图形API：矩阵运算

详细描述

函数
GMat	cv::gapi::absDiff (const GMat &src1, const GMat &src2)
	计算两个矩阵的逐元素绝对差。
GMat	cv::gapi::absDiffC (const GMat &src, const GScalar &c)
	计算矩阵元素的绝对值。
GMat	cv::gapi::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和。
GOpaque< int >	cv::gapi::countNonZero (const GMat &src)
	统计非零数组元素个数。
GMat	cv::gapi::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 >	cv::gapi::integral (const GMat &src, int sdepth=-1, int sqdepth=-1)
	计算图像积分。
GMat	cv::gapi::max (const GMat &src1, const GMat &src2)
	计算两个矩阵的逐元素最大值。
GMat	cv::gapi::min (const GMat &src1, const GMat &src2)
	计算两个矩阵的逐元素最小值。
GScalar	cv::gapi::normInf (const GMat &src)
	计算矩阵的绝对无穷范数。
GScalar	cv::gapi::normL1 (const GMat &src)
	计算矩阵的绝对L1范数。
GScalar	cv::gapi::normL2 (const GMat &src)
	计算矩阵的绝对L2范数。
GScalar	cv::gapi::sum (const GMat &src)
	计算所有矩阵元素的和。
std::tuple< GMat, GScalar >	cv::gapi::threshold (const GMat &src, const GScalar &maxval, int type)
GMat	cv::gapi::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。

函数文档

absDiff()

GMat cv::gapi::absDiff	(	const GMat &	src1,
		const GMat &	src2 )

Python
	cv.gapi.absDiff(	src1, src2	) ->	retval

#include <opencv2/gapi/core.hpp>

计算两个矩阵的逐元素绝对差。

absDiff函数计算相同大小和深度的两个矩阵之间的绝对差

\[\texttt{dst}(I) = \texttt{saturate} (| \texttt{src1}(I) - \texttt{src2}(I)|)\]

其中I是矩阵元素的多维索引。对于多通道矩阵，每个通道都独立处理。输出矩阵的大小和深度必须与输入矩阵相同。

支持的矩阵数据类型为CV_8UC1，CV_8UC3，CV_16UC1，CV_16SC1，CV_32FC1。

注意

函数文本ID为“org.opencv.core.matrixop.absdiff”

参数

src1	第一个输入矩阵。
src2	第二个输入矩阵。

参见

abs

absDiffC()

GMat cv::gapi::absDiffC	(	const GMat &	src,
		const GScalar &	c )

Python
	cv.gapi.absDiffC(	src, c	) ->	retval

#include <opencv2/gapi/core.hpp>

计算矩阵元素的绝对值。

该函数计算矩阵元素与给定标量值之间的绝对差

\[\texttt{dst}(I) = \texttt{saturate} (| \texttt{src1}(I) - \texttt{matC}(I)|)\]

其中matC由给定的标量c构造，其大小和深度与输入矩阵src相同。

输出矩阵的大小和深度必须与src相同。

支持的矩阵数据类型为CV_8UC1，CV_8UC3，CV_16UC1，CV_16SC1，CV_32FC1。

注意

函数文本ID为“org.opencv.core.matrixop.absdiffC”

参数

src	输入矩阵。
c	要减去的标量。

参见

min，max

addWeighted()

GMat cv::gapi::addWeighted	(	const GMat &	src1,
		double	alpha,
		const GMat &	src2,
		double	beta,
		double	gamma,
		int	ddepth = -1 )

Python
	cv.gapi.addWeighted(	src1, alpha, src2, beta, gamma[, ddepth]	) ->	retval

#include <opencv2/gapi/core.hpp>

计算两个矩阵的加权和。

addWeighted函数计算两个矩阵的加权和，如下所示：

\[\texttt{dst} (I)= \texttt{saturate} ( \texttt{src1} (I)* \texttt{alpha} + \texttt{src2} (I)* \texttt{beta} + \texttt{gamma} )\]

其中I是数组元素的多维索引。对于多通道矩阵，每个通道都独立处理。

该函数可以用矩阵表达式替换

\[\texttt{dst}(I) = \texttt{alpha} * \texttt{src1}(I) - \texttt{beta} * \texttt{src2}(I) + \texttt{gamma} \]

支持的矩阵数据类型为CV_8UC1，CV_8UC3，CV_16UC1，CV_16SC1，CV_32FC1。

注意

函数文本ID为“org.opencv.core.matrixop.addweighted”

参数

src1	第一个输入矩阵。
alpha	第一个矩阵元素的权重。
src2	第二个输入矩阵，大小和通道数与src1相同。
beta	第二个矩阵元素的权重。
gamma	添加到每个和的标量。
ddepth	可选的输出矩阵深度。

参见

add，sub

countNonZero()

GOpaque< int > cv::gapi::countNonZero

(

const GMat &

src

)

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

#include <opencv2/gapi/core.hpp>

统计非零数组元素个数。

该函数返回src中非零元素的个数

\[\sum _{I: \; \texttt{src} (I) \ne0 } 1\]

支持的矩阵数据类型为CV_8UC1，CV_16UC1，CV_16SC1，CV_32FC1。

注意

函数文本ID为“org.opencv.core.matrixop.countNonZero”

参数

src

输入单通道矩阵。

参见

均值，最小值，最大值

inRange()

cv::gapi::inRange GMat	(	const GMat &	src,
		const GScalar &	threshLow,
		const GScalar &	threshUp )

Python
	cv.gapi.inRange(	src, threshLow, threshUp	) ->	retval

#include <opencv2/gapi/core.hpp>

对每个矩阵元素应用范围阈值。

该函数对单通道或多通道矩阵应用范围级别阈值处理。如果输入矩阵的对应像素值在指定范围内，则将输出像素值设置为0xFF，否则设置为0。

输入和输出矩阵必须为CV_8UC1。

注意

函数文本ID为“org.opencv.core.matrixop.inRange”

参数

src	输入矩阵 (CV_8UC1)。
threshLow	下边界值。
threshUp	上边界值。

参见

阈值

integral()

std::tuple< GMat, GMat > cv::gapi::integral	(	const GMat &	src,
		int	sdepth = -1,
		int	sqdepth = -1 )

Python
	cv.gapi.integral(	src[, sdepth[, sqdepth]]	) ->	retval

#include <opencv2/gapi/core.hpp>

计算图像积分。

该函数计算源图像的一个或多个积分图像，如下所示

\[\texttt{sum} (X,Y) = \sum _{x<X,y<Y} \texttt{image} (x,y)\]

\[\texttt{sqsum} (X,Y) = \sum _{x<X,y<Y} \texttt{image} (x,y)^2\]

该函数返回积分图像为\((W+1)\times (H+1)\) ，32位整数或浮点数 (32f 或 64f) 和平方像素值的积分图像；它是一个\((W+1)\times (H+)\) ，双精度浮点数 (64f) 数组。

注意

函数文本ID为“org.opencv.core.matrixop.integral”

参数

src	输入图像。
sdepth	积分图像和倾斜积分图像的所需深度，CV_32S、CV_32F 或 CV_64F。
sqdepth	平方像素值积分图像的所需深度，CV_32F 或 CV_64F。

max()

cv::gapi::max GMat	(	const GMat &	src1,
		const GMat &	src2 )

Python
	cv.gapi.max(	src1, src2	) ->	retval

#include <opencv2/gapi/core.hpp>

计算两个矩阵的逐元素最大值。

max函数计算大小、通道数和深度相同的两个矩阵的逐元素最大值

\[\texttt{dst} (I)= \max ( \texttt{src1} (I), \texttt{src2} (I))\]

其中I是矩阵元素的多维索引。对于多通道矩阵，每个通道都独立处理。输出矩阵的大小和深度必须与src1相同。

支持的矩阵数据类型为CV_8UC1，CV_8UC3，CV_16UC1，CV_16SC1，CV_32FC1。

注意

函数文本ID为“org.opencv.core.matrixop.max”

参数

src1	第一个输入矩阵。
src2	第二个输入矩阵，大小和深度与src1相同。

参见

最小值，比较，cmpEQ，cmpGT，cmpGE

min()

cv::gapi::min GMat	(	const GMat &	src1,
		const GMat &	src2 )

Python
	cv.gapi.min(	src1, src2	) ->	retval

#include <opencv2/gapi/core.hpp>

计算两个矩阵的逐元素最小值。

min函数计算大小、通道数和深度相同的两个矩阵的逐元素最小值

\[\texttt{dst} (I)= \min ( \texttt{src1} (I), \texttt{src2} (I))\]

其中I是矩阵元素的多维索引。对于多通道矩阵，每个通道都独立处理。输出矩阵的大小和深度必须与src1相同。

支持的输入矩阵数据类型为CV_8UC1，CV_8UC3，CV_16UC1，CV_16SC1，CV_32FC1。

注意

函数文本ID为“org.opencv.core.matrixop.min”

参数

src1	第一个输入矩阵。
src2	第二个输入矩阵，大小和深度与src1相同。

参见

最大值，cmpEQ，cmpLT，cmpLE

normInf()

cv::gapi::normInf GScalar

(

const GMat &

src

)

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

#include <opencv2/gapi/core.hpp>

计算矩阵的绝对无穷范数。

此版本的normInf计算src的绝对无穷范数。

例如，对于一个数组，考虑函数\(r(x)= \begin{pmatrix} x \\ 1-x \end{pmatrix}, x \in [-1;1]\)。对于样本值\(r(-1) = \begin{pmatrix} -1 \\ 2 \end{pmatrix}\) 的\( L_{\infty} \)范数计算如下

\begin{align*} \| r(-1) \|_{L_\infty} &= \max(|-1|,|2|) = 2 \end{align*}

而对于\(r(0.5) = \begin{pmatrix} 0.5 \\ 0.5 \end{pmatrix}\) 的计算为

\begin{align*} \| r(0.5) \|_{L_\infty} &= \max(|0.5|,|0.5|) = 0.5. \end{align*}

支持的矩阵数据类型为CV_8UC1，CV_8UC3，CV_16UC1，CV_16SC1，CV_32FC1。

注意

函数文本ID为“org.opencv.core.matrixop.norminf”

参数

src

输入矩阵。

参见

normL1，normL2

normL1()

cv::gapi::normL1 GScalar

(

const GMat &

src

)

Python
	cv.gapi.normL1(	src	) ->	retval

#include <opencv2/gapi/core.hpp>

计算矩阵的绝对L1范数。

此版本的normL1计算src的绝对L1范数。

例如，对于一个数组，考虑函数\(r(x)= \begin{pmatrix} x \\ 1-x \end{pmatrix}, x \in [-1;1]\)。对于样本值\(r(-1) = \begin{pmatrix} -1 \\ 2 \end{pmatrix}\) 的\( L_{1} \)范数计算如下

\begin{align*} \| r(-1) \|_{L_1} &= |-1| + |2| = 3 \\ \end{align*}

而对于\(r(0.5) = \begin{pmatrix} 0.5 \\ 0.5 \end{pmatrix}\) 的计算为

\begin{align*} \| r(0.5) \|_{L_1} &= |0.5| + |0.5| = 1 \\ \end{align*}

支持的矩阵数据类型为CV_8UC1，CV_8UC3，CV_16UC1，CV_16SC1，CV_32FC1。

注意

函数文本ID为“org.opencv.core.matrixop.norml1”

参数

src

输入矩阵。

参见

normL2，normInf

normL2()

cv::gapi::normL2 GScalar

(

const GMat &

src

)

Python
	cv.gapi.normL2(	src	) ->	retval

#include <opencv2/gapi/core.hpp>

计算矩阵的绝对L2范数。

此版本的normL2计算src的绝对L2范数。

例如，对于一个数组，考虑函数\(r(x)= \begin{pmatrix} x \\ 1-x \end{pmatrix}, x \in [-1;1]\)。对于样本值\(r(-1) = \begin{pmatrix} -1 \\ 2 \end{pmatrix}\) 的\( L_{2} \)范数计算如下

\begin{align*} \| r(-1) \|_{L_2} &= \sqrt{(-1)^{2} + (2)^{2}} = \sqrt{5} \\ \end{align*}

而对于\(r(0.5) = \begin{pmatrix} 0.5 \\ 0.5 \end{pmatrix}\) 的计算为

\begin{align*} \| r(0.5) \|_{L_2} &= \sqrt{(0.5)^{2} + (0.5)^{2}} = \sqrt{0.5} \\ \end{align*}

支持的矩阵数据类型为CV_8UC1，CV_8UC3，CV_16UC1，CV_16SC1，CV_32FC1。

注意

函数文本ID为“org.opencv.core.matrixop.norml2”

参数

src

输入矩阵。

参见

normL1，normInf

sum()

GScalar cv::gapi::sum

(

const GMat &

src

)

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

#include <opencv2/gapi/core.hpp>

计算所有矩阵元素的和。

sum函数计算所有矩阵元素的和，每个通道独立计算。

支持的矩阵数据类型为CV_8UC1，CV_8UC3，CV_16UC1，CV_16SC1，CV_32FC1。

注意

函数文本ID为“org.opencv.core.matrixop.sum”

参数

src

输入矩阵。

参见

countNonZero，mean，min，max

threshold() [1/2]

std::tuple< GMat, GScalar > cv::gapi::threshold	(	const GMat &	src,
		const GScalar &	maxval,
		int	type )

Python
	cv.gapi.threshold(	src, thresh, maxval, type	) ->	retval
	cv.gapi.threshold(	src, maxval, type	) ->	retval

#include <opencv2/gapi/core.hpp>

这是一个重载的成员函数，为了方便提供。它与上面的函数的区别仅在于它接受的参数。此函数适用于除cv::THRESH_OTSU和cv::THRESH_TRIANGLE之外的所有阈值类型。

注意

函数文本ID为“org.opencv.core.matrixop.thresholdOT”

threshold() [2/2]

GMat cv::gapi::threshold	(	const GMat &	src,
		const GScalar &	thresh,
		const GScalar &	maxval,
		int	type )

Python
	cv.gapi.threshold(	src, thresh, maxval, type	) ->	retval
	cv.gapi.threshold(	src, maxval, type	) ->	retval

#include <opencv2/gapi/core.hpp>

对每个矩阵元素应用固定阈值。

该函数将固定级别的阈值应用于单通道或多通道矩阵。该函数通常用于从灰度图像中获得双层（二值）图像（cmp函数也可以用于此目的），或用于去除噪声，即滤除值过小或过大的像素。该函数支持几种类型的阈值处理。它们由type参数确定。

此外，特殊值cv::THRESH_OTSU或cv::THRESH_TRIANGLE可以与上述任何一个值组合。在这些情况下，函数使用Otsu算法或三角形算法确定最佳阈值，并使用它代替指定的thresh。该函数除了阈值矩阵外，还返回计算出的阈值。Otsu算法和三角形方法仅针对8位矩阵实现。

在使用cv::THRESH_OTSU或cv::THRESH_TRIANGLE标志时，输入图像应仅为单通道。输出矩阵的大小和深度必须与src相同。

注意

函数文本ID为“org.opencv.core.matrixop.threshold”

参数

src	输入矩阵（CV_8UC1，CV_8UC3，或CV_32FC1）。
thresh	阈值。
maxval	与cv::THRESH_BINARY和cv::THRESH_BINARY_INV阈值类型一起使用的最大值。
type	阈值类型（参见cv::ThresholdTypes）。

参见

min，max，cmpGT，cmpLE，cmpGE，cmpLT