取消其质心，并重新分配点。

virtual void	setDistanceFunction (int distanceFunction)=0
	用于测量 k 均值中两点之间距离的距离函数选择器。可用：L0_25、L0_5、L1、L2、L2SQUARED、L5、L_INFINITY。

virtual void	setDropThreshold (float dropThreshold)=0
	删除 k 均值中权重小于或等于给定阈值的质心。

virtual void	setGrayscaleBits (int grayscaleBits)=0
	以分配的位数表示的灰度位图的颜色分辨率（即，值 4 表示使用 16 个灰度）。灰度位图用于计算对比度和熵值。

virtual void	setInitSeedIndexes (std::vector< int > initSeedIndexes)=0
	k 均值算法的初始种子索引。

virtual void	setIterationCount (int iterationCount)=0
	k 均值聚类的迭代次数。我们使用固定次数的迭代，因为修改后的聚类正在修剪聚类（而不是迭代地细化 k 个聚类）。

virtual void	setJoiningDistance (float joiningDistance)=0
	两个质心之间的阈值欧几里得距离。如果两个聚类中心之间的距离小于此距离，则其中一个质心将被取消，并且点将被重新分配。

virtual void	setMaxClustersCount (int maxClustersCount)=0
	生成的聚类最大数量。如果超过此数量，则按权重对聚类进行排序，并裁剪最小的聚类。

virtual void	setSamplingPoints (std::vector< Point2f > samplingPoints)=0
	设置用于采样输入图像的采样点。

virtual void	setTranslation (int idx, float value)=0
	特征空间各个轴的平移。

virtual void	setTranslations (const std::vector< float > &translations)=0
	特征空间各个轴的平移。

virtual void	setWeight (int idx, float value)=0
	权重（乘法常数），线性拉伸特征空间的各个轴。

virtual void	setWeightA (float weight)=0
	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual void	setWeightB (float weight)=0
	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual void	setWeightContrast (float weight)=0
	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual void	setWeightEntropy (float weight)=0
	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual void	setWeightL (float weight)=0
	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual void	setWeights (const std::vector< float > &weights)=0
	权重（乘法常数），线性拉伸特征空间的各个轴。

virtual void	setWeightX (float weight)=0
	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual void	setWeightY (float weight)=0
	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

virtual void	setWindowRadius (int radius)=0
	用于计算对比度和熵的纹理采样窗口的大小（窗口中心始终位于相应特征样本的 x，y 坐标选择的像素中）。

继承自 cv::Algorithm 的公共成员函数
	算法 ()

虚函数	~Algorithm ()

virtual void	clear ()
	清除算法状态。

虚拟 bool	empty () const
	如果 Algorithm 为空（例如，在开始时或读取失败后），则返回 true。

虚拟 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

静态公共成员函数
静态 Ptr< PCTSignatures >	create (const int initSampleCount=2000, const int initSeedCount=400, const int pointDistribution=0)
	使用样本和种子计数创建 PCTSignatures 算法。它生成自己的采样点集和聚类种子索引。

静态 Ptr< PCTSignatures >	create (const std::vector< Point2f > &initSamplingPoints, const int initSeedCount)
	使用预生成的采样点和聚类种子数量创建 PCTSignatures 算法。它使用提供的采样点并生成自己的聚类种子索引。

静态 Ptr< PCTSignatures >	create (const std::vector< Point2f > &initSamplingPoints, const std::vector< int > &initClusterSeedIndexes)
	使用预生成的采样点和聚类种子索引创建 PCTSignatures 算法。

静态 void	drawSignature (InputArray source, InputArray signature, OutputArray result, float radiusToShorterSideRatio=1.0/8, int borderThickness=1)
	在源图像中绘制签名并输出结果。签名可视化为具有基于签名权重的半径和基于签名颜色的颜色的圆圈。对比度和熵未可视化。

静态 void	generateInitPoints (std::vector< Point2f > &initPoints, const int count, int pointDistribution)
	根据选择的点分布生成初始采样点。

继承自 cv::Algorithm 的静态公共成员函数
模板<typename _Tp >
静态 Ptr< _Tp >	load (const String &filename, const String &objname=String())
	从文件中加载算法。

模板<typename _Tp >
静态 Ptr< _Tp >	loadFromString (const String &strModel, const String &objname=String())
	从字符串加载算法。

模板<typename _Tp >
静态 Ptr< _Tp >	read (const FileNode &fn)
	从文件节点读取算法。

其他继承成员
继承自 cv::Algorithm 的受保护成员函数
void	writeFormat (FileStorage &fs) const

详细描述

实现PCT（位置-颜色-纹理）特征提取的类，如 [151] 中所述。该算法分为特征采样器和聚类器。特征采样器在给定坐标集上产生样本。然后，聚类器使用k均值算法生成这些样本的聚类。生成的聚类集是输入图像的特征。

特征是一个 SIGNATURE_DIMENSION 维点的数组。使用的维度是：权重、x、y 位置；lab 颜色、对比度、熵。[151] [22]

成员枚举文档

◆ DistanceFunction

枚举 cv::xfeatures2d::PCTSignatures::DistanceFunction

Lp 距离函数选择器。

枚举器
L0_25
L0_5
L1
L2
L2SQUARED
L5
L_INFINITY

◆ PointDistribution

枚举 cv::xfeatures2d::PCTSignatures::PointDistribution

随机点生成器支持的点分布。

枚举器
UNIFORM	均匀生成数字。
REGULAR	在规则网格中生成点。
NORMAL	生成具有正态（高斯）分布的点。

◆ SimilarityFunction

枚举 cv::xfeatures2d::PCTSignatures::SimilarityFunction

相似度函数选择器。

另请参见: Christian Beecks，Merih Seran Uysal，Thomas Seidl。签名二次型距离。ACM国际图像和视频检索会议论文集，第438-445页。ACM，2010。[22]

注意

对于选择的距离函数

\[ d(c_i, c_j) \]

和参数

\[ \alpha \]

枚举器
负数	\[ -d(c_i, c_j) \]
高斯	\[ e^{ -\alpha * d^2(c_i, c_j)} \]
启发式	\[ \frac{1}{\alpha + d(c_i, c_j)} \]

成员函数文档

◆ computeSignature()

virtual void cv::xfeatures2d::PCTSignatures::computeSignature	(	输入数组	图像,
		输出数组	signature ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.computeSignature(	image[, signature]	) ->	signature

计算给定图像的特征签名。

参数

图像	CV_8U类型的输入图像。
signature	计算出的输出签名。

◆ computeSignatures()

virtual void cv::xfeatures2d::PCTSignatures::computeSignatures	(	const std::vector< Mat > &	图像,
		std::vector< Mat > &	signatures ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.computeSignatures(	images, signatures	) ->	无

并行计算多个图像的特征签名。

参数

图像	CV_8U类型的输入图像向量。
signatures	计算出的签名向量。

◆ create() [1/3]

static Ptr< PCTSignatures > cv::xfeatures2d::PCTSignatures::create	(	const int	initSampleCount = 2000，
		const int	initSeedCount = 400，
		const int	pointDistribution = 0 )

静态


cv.xfeatures2d.PCTSignatures.create(	[, initSampleCount[, initSeedCount[, pointDistribution]]]	) ->	返回值
cv.xfeatures2d.PCTSignatures.create(	initSamplingPoints, initSeedCount	) ->	返回值
cv.xfeatures2d.PCTSignatures.create(	initSamplingPoints, initClusterSeedIndexes	) ->	返回值
cv.xfeatures2d.PCTSignatures_create(	[, initSampleCount[, initSeedCount[, pointDistribution]]]	) ->	返回值
cv.xfeatures2d.PCTSignatures_create(	initSamplingPoints, initSeedCount	) ->	返回值
cv.xfeatures2d.PCTSignatures_create(	initSamplingPoints, initClusterSeedIndexes	) ->	返回值

使用样本和种子计数创建 PCTSignatures 算法。它生成自己的采样点集和聚类种子索引。

参数

initSampleCount	用于图像采样的点数。
initSeedCount	初始聚类种子数。必须小于或等于initSampleCount
pointDistribution	生成的点分布。默认值：均匀分布。可用值：均匀分布、规则分布、正态分布。

返回: 创建的算法。

◆ create() [2/3]

static Ptr< PCTSignatures > cv::xfeatures2d::PCTSignatures::create	(	const std::vector< Point2f > &	initSamplingPoints,
		const int	initSeedCount )

静态


cv.xfeatures2d.PCTSignatures.create(	[, initSampleCount[, initSeedCount[, pointDistribution]]]	) ->	返回值
cv.xfeatures2d.PCTSignatures.create(	initSamplingPoints, initSeedCount	) ->	返回值
cv.xfeatures2d.PCTSignatures.create(	initSamplingPoints, initClusterSeedIndexes	) ->	返回值
cv.xfeatures2d.PCTSignatures_create(	[, initSampleCount[, initSeedCount[, pointDistribution]]]	) ->	返回值
cv.xfeatures2d.PCTSignatures_create(	initSamplingPoints, initSeedCount	) ->	返回值
cv.xfeatures2d.PCTSignatures_create(	initSamplingPoints, initClusterSeedIndexes	) ->	返回值

使用预生成的采样点和聚类种子数量创建 PCTSignatures 算法。它使用提供的采样点并生成自己的聚类种子索引。

参数

initSamplingPoints	图像采样中使用的采样点。
initSeedCount	初始聚类种子数。必须小于或等于initSamplingPoints.size()。

返回: 创建的算法。

◆ create() [3/3]

static Ptr< PCTSignatures > cv::xfeatures2d::PCTSignatures::create	(	const std::vector< Point2f > &	initSamplingPoints,
		const std::vector< int > &	initClusterSeedIndexes )

静态


cv.xfeatures2d.PCTSignatures.create(	[, initSampleCount[, initSeedCount[, pointDistribution]]]	) ->	返回值
cv.xfeatures2d.PCTSignatures.create(	initSamplingPoints, initSeedCount	) ->	返回值
cv.xfeatures2d.PCTSignatures.create(	initSamplingPoints, initClusterSeedIndexes	) ->	返回值
cv.xfeatures2d.PCTSignatures_create(	[, initSampleCount[, initSeedCount[, pointDistribution]]]	) ->	返回值
cv.xfeatures2d.PCTSignatures_create(	initSamplingPoints, initSeedCount	) ->	返回值
cv.xfeatures2d.PCTSignatures_create(	initSamplingPoints, initClusterSeedIndexes	) ->	返回值

使用预生成的采样点和聚类种子索引创建 PCTSignatures 算法。

参数

initSamplingPoints	图像采样中使用的采样点。
initClusterSeedIndexes	初始聚类种子的索引。其大小必须小于或等于initSamplingPoints.size()。

返回: 创建的算法。

◆ drawSignature()

static void cv::xfeatures2d::PCTSignatures::drawSignature	(	输入数组	源图像,
		输入数组	signature,
		输出数组	结果图像,
		浮点数	radiusToShorterSideRatio = 1.0/8，
		整数	borderThickness = 1 )

静态

Python
	cv.xfeatures2d.PCTSignatures.drawSignature(	source, signature[, result[, radiusToShorterSideRatio[, borderThickness]]]	) ->	结果图像
	cv.xfeatures2d.PCTSignatures_drawSignature(	source, signature[, result[, radiusToShorterSideRatio[, borderThickness]]]	) ->	结果图像

在源图像中绘制签名并输出结果。签名可视化为具有基于签名权重的半径和基于签名颜色的颜色的圆圈。对比度和熵未可视化。

参数

源图像	源图像。
signature	图像签名。
结果图像	输出结果。
radiusToShorterSideRatio	确定输出图像中签名的最大半径。
borderThickness	可视化签名的边框厚度。

◆ generateInitPoints()

static void cv::xfeatures2d::PCTSignatures::generateInitPoints	(	std::vector< Point2f > &	initPoints,
		const int	计数,
		整数	pointDistribution )

静态

Python
	cv.xfeatures2d.PCTSignatures.generateInitPoints(	initPoints, count, pointDistribution	) ->	无
	cv.xfeatures2d.PCTSignatures_generateInitPoints(	initPoints, count, pointDistribution	) ->	无

根据选择的点分布生成初始采样点。

参数

initPoints	将保存生成的点的输出向量。
计数	要生成的点数。
pointDistribution	点分布选择器。可用值：均匀分布、规则分布、正态分布。

注意: 生成的坐标范围为[0..1)

◆ getClusterMinSize()

virtual int cv::xfeatures2d::PCTSignatures::getClusterMinSize ( ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.getClusterMinSize(		) ->	返回值

此参数乘以迭代索引得到聚类大小的下限。包含少于限制指定点数的聚类将取消其质心，并重新分配点。

◆ getDistanceFunction()

virtual int cv::xfeatures2d::PCTSignatures::getDistanceFunction ( ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.getDistanceFunction(		) ->	返回值

用于测量 k 均值中两点之间距离的距离函数选择器。

◆ getDropThreshold()

virtual float cv::xfeatures2d::PCTSignatures::getDropThreshold ( ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.getDropThreshold(		) ->	返回值

删除 k 均值中权重小于或等于给定阈值的质心。

◆ getGrayscaleBits()

virtual int cv::xfeatures2d::PCTSignatures::getGrayscaleBits ( ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.getGrayscaleBits(		) ->	返回值

以分配的位数表示的灰度位图的颜色分辨率（即，值 4 表示使用 16 个灰度）。灰度位图用于计算对比度和熵值。

◆ getInitSeedCount()

virtual int cv::xfeatures2d::PCTSignatures::getInitSeedCount ( ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.getInitSeedCount(		) ->	返回值

k 均值算法的初始种子数（初始聚类数）。

◆ getInitSeedIndexes()

virtual std::vector< int > cv::xfeatures2d::PCTSignatures::getInitSeedIndexes ( ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.getInitSeedIndexes(		) ->	返回值

k 均值算法的初始种子（初始聚类数）。

◆ getIterationCount()

virtual int cv::xfeatures2d::PCTSignatures::getIterationCount ( ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.getIterationCount(		) ->	返回值

k 均值聚类的迭代次数。我们使用固定次数的迭代，因为修改后的聚类正在修剪聚类（而不是迭代地细化 k 个聚类）。

◆ getJoiningDistance()

virtual float cv::xfeatures2d::PCTSignatures::getJoiningDistance ( ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.getJoiningDistance(		) ->	返回值

两个质心之间的阈值欧几里得距离。如果两个聚类中心之间的距离小于此距离，则其中一个质心将被取消，并且点将被重新分配。

◆ getMaxClustersCount()

virtual int cv::xfeatures2d::PCTSignatures::getMaxClustersCount ( ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.getMaxClustersCount(		) ->	返回值

生成的聚类最大数量。如果超过此数量，则按权重对聚类进行排序，并裁剪最小的聚类。

◆ getSampleCount()

virtual int cv::xfeatures2d::PCTSignatures::getSampleCount ( ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.getSampleCount(		) ->	返回值

从图像中获取的初始样本数。

◆ getSamplingPoints()

virtual std::vector< Point2f > cv::xfeatures2d::PCTSignatures::getSamplingPoints ( ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.getSamplingPoints(		) ->	返回值

从图像中获取的初始样本。这些采样特征成为聚类的输入。

◆ getWeightA()

virtual float cv::xfeatures2d::PCTSignatures::getWeightA ( ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.getWeightA(		) ->	返回值

权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ getWeightB()

virtual float cv::xfeatures2d::PCTSignatures::getWeightB ( ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.getWeightB(）		) ->	返回值

权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ getWeightContrast()

virtual float cv::xfeatures2d::PCTSignatures::getWeightContrast ( ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.getWeightContrast(）		) ->	返回值

权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ getWeightEntropy()

virtual float cv::xfeatures2d::PCTSignatures::getWeightEntropy ( ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.getWeightEntropy(）		) ->	返回值

权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ getWeightL()

virtual float cv::xfeatures2d::PCTSignatures::getWeightL ( ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.getWeightL(）		) ->	返回值

权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ getWeightX()

virtual float cv::xfeatures2d::PCTSignatures::getWeightX ( ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.getWeightX(）		) ->	返回值

权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ getWeightY()

virtual float cv::xfeatures2d::PCTSignatures::getWeightY ( ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.getWeightY(）		) ->	返回值

权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ getWindowRadius()

virtual int cv::xfeatures2d::PCTSignatures::getWindowRadius ( ) const

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.getWindowRadius(）		) ->	返回值

用于计算对比度和熵的纹理采样窗口的大小（窗口中心始终位于相应特征样本的 x，y 坐标选择的像素中）。

◆ setClusterMinSize()

virtual void cv::xfeatures2d::PCTSignatures::setClusterMinSize ( 整数 clusterMinSize )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setClusterMinSize(）	clusterMinSize	) ->	无

此参数乘以迭代索引得到聚类大小的下限。包含少于限制指定点数的聚类将取消其质心，并重新分配点。

◆ setDistanceFunction()

virtual void cv::xfeatures2d::PCTSignatures::setDistanceFunction ( 整数 distanceFunction )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setDistanceFunction(）	distanceFunction	) ->	无

用于测量 k 均值中两点之间距离的距离函数选择器。可用：L0_25、L0_5、L1、L2、L2SQUARED、L5、L_INFINITY。

◆ setDropThreshold()

virtual void cv::xfeatures2d::PCTSignatures::setDropThreshold ( 浮点数 dropThreshold )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setDropThreshold(）	dropThreshold	) ->	无

删除 k 均值中权重小于或等于给定阈值的质心。

◆ setGrayscaleBits()

virtual void cv::xfeatures2d::PCTSignatures::setGrayscaleBits ( 整数 grayscaleBits )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setGrayscaleBits(）	grayscaleBits	) ->	无

以分配的位数表示的灰度位图的颜色分辨率（即，值 4 表示使用 16 个灰度）。灰度位图用于计算对比度和熵值。

◆ setInitSeedIndexes()

virtual void cv::xfeatures2d::PCTSignatures::setInitSeedIndexes ( std::vector< int > initSeedIndexes )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setInitSeedIndexes(）	initSeedIndexes	) ->	无

k 均值算法的初始种子索引。

◆ setIterationCount()

virtual void cv::xfeatures2d::PCTSignatures::setIterationCount ( 整数 iterationCount )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setIterationCount(）	iterationCount	) ->	无

k 均值聚类的迭代次数。我们使用固定次数的迭代，因为修改后的聚类正在修剪聚类（而不是迭代地细化 k 个聚类）。

◆ setJoiningDistance()

virtual void cv::xfeatures2d::PCTSignatures::setJoiningDistance ( 浮点数 joiningDistance )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setJoiningDistance(）	joiningDistance	) ->	无

两个质心之间的阈值欧几里得距离。如果两个聚类中心之间的距离小于此距离，则其中一个质心将被取消，并且点将被重新分配。

◆ setMaxClustersCount()

virtual void cv::xfeatures2d::PCTSignatures::setMaxClustersCount ( 整数 maxClustersCount )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setMaxClustersCount(）	maxClustersCount	) ->	无

生成的聚类最大数量。如果超过此数量，则按权重对聚类进行排序，并裁剪最小的聚类。

◆ setSamplingPoints()

virtual void cv::xfeatures2d::PCTSignatures::setSamplingPoints ( std::vector< Point2f > samplingPoints )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setSamplingPoints(）	samplingPoints	) ->	无

设置用于采样输入图像的采样点。

参数

samplingPoints 采样点向量，范围在[0..1)

注意: 采样点数必须大于等于聚类种子数。

◆ setTranslation()

virtual void cv::xfeatures2d::PCTSignatures::setTranslation	(	整数	idx,
		浮点数	value )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setTranslation(）	idx, value	) ->	无

特征空间各个轴的平移。

参数

idx	平移的ID
value	平移的值

注意: WEIGHT_IDX = 0; X_IDX = 1; Y_IDX = 2; L_IDX = 3; A_IDX = 4; B_IDX = 5; CONTRAST_IDX = 6; ENTROPY_IDX = 7;

◆ setTranslations()

virtual void cv::xfeatures2d::PCTSignatures::setTranslations ( const std::vector< float > & translations )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setTranslations(）	translations	) ->	无

特征空间各个轴的平移。

参数

translations 所有平移的值。

注意: WEIGHT_IDX = 0; X_IDX = 1; Y_IDX = 2; L_IDX = 3; A_IDX = 4; B_IDX = 5; CONTRAST_IDX = 6; ENTROPY_IDX = 7;

◆ setWeight()

virtual void cv::xfeatures2d::PCTSignatures::setWeight	(	整数	idx,
		浮点数	value )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setWeight(）	idx, value	) ->	无

权重（乘法常数），线性拉伸特征空间的各个轴。

参数

idx	权重的ID
value	权重的值

注意: WEIGHT_IDX = 0; X_IDX = 1; Y_IDX = 2; L_IDX = 3; A_IDX = 4; B_IDX = 5; CONTRAST_IDX = 6; ENTROPY_IDX = 7;

◆ setWeightA()

virtual void cv::xfeatures2d::PCTSignatures::setWeightA ( 浮点数 weight )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setWeightA(）	weight	) ->	无

权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ setWeightB()

virtual void cv::xfeatures2d::PCTSignatures::setWeightB ( 浮点数 weight )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setWeightB(）	weight	) ->	无

权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ setWeightContrast()

virtual void cv::xfeatures2d::PCTSignatures::setWeightContrast ( 浮点数 weight )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setWeightContrast(）	weight	) ->	无

权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ setWeightEntropy()

virtual void cv::xfeatures2d::PCTSignatures::setWeightEntropy ( 浮点数 weight )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setWeightEntropy(）	weight	) ->	无

权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ setWeightL()

virtual void cv::xfeatures2d::PCTSignatures::setWeightL ( 浮点数 weight )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setWeightL(）	weight	) ->	无

权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ setWeights()

virtual void cv::xfeatures2d::PCTSignatures::setWeights ( const std::vector< float > & weights )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setWeights(）	weights	) ->	无

权重（乘法常数），线性拉伸特征空间的各个轴。

参数

weights 所有权重的值。

注意: WEIGHT_IDX = 0; X_IDX = 1; Y_IDX = 2; L_IDX = 3; A_IDX = 4; B_IDX = 5; CONTRAST_IDX = 6; ENTROPY_IDX = 7;

◆ setWeightX()

virtual void cv::xfeatures2d::PCTSignatures::setWeightX ( 浮点数 weight )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setWeightX(）	weight	) ->	无

权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ setWeightY()

virtual void cv::xfeatures2d::PCTSignatures::setWeightY ( 浮点数 weight )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setWeightY(）	weight	) ->	无

权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度。e = 熵）

◆ setWindowRadius()

virtual void cv::xfeatures2d::PCTSignatures::setWindowRadius ( 整数 radius )

纯虚函数

Python
	cv.xfeatures2d.PCTSignatures.setWindowRadius(）	radius	) ->	无

用于计算对比度和熵的纹理采样窗口的大小（窗口中心始终位于相应特征样本的 x，y 坐标选择的像素中）。

此类的文档是从以下文件生成的：

opencv2/xfeatures2d.hpp

公共类型

公共成员函数

静态公共成员函数

其他继承成员

详细描述

成员枚举文档

◆ DistanceFunction

◆ PointDistribution

◆ SimilarityFunction

成员函数文档

◆ computeSignature()

◆ computeSignatures()

◆ create() [1/3]

◆ create() [2/3]

◆ create() [3/3]

◆ drawSignature()

◆ generateInitPoints()

◆ getClusterMinSize()

◆ getDistanceFunction()

◆ getDropThreshold()

◆ getGrayscaleBits()

◆ getInitSeedCount()

◆ getInitSeedIndexes()

◆ getIterationCount()

◆ getJoiningDistance()

◆ getMaxClustersCount()

◆ getSampleCount()

◆ getSamplingPoints()

◆ getWeightA()

◆ getWeightB()

◆ getWeightContrast()

◆ getWeightEntropy()

◆ getWeightL()

◆ getWeightX()

◆ getWeightY()

◆ getWindowRadius()

◆ setClusterMinSize()

◆ setDistanceFunction()

◆ setDropThreshold()

◆ setGrayscaleBits()

◆ setInitSeedIndexes()

◆ setIterationCount()

◆ setJoiningDistance()

◆ setMaxClustersCount()

◆ setSamplingPoints()

◆ setTranslation()

◆ setTranslations()

◆ setWeight()

◆ setWeightA()

◆ setWeightB()

◆ setWeightContrast()

◆ setWeightEntropy()

◆ setWeightL()

◆ setWeights()

◆ setWeightX()

◆ setWeightY()

◆ setWindowRadius()