cv::gapi 命名空间参考

命名空间
命名空间	calib3d
	此命名空间包含用于立体视觉和相关功能的 G-API 操作类型。
命名空间	compound
命名空间	core
	此命名空间包含用于 OpenCV Core 模块功能的 G-API 操作类型。
命名空间	cpu
	此命名空间包含 G-API CPU 后端函数、结构和符号。
命名空间	fluid
	此命名空间包含 G-API Fluid 后端函数、结构和符号。
命名空间	ie
	此命名空间包含 G-API OpenVINO 后端函数、结构和符号。
命名空间	imgproc
	此命名空间包含用于 OpenCV ImgProc 模块功能的 G-API 操作类型。
命名空间	nn
命名空间	oak
命名空间	ocl
	此命名空间包含 G-API OpenCL 后端函数、结构和符号。
命名空间	onnx
	此命名空间包含 G-API ONNX Runtime 后端函数、结构和符号。
命名空间	ot
	此命名空间包含用于 VAS 对象跟踪模块功能的 G-API 操作类型。
命名空间	ov
	此命名空间包含 G-API OpenVINO 2.0 后端函数、结构和符号。
命名空间	own
	此命名空间包含在其独立模式构建中使用的 G-API 自身数据结构。
命名空间	plaidml
	此命名空间包含 G-API PlaidML 后端函数、结构和符号。
命名空间	python
	此命名空间包含 G-API Python 后端函数、结构和符号。
命名空间	render
	此命名空间包含 G-API CPU 渲染后端函数、结构和符号。详情请参见 G-API 绘图和合成功能。
命名空间	s11n
	此命名空间包含 G-API 序列化和反序列化函数以及数据结构。
命名空间	streaming
	此命名空间包含与流执行模式相关的 G-API 函数、结构和符号。
命名空间	video
	此命名空间包含用于视频相关算法（如光流和背景减法）的 G-API 操作和函数。
命名空间	wip
	此命名空间包含实验性的 G-API 功能，此命名空间中的函数或结构可能会在将来的版本中发生更改或删除。此命名空间还包含尚未稳定其 API 的函数。

类
结构体	Generic
	Generic 网络类型：输入和输出层在运行时动态配置。 更多…
结构体	GNetPackage
	网络配置的容器类。类似于 GKernelPackage。使用 cv::gapi::networks() 创建此对象。 更多…
结构体	KalmanParams
	卡尔曼滤波器初始化参数的结构体。 更多…
结构体	use_only
	cv::gapi::use_only() 是一个特殊的组合器，它提示 G-API 仅使用在 cv::GComputation::compile() 中指定的内核（而不是使用该包默认可用的内核进行扩展）。 更多…

类型定义
使用	GKernelPackage = cv::GKernelPackage

枚举
枚举类	StereoOutputFormat {   DEPTH_FLOAT16 ,   DEPTH_FLOAT32 ,   DISPARITY_FIXED16_11_5 ,   DISPARITY_FIXED16_12_4 ,   DEPTH_16F = DEPTH_FLOAT16 ,   DEPTH_32F = DEPTH_FLOAT32 ,   DISPARITY_16Q_10_5 = DISPARITY_FIXED16_11_5 ,   DISPARITY_16Q_11_4 = DISPARITY_FIXED16_12_4 }

函数
GMat	absDiff (const GMat &src1, const GMat &src2)
	计算两个矩阵之间的逐元素绝对差。
GMat	absDiffC (const GMat &src, const GScalar &c)
	计算矩阵元素的绝对值。
GMat	add (const GMat &src1, const GMat &src2, int ddepth=-1)
	计算两个矩阵的逐元素和。
GMat	addC (const GMat &src1, const GScalar &c, int ddepth=-1)
	计算矩阵和给定标量的逐元素和。
GMat	addC (const GScalar &c, const GMat &src1, int ddepth=-1)
	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仅在于它接受的参数。
GMat	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。
GMat	BackgroundSubtractor (const GMat &src, const cv::gapi::video::BackgroundSubtractorParams &bsParams)
	基于高斯混合或基于 K 近邻的背景/前景分割 算法。此操作生成前景掩码。
GMat	BayerGR2RGB (const GMat &src_gr)
	将图像从 BayerGR 颜色空间转换为 RGB。该函数将输入图像从 BayerGR 颜色空间转换为 RGB。G、R 和 B 通道值的常规范围为 0 到 255。
GMat	BGR2Gray (const GMat &src)
	将图像从 BGR 颜色空间转换为灰度。
GMat	BGR2I420 (const GMat &src)
	将图像从 BGR 颜色空间转换为 I420 颜色空间。
GMat	BGR2LUV (const GMat &src)
	将图像从 BGR 颜色空间转换为 LUV 颜色空间。
GMat	BGR2RGB (const GMat &src)
	将图像从 BGR 颜色空间转换为 RGB 颜色空间。
GMat	BGR2YUV (const GMat &src)
	将图像从 BGR 颜色空间转换为 YUV 颜色空间。
GMat	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。
cv::GRunArg	bind (cv::GRunArgP &out)
	将图执行期间可用的输出 GRunArgsP 包装到可以序列化的 GRunArgs。
cv::GRunArgsP	bind (cv::GRunArgs &out_args)
	将反序列化的输出 GRunArgs 包装到可由GCompiled使用的 GRunArgsP。
GMat	bitwise_and (const GMat &src1, const GMat &src2)
	计算两个矩阵的按位合取 (src1 & src2) 计算两个大小相同的矩阵的按元素按位逻辑合取。
GMat	bitwise_and (const GMat &src1, const GScalar &src2)
GMat	bitwise_not (const GMat &src)
	反转数组的每一位。
GMat	bitwise_or (const GMat &src1, const GMat &src2)
	计算两个矩阵的按位析取 (src1 | src2) 计算两个大小相同的矩阵的按元素按位逻辑析取。
GMat	bitwise_or (const GMat &src1, const GScalar &src2)
GMat	bitwise_xor (const GMat &src1, const GMat &src2)
	计算两个矩阵的按位逻辑“异或” (src1 ^ src2) 计算两个大小相同的矩阵的按元素按位逻辑“异或”。
GMat	bitwise_xor (const GMat &src1, const GScalar &src2)
GMat	blur (const GMat &src, const Size &ksize, const Point &anchor=Point(-1,-1), int borderType=BORDER_DEFAULT, const Scalar &borderValue=Scalar(0))
	使用归一化盒式滤波器模糊图像。
GOpaque< Rect >	boundingRect (const GArray< Point2f > &src)
GOpaque< Rect >	boundingRect (const GArray< Point2i > &src)
GOpaque< Rect >	boundingRect (const GMat &src)
	计算点集或灰度图像的非零像素的右上方边界矩形。
GMat	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))
	使用盒式滤波器模糊图像。
std::tuple< GArray< GMat >, GScalar >	buildOpticalFlowPyramid (const GMat &img, const Size &winSize, const GScalar &maxLevel, bool withDerivatives=true, int pyrBorder=BORDER_REFLECT_101, int derivBorder=BORDER_CONSTANT, bool tryReuseInputImage=true)
	构建可以传递给 calcOpticalFlowPyrLK 的图像金字塔。
std::tuple< GArray< Point2f >, GArray< uchar >, GArray< float > >	calcOpticalFlowPyrLK (const GArray< GMat > &prevPyr, const GArray< GMat > &nextPyr, const GArray< Point2f > &prevPts, const GArray< Point2f > &predPts, const Size &winSize=Size(21, 21), const GScalar &maxLevel=3, const TermCriteria &criteria=TermCriteria(TermCriteria::COUNT|TermCriteria::EPS, 30, 0.01), int flags=0, double minEigThresh=1e-4)
std::tuple< GArray< Point2f >, GArray< uchar >, GArray< float > >	calcOpticalFlowPyrLK (const GMat &prevImg, const GMat &nextImg, const GArray< Point2f > &prevPts, const GArray< Point2f > &predPts, const Size &winSize=Size(21, 21), const GScalar &maxLevel=3, const TermCriteria &criteria=TermCriteria(TermCriteria::COUNT|TermCriteria::EPS, 30, 0.01), int flags=0, double minEigThresh=1e-4)
	使用金字塔迭代 Lucas-Kanade 方法计算稀疏特征集的光流。
GMat	Canny (const GMat &image, double threshold1, double threshold2, int apertureSize=3, bool L2gradient=false)
	使用 Canny 算法查找图像中的边缘。
std::tuple< GMat, GMat >	cartToPolar (const GMat &x, const GMat &y, bool angleInDegrees=false)
	计算二维向量的幅度和角度。
GMat	cmpEQ (const GMat &src1, const GMat &src2)
	执行两个矩阵的逐元素比较，检查第一个矩阵的元素是否等于第二个矩阵中的元素。
GMat	cmpEQ (const GMat &src1, const GScalar &src2)
GMat	cmpGE (const GMat &src1, const GMat &src2)
	执行两个矩阵的逐元素比较，检查第一个矩阵的元素是否大于或等于第二个矩阵中的元素。
GMat	cmpGE (const GMat &src1, const GScalar &src2)
GMat	cmpGT (const GMat &src1, const GMat &src2)
	执行两个矩阵的逐元素比较，检查第一个矩阵的元素是否大于第二个矩阵中的元素。
GMat	cmpGT (const GMat &src1, const GScalar &src2)
GMat	cmpLE (const GMat &src1, const GMat &src2)
	执行两个矩阵的逐元素比较，检查第一个矩阵的元素是否小于或等于第二个矩阵中的元素。
GMat	cmpLE (const GMat &src1, const GScalar &src2)
GMat	cmpLT (const GMat &src1, const GMat &src2)
	执行两个矩阵的逐元素比较，检查第一个矩阵的元素是否小于第二个矩阵中的元素。
GMat	cmpLT (const GMat &src1, const GScalar &src2)
GMat	cmpNE (const GMat &src1, const GMat &src2)
	执行两个矩阵的逐元素比较，检查第一个矩阵的元素是否不等于第二个矩阵中的元素。
GMat	cmpNE (const GMat &src1, const GScalar &src2)
template<typename... Ps>
cv::GKernelPackage	combine (const cv::GKernelPackage &a, const cv::GKernelPackage &b, Ps &&... rest)
	将多个 G-API 内核包合并成一个。
cv::GKernelPackage	combine (const cv::GKernelPackage &lhs, const cv::GKernelPackage &rhs)
GMat	concatHor (const GMat &src1, const GMat &src2)
	将给定的矩阵进行水平拼接。
GMat	concatHor (const std::vector< GMat > &v)
GMat	concatVert (const GMat &src1, const GMat &src2)
	将给定的矩阵进行垂直拼接。
GMat	concatVert (const std::vector< GMat > &v)
GMat	convertTo (const GMat &src, int rdepth, double alpha=1, double beta=0)
	将矩阵转换为另一个数据深度，并可选缩放。
GFrame	copy (const GFrame &in)
	复制输入帧。请注意，此副本可能不是真实的（没有实际复制数据）。使用此函数维护图形约定，例如，当图形的输入需要直接传递到输出时，例如在流模式下。
GMat	copy (const GMat &in)
	复制输入图像。请注意，此副本可能不是真实的副本（没有实际复制数据）。使用此函数来维护图形约定，例如，当图形的输入需要直接传递到输出时，例如在流模式下。
GOpaque< int >	countNonZero (const GMat &src)
	计算非零数组元素。
GMat	crop (const GMat &src, const Rect &rect)
	裁剪二维矩阵。
模板<>
cv::GComputation	deserialize (const std::vector< char > &bytes)
	从字节数组反序列化GComputation。
模板<>
cv::GMetaArgs	deserialize (const std::vector< char > &bytes)
	从字节数组反序列化GMetaArgs。
模板<>
cv::GRunArgs	deserialize (const std::vector< char > &bytes)
	从字节数组反序列化GRunArgs。
模板<>
std::vector< std::string >	deserialize (const std::vector< char > &bytes)
	从字节数组反序列化std::vector<std::string>。
模板<typename T , typename... Types>
std::enable_if< std::is_same< T, GCompileArgs >::value, GCompileArgs >::type	deserialize (const std::vector< char > &bytes)
	从字节数组反序列化模板中指定类型的GCompileArgs。
模板<typename T , typename AtLeastOneAdapterT , typename... AdapterTypes>
std::enable_if< std::is_same< T, GRunArgs >::value, GRunArgs >::type	deserialize (const std::vector< char > &bytes)
	从字节数组反序列化GRunArgs，包括任何RMat和MediaFrame对象。
GMat	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膨胀图像。
GMat	dilate3x3 (const GMat &src, int iterations=1, int borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())
	使用3x3矩形结构元素膨胀图像。
GMat	div (const GMat &src1, const GMat &src2, double scale, int ddepth=-1)
	执行两个矩阵的逐元素除法。
GMat	divC (const GMat &src, const GScalar &divisor, double scale, int ddepth=-1)
	矩阵除以标量。
GMat	divRC (const GScalar &divident, const GMat &src, double scale, int ddepth=-1)
	标量除以矩阵。
GMat	equalizeHist (const GMat &src)
GMat	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腐蚀图像。
GMat	erode3x3 (const GMat &src, int iterations=1, int borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())
	使用3x3矩形结构元素腐蚀图像。
GMat	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))
	用内核卷积图像。
GArray< GArray< Point > >	findContours (const GMat &src, const RetrievalModes mode, const ContourApproximationModes method)
GArray< GArray< Point > >	findContours (const GMat &src, const RetrievalModes mode, const ContourApproximationModes method, const GOpaque< Point > &offset)
	在二值图像中查找轮廓。
std::tuple< GArray< GArray< Point > >, GArray< Vec4i > >	findContoursH (const GMat &src, const RetrievalModes mode, const ContourApproximationModes method)
std::tuple< GArray< GArray< Point > >, GArray< Vec4i > >	findContoursH (const GMat &src, const RetrievalModes mode, const ContourApproximationModes method, const GOpaque< Point > &offset)
	在二值图像中查找轮廓及其层次结构。
GOpaque< Vec4f >	fitLine2D (const GArray< Point2d > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
GOpaque< Vec4f >	fitLine2D (const GArray< Point2f > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
GOpaque< Vec4f >	fitLine2D (const GArray< Point2i > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
GOpaque< Vec4f >	fitLine2D (const GMat &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
	将直线拟合到二维点集。
GOpaque< Vec6f >	fitLine3D (const GArray< Point3d > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
GOpaque< Vec6f >	fitLine3D (const GArray< Point3f > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
GOpaque< Vec6f >	fitLine3D (const GArray< Point3i > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
GOpaque< Vec6f >	fitLine3D (const GMat &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
	将直线拟合到三维点集。
GMat	flip (const GMat &src, int flipCode)
	围绕垂直轴、水平轴或两个轴翻转二维矩阵。
GMat	gaussianBlur (const GMat &src, const Size &ksize, double sigmaX, double sigmaY=0, int borderType=BORDER_DEFAULT, const Scalar &borderValue=Scalar(0))
	使用高斯滤波器模糊图像。
template<typename T >
cv::util::optional< T >	getCompileArg (const cv::GCompileArgs &args)
	从cv::GCompileArgs中按类型检索特定的编译参数。
GArray< Point2f >	goodFeaturesToTrack (const GMat &image, int maxCorners, double qualityLevel, double minDistance, const Mat &mask=Mat(), int blockSize=3, bool useHarrisDetector=false, double k=0.04)
	确定图像上的强角点。
GMat	I4202BGR (const GMat &src)
	将图像从I420颜色空间转换为BGR颜色空间。
GMat	I4202RGB (const GMat &src)
	将图像从I420颜色空间转换为BGR颜色空间。
template<typename Net , typename... Args>
Net::Result	infer (Args &&... args)
	根据输入数据计算指定网络（模板参数）的响应。
template<typename T = Generic>
cv::GInferListOutputs	infer (const std::string &tag, const cv::GArray< cv::Rect > &rois, const cv::GInferInputs &inputs)
	为源图像中的每个区域计算指定网络的响应。
template<typename T = Generic>
cv::GInferOutputs	infer (const std::string &tag, const cv::GInferInputs &inputs)
	计算通用网络的响应。
template<typename T = Generic>
cv::GInferOutputs	infer (const std::string &tag, const cv::GOpaque< cv::Rect > &roi, const cv::GInferInputs &inputs)
	计算源图像指定区域的通用网络响应。目前仅支持单输入网络。
template<typename Net , typename... Args>
Net::ResultL	infer (cv::GArray< cv::Rect > roi, Args &&... args)
	计算源图像每个区域的指定网络（模板参数）响应。
template<typename Net , typename T >
Net::Result	infer (cv::GOpaque< cv::Rect > roi, T in)
	计算源图像指定区域的指定网络（模板参数）响应。目前仅支持单输入网络。
template<typename T = Generic, typename Input >
std::enable_if< cv::detail::accepted_infer_types< Input >::value, cv::GInferListOutputs >::type	infer2 (const std::string &tag, const Input &in, const cv::GInferListInputs &inputs)
	计算源图像每个区域的指定网络响应，扩展版本。
template<typename Net , typename T , typename... Args>
Net::ResultL	infer2 (T image, cv::GArray< Args >... args)
	计算源图像每个区域的指定网络（模板参数）响应，扩展版本。
GMat	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 >	integral (const GMat &src, int sdepth=-1, int sqdepth=-1)
	计算图像积分。
void	island (const std::string &name, GProtoInputArgs &&ins, GProtoOutputArgs &&outs)
	定义计算中的标记岛（子图）。
GMat	KalmanFilter (const GMat &measurement, const GOpaque< bool > &haveMeasurement, const cv::gapi::KalmanParams &kfParams)
GMat	KalmanFilter (const GMat &measurement, const GOpaque< bool > &haveMeasurement, const GMat &control, const cv::gapi::KalmanParams &kfParams)
	标准卡尔曼滤波算法 http://en.wikipedia.org/wiki/Kalman_filter.
template<typename... KK>
GKernelPackage	kernels ()
	创建一个包含可变模板参数中指定的内核和变换的内核包对象。
template<typename... FF>
GKernelPackage	kernels (FF &... functors)
std::tuple< GOpaque< double >, GArray< int >, GArray< Point2f > >	kmeans (const GArray< Point2f > &data, const int K, const GArray< int > &bestLabels, const TermCriteria &criteria, const int attempts, const KmeansFlags flags)
std::tuple< GOpaque< double >, GArray< int >, GArray< Point3f > >	kmeans (const GArray< Point3f > &data, const int K, const GArray< int > &bestLabels, const TermCriteria &criteria, const int attempts, const KmeansFlags flags)
std::tuple< GOpaque< double >, GMat, GMat >	kmeans (const GMat &data, const int K, const GMat &bestLabels, const TermCriteria &criteria, const int attempts, const KmeansFlags flags)
	查找聚类中心并将输入样本分组到聚类周围。
std::tuple< GOpaque< double >, GMat, GMat >	kmeans (const GMat &data, const int K, const TermCriteria &criteria, const int attempts, const KmeansFlags flags)
GMat	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	LUT (const GMat &src, const Mat &lut)
	执行矩阵的查找表变换。
GMat	LUV2BGR (const GMat &src)
	将图像从LUV颜色空间转换为BGR颜色空间。
GMat	mask (const GMat &src, const GMat &mask)
	将掩码应用于矩阵。
GMat	max (const GMat &src1, const GMat &src2)
	计算两个矩阵的逐元素最大值。
GScalar	mean (const GMat &src)
	计算矩阵元素的平均值。
GMat	medianBlur (const GMat &src, int ksize)
	使用中值滤波器模糊图像。
GMat	merge3 (const GMat &src1, const GMat &src2, const GMat &src3)
	将三个单通道矩阵合并成一个三通道矩阵。
GMat	merge4 (const GMat &src1, const GMat &src2, const GMat &src3, const GMat &src4)
	将四个单通道矩阵合并成一个四通道矩阵。
GMat	min (const GMat &src1, const GMat &src2)
	计算两个矩阵的逐元素最小值。
GMat	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	mul (const GMat &src1, const GMat &src2, double scale=1.0, int ddepth=-1)
	计算两个矩阵的逐元素缩放乘积。
GMat	mulC (const GMat &src, const GScalar &multiplier, int ddepth=-1)
	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仅在于它接受的参数。
GMat	mulC (const GMat &src, double multiplier, int ddepth=-1)
	矩阵与标量相乘。
GMat	mulC (const GScalar &multiplier, const GMat &src, int ddepth=-1)
	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仅在于它接受的参数。
模板函数，参数个数可变。
cv::gapi::GNetPackage	networks (Args &&... args)
GMat	normalize (const GMat &src, double alpha, double beta, int norm_type, int ddepth=-1)
	归一化数组的范数或值范围。
GScalar	normInf (const GMat &src)
	计算矩阵的绝对无穷范数。
GScalar	normL1 (const GMat &src)
	计算矩阵的绝对L1范数。
GScalar	normL2 (const GMat &src)
	计算矩阵的绝对L2范数。
GMat	NV12toBGR (const GMat &src_y, const GMat &src_uv)
	将图像从NV12（YUV420p）颜色空间转换为BGR。该函数将输入图像从NV12颜色空间转换为RGB。Y、U和V通道值的常规范围为0到255。
GMatP	NV12toBGRp (const GMat &src_y, const GMat &src_uv)
	将图像从NV12（YUV420p）颜色空间转换为BGR。该函数将输入图像从NV12颜色空间转换为BGR。Y、U和V通道值的常规范围为0到255。
GMat	NV12toGray (const GMat &src_y, const GMat &src_uv)
	将图像从NV12（YUV420p）颜色空间转换为灰度。该函数将输入图像从NV12颜色空间转换为灰度。Y、U和V通道值的常规范围为0到255。
GMat	NV12toRGB (const GMat &src_y, const GMat &src_uv)
	将图像从NV12（YUV420p）颜色空间转换为RGB。该函数将输入图像从NV12颜色空间转换为RGB。Y、U和V通道值的常规范围为0到255。
GMatP	NV12toRGBp (const GMat &src_y, const GMat &src_uv)
	将图像从NV12（YUV420p）颜色空间转换为RGB。该函数将输入图像从NV12颜色空间转换为RGB。Y、U和V通道值的常规范围为0到255。
布尔值	operator!= (const GBackend &lhs, const GBackend &rhs)
cv::gapi::GNetPackage &	operator+= (cv::gapi::GNetPackage &lhs, const cv::gapi::GNetPackage &rhs)
GArray< Rect >	parseSSD (const GMat &in, const GOpaque< Size > &inSz, const float confidenceThreshold, const bool alignmentToSquare, const bool filterOutOfBounds)
	解析SSD网络的输出。
std::tuple< GArray< Rect >, GArray< int > >	parseSSD (const GMat &in, const GOpaque< Size > &inSz, const float confidenceThreshold=0.5f, const int filterLabel=-1)
	解析SSD网络的输出。
std::tuple< GArray< Rect >, GArray< int > >	parseYolo (const GMat &in, const GOpaque< Size > &inSz, const float confidenceThreshold=0.5f, const float nmsThreshold=0.5f, const std::vector< float > &anchors=nn::parsers::GParseYolo::defaultAnchors())
	解析Yolo网络的输出。
GMat	phase (const GMat &x, const GMat &y, bool angleInDegrees=false)
	计算二维向量的旋转角度。
std::tuple< GMat, GMat >	polarToCart (const GMat &magnitude, const GMat &angle, bool angleInDegrees=false)
	根据向量的幅度和角度计算二维向量的x和y坐标。
GMat	remap (const GMat &src, const Mat &map1, const Mat &map2, int interpolation, int borderMode=BORDER_CONSTANT, const Scalar &borderValue=Scalar())
	将一般的几何变换应用于图像。
GMat	resize (const GMat &src, const Size &dsize, double fx=0, double fy=0, int interpolation=INTER_LINEAR)
	调整图像大小。
GMatP	resizeP (const GMatP &src, const Size &dsize, int interpolation=cv::INTER_LINEAR)
	调整平面图像大小。
GMat	RGB2Gray (const GMat &src)
	将图像从RGB颜色空间转换为灰度。
GMat	RGB2Gray (const GMat &src, float rY, float gY, float bY)
GMat	RGB2HSV (const GMat &src)
	将图像从RGB颜色空间转换为HSV。该函数将输入图像从RGB颜色空间转换为HSV。R、G和B通道值的常规范围是0到255。
GMat	RGB2I420 (const GMat &src)
	将图像从RGB颜色空间转换为I420颜色空间。
GMat	RGB2Lab (const GMat &src)
	将图像从RGB颜色空间转换为Lab颜色空间。
GMat	RGB2YUV (const GMat &src)
	将图像从RGB颜色空间转换为YUV颜色空间。
GMat	RGB2YUV422 (const GMat &src)
	将图像从RGB颜色空间转换为YUV422。该函数将输入图像从RGB颜色空间转换为YUV422。R、G和B通道值的常规范围是0到255。
GMat	select (const GMat &src1, const GMat &src2, const GMat &mask)
	根据给定的掩码从两个输入矩阵中选择值。如果掩码矩阵的对应值为255，则该函数将第一个输入矩阵的值设置为输出矩阵；如果掩码矩阵的值设置为0，则将第二个输入矩阵的值设置为输出矩阵。
GMat	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）。
std::vector< char >	serialize (const cv::GCompileArgs &ca)
std::vector< char >	serialize (const cv::GComputation &c)
	将由GComputation表示的图形序列化为字节数组。
std::vector< char >	serialize (const cv::GMetaArgs &ma)
std::vector< char >	serialize (const cv::GRunArgs &ra)
std::vector< char >	serialize (const std::vector< std::string > &vs)
GMat	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 >	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。
std::tuple< GMat, GMat, GMat >	split3 (const GMat &src)
	将一个3通道矩阵分成3个单通道矩阵。
std::tuple< GMat, GMat, GMat, GMat >	split4 (const GMat &src)
	将一个4通道矩阵分成4个单通道矩阵。
GMat	sqrt (const GMat &src)
	计算数组元素的平方根。
GMat	stereo (const GMat &left, const GMat &right, const StereoOutputFormat of=StereoOutputFormat::DEPTH_FLOAT32)
	计算指定立体图像对的视差/深度图。该函数根据传入的StereoOutputFormat参数计算视差或深度图。
GMat	sub (const GMat &src1, const GMat &src2, int ddepth=-1)
	计算两个矩阵之间的逐元素差。
GMat	subC (const GMat &src, const GScalar &c, int ddepth=-1)
	计算矩阵与给定标量之间的逐元素差。
GMat	subRC (const GScalar &c, const GMat &src, int ddepth=-1)
	计算给定标量与矩阵之间的逐元素差。
GScalar	sum (const GMat &src)
	计算所有矩阵元素的和。
std::tuple< GMat, GScalar >	threshold (const GMat &src, const GScalar &maxval, int type)
GMat	threshold (const GMat &src, const GScalar &thresh, const GScalar &maxval, int type)
	对每个矩阵元素应用固定级别的阈值。
GMat	transpose (const GMat &src)
	转置矩阵。
GMat	warpAffine (const GMat &src, const Mat &M, const Size &dsize, int flags=cv::INTER_LINEAR, int borderMode=cv::BORDER_CONSTANT, const Scalar &borderValue=Scalar())
	将仿射变换应用于图像。
GMat	warpPerspective (const GMat &src, const Mat &M, const Size &dsize, int flags=cv::INTER_LINEAR, int borderMode=cv::BORDER_CONSTANT, const Scalar &borderValue=Scalar())
	将透视变换应用于图像。
GMat	YUV2BGR (const GMat &src)
	将图像从YUV颜色空间转换为BGR颜色空间。
GMat	YUV2RGB (const GMat &src)
	将图像从YUV颜色空间转换为RGB。该函数将输入图像从YUV颜色空间转换为RGB。Y、U和V通道值的常规范围为0到255。

类型定义文档

GKernelPackage

using cv::gapi::GKernelPackage = cv::GKernelPackage

枚举类型文档

StereoOutputFormat

enum class cv::gapi::StereoOutputFormat

强类型

此枚举指定从cv::gapi::stereo获取的结果格式。

枚举器
DEPTH_FLOAT16	浮点16位值，CV_16FC1。此标识符已弃用，请改用DEPTH_16F。
DEPTH_FLOAT32	浮点32位值，CV_32FC1。此标识符已弃用，请改用DEPTH_16F。
DISPARITY_FIXED16_11_5	16位有符号：第一位为符号位，10位为整数部分，5位为小数部分。此标识符已弃用，请改用DISPARITY_16Q_10_5。
DISPARITY_FIXED16_12_4	16位有符号：第一位为符号位，11位为整数部分，4位为小数部分。此标识符已弃用，请改用DISPARITY_16Q_11_4。
DEPTH_16F	与DEPTH_FLOAT16相同。
DEPTH_32F	与DEPTH_FLOAT32相同。
DISPARITY_16Q_10_5	与DISPARITY_FIXED16_11_5相同。
DISPARITY_16Q_11_4	与DISPARITY_FIXED16_12_4相同。

函数文档

combine() [1/2]

template<typename... Ps>

cv::GKernelPackage cv::gapi::combine	(	const cv::GKernelPackage &	a,
		const cv::GKernelPackage &	b,
		Ps &&...	rest )

Python
	cv.gapi.combine(	lhs, rhs	) ->	retval

将多个 G-API 内核包合并成一个。

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仅在于它接受的参数。

此函数使用右折叠连续组合传递的内核包。调用`combine(a, b, c)` 等于 `combine(a, combine(b, c))`。

返回值

生成的内核包

以下是此函数的调用图

combine() [2/2]

cv::GKernelPackage cv::gapi::combine	(	const cv::GKernelPackage &	lhs,
		const cv::GKernelPackage &	rhs )

Python
	cv.gapi.combine(	lhs, rhs	) ->	retval

deserialize() [1/3]

模板<>

cv::GMetaArgs cv::gapi::deserialize ( const std::vector< char > & bytes )

inline

从字节数组反序列化GMetaArgs。

查看不同的重载以获取更多示例。

参数

bytes

序列化的字节向量。

返回值

反序列化的GMetaArgs对象。

deserialize() [2/3]

模板<>

cv::GRunArgs cv::gapi::deserialize ( const std::vector< char > & bytes )

inline

从字节数组反序列化GRunArgs。

查看不同的重载以获取更多示例。

参数

bytes

序列化的字节向量。

返回值

反序列化的GRunArgs对象。

deserialize() [3/3]

模板<>

std::vector< std::string > cv::gapi::deserialize ( const std::vector< char > & bytes )

inline

从字节数组反序列化std::vector<std::string>。

查看不同的重载以获取更多示例。

参数

bytes

序列化的字节向量。

返回值

反序列化的std::vector<std::string>对象。

equalizeHist()

GMat cv::gapi::equalizeHist

(

const GMat &

src

)

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

gapi_feature

该函数使用以下算法均衡输入图像的直方图：

• 计算src的直方图H。
• 对直方图进行归一化，使直方图bin的总和为255。
• 计算直方图的积分

  \[H'_i = \sum _{0 \le j < i} H(j)\]

• 使用H'作为查找表变换图像：\(\texttt{dst}(x,y) = H'(\texttt{src}(x,y))\)

该算法归一化亮度并增加图像对比度。

注意

• 返回的图像大小和类型与输入图像相同。
• 函数文本ID为“org.opencv.imgproc.equalizeHist”

参数

src

源8位单通道图像。

getCompileArg()

template<typename T >

cv::util::optional< T > cv::gapi::getCompileArg ( const cv::GCompileArgs & args )

inline

从cv::GCompileArgs中按类型检索特定的编译参数。

infer() [1/6]

template<typename Net , typename... Args>

Net::Result cv::gapi::infer

(

Args &&...

args

)

Python
	cv.gapi.infer(	name, inputs	) ->	retval
	cv.gapi.infer(	name, roi, inputs	) ->	retval
	cv.gapi.infer(	name, rois, inputs	) ->	retval

根据输入数据计算指定网络（模板参数）的响应。

模板参数

A	使用G_API_NET()宏定义的网络类型。

参数

args	网络的输入参数，如G_API_NET()宏中所指定。

返回值

如G_API_NET()中定义的返回类型对象。如果网络具有多个返回值（使用元组定义），则返回相应类型对象的元组。

另请参阅

G_API_NET()

infer() [2/6]

template<typename T = Generic>

cv::GInferListOutputs cv::gapi::infer	(	const std::string &	tag,
		const cv::GArray< cv::Rect > &	rois,
		const cv::GInferInputs &	inputs )

Python
	cv.gapi.infer(	name, inputs	) ->	retval
	cv.gapi.infer(	name, roi, inputs	) ->	retval
	cv.gapi.infer(	name, rois, inputs	) ->	retval

为源图像中的每个区域计算指定网络的响应。

参数

tag	网络标签
rois	描述源图像中感兴趣区域的矩形列表。通常是目标检测器或跟踪器的输出。
inputs	网络输入

返回值

一个cv::GInferListOutputs

以下是此函数的调用图

infer() [3/6]

template<typename T = Generic>

cv::GInferOutputs cv::gapi::infer	(	const std::string &	tag,
		const cv::GInferInputs &	inputs )

Python
	cv.gapi.infer(	name, inputs	) ->	retval
	cv.gapi.infer(	name, roi, inputs	) ->	retval
	cv.gapi.infer(	name, rois, inputs	) ->	retval

计算通用网络的响应。

参数

tag	网络标签
inputs	网络输入

返回值

一个GInferOutputs

以下是此函数的调用图

infer() [4/6]

template<typename T = Generic>

cv::GInferOutputs cv::gapi::infer	(	const std::string &	tag,
		const cv::GOpaque< cv::Rect > &	roi,
		const cv::GInferInputs &	inputs )

Python
	cv.gapi.infer(	name, inputs	) ->	retval
	cv.gapi.infer(	name, roi, inputs	) ->	retval
	cv.gapi.infer(	name, rois, inputs	) ->	retval

计算源图像指定区域的通用网络响应。目前仅支持单输入网络。

参数

tag	网络标签
roi	描述源图像中感兴趣区域的对象。可以在同一个图中动态计算。
inputs	网络输入

返回值

一个cv::GInferOutputs

以下是此函数的调用图

infer() [5/6]

template<typename Net , typename... Args>

Net::ResultL cv::gapi::infer	(	cv::GArray< cv::Rect >	roi,
		Args &&...	args )

Python
	cv.gapi.infer(	name, inputs	) ->	retval
	cv.gapi.infer(	name, roi, inputs	) ->	retval
	cv.gapi.infer(	name, rois, inputs	) ->	retval

计算源图像每个区域的指定网络（模板参数）响应。

模板参数

A	使用G_API_NET()宏定义的网络类型。

参数

roi	描述源图像中感兴趣区域的矩形列表。通常是目标检测器或跟踪器的输出。
args	网络的输入参数，如G_API_NET()宏中所指定。注意：经验证仅适用于单输入拓扑结构。

返回值

如G_API_NET()中定义的返回类型对象的列表。如果网络具有多个返回值（使用元组定义），则返回一个包含相应类型的GArray<>对象的元组。

另请参阅

G_API_NET()

infer() [6/6]

template<typename Net , typename T >

Net::Result cv::gapi::infer	(	cv::GOpaque< cv::Rect >	roi,
		T	in )

Python
	cv.gapi.infer(	name, inputs	) ->	retval
	cv.gapi.infer(	name, roi, inputs	) ->	retval
	cv.gapi.infer(	name, rois, inputs	) ->	retval

计算源图像指定区域的指定网络（模板参数）响应。目前仅支持单输入网络。

模板参数

A	使用G_API_NET()宏定义的网络类型。

参数

in	从中获取ROI的输入图像。
roi	描述源图像中感兴趣区域的对象。可以在同一个图中动态计算。

返回值

如G_API_NET()中定义的返回类型对象。如果网络具有多个返回值（使用元组定义），则返回相应类型对象的元组。

另请参阅

G_API_NET()

infer2() [1/2]

template<typename T = Generic, typename Input >

std::enable_if< cv::detail::accepted_infer_types< Input >::value, cv::GInferListOutputs >::type cv::gapi::infer2	(	const std::string &	tag,
		const Input &	in,
		const cv::GInferListInputs &	inputs )

Python
	cv.gapi.infer2(	name, in_, inputs	) ->	retval

计算源图像每个区域的指定网络响应，扩展版本。

参数

tag	网络标签
in	包含感兴趣区域的源图像。
inputs	网络输入

返回值

一个cv::GInferListOutputs

以下是此函数的调用图

infer2() [2/2]

template<typename Net , typename T , typename... Args>

Net::ResultL cv::gapi::infer2	(	T	image,
		cv::GArray< Args >...	args )

Python
	cv.gapi.infer2(	name, in_, inputs	) ->	retval

计算源图像每个区域的指定网络（模板参数）响应，扩展版本。

模板参数

A	使用G_API_NET()宏定义的网络类型。

参数

image	包含感兴趣区域的源图像
args	GArray<> 对象，类型为 cv::Rect 或 cv::GMat，每个网络输入一个。 如果传递 cv::GArray<cv::Rect>，则从image中获取相应的区域并将其预处理到此特定网络输入； 如果传递 cv::GArray<cv::GMat>，则底层数据被视为张量（不会进行自动预处理）。

返回值

如G_API_NET()中定义的返回类型对象的列表。如果网络具有多个返回值（使用元组定义），则返回一个包含相应类型的GArray<>对象的元组。

另请参阅

G_API_NET()

island()

void cv::gapi::island	(	const std::string &	name,
		GProtoInputArgs &&	ins,
		GProtoOutputArgs &&	outs )

定义计算中的标记岛（子图）。

声明一个用name标记的Island，并从ins到outs定义（独占的，因为ins/outs是数据对象，并且区域划分是在操作级别完成的）。如果ins和outs之间的任何操作已分配给另一个Island，则抛出异常。

Island允许将图划分为子图，微调底层执行器调度的方。式

参数

name	要创建的Island的名称
ins	子图开始处输入数据对象的向量
outs	子图结束处输出数据对象的向量。

Island的定义方式类似于cv::GComputation在输入/输出数据对象上的定义方式。此处也适用相同的规则——如果输入和输出之间没有功能依赖关系，或者没有指定足够数量的输入数据对象来正确计算所有输出，则会抛出异常。

使用cv::GIn() / cv::GOut()来指定输入/输出向量。

kmeans() [1/4]

std::tuple< GOpaque< double >, GArray< int >, GArray< Point2f > > cv::gapi::kmeans	(	const GArray< Point2f > &	data,
		const int	K,
		const GArray< int > &	bestLabels,
		const TermCriteria &	criteria,
		const int	attempts,
		const KmeansFlags	flags )

Python
	cv.gapi.kmeans(	data, K, bestLabels, criteria, attempts, flags	) ->	retval
	cv.gapi.kmeans(	data, K, criteria, attempts, flags	) ->	retval

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仅在于它接受的参数。

注意

函数文本ID为“org.opencv.core.kmeans2D”

kmeans() [2/4]

std::tuple< GOpaque< double >, GArray< int >, GArray< Point3f > > cv::gapi::kmeans	(	const GArray< Point3f > &	data,
		const int	K,
		const GArray< int > &	bestLabels,
		const TermCriteria &	criteria,
		const int	attempts,
		const KmeansFlags	flags )

Python
	cv.gapi.kmeans(	data, K, bestLabels, criteria, attempts, flags	) ->	retval
	cv.gapi.kmeans(	data, K, criteria, attempts, flags	) ->	retval

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仅在于它接受的参数。

注意

函数文本ID为“org.opencv.core.kmeans3D”

kmeans() [3/4]

std::tuple< GOpaque< double >, GMat, GMat > cv::gapi::kmeans	(	const GMat &	data,
		const int	K,
		const GMat &	bestLabels,
		const TermCriteria &	criteria,
		const int	attempts,
		const KmeansFlags	flags )

Python
	cv.gapi.kmeans(	data, K, bestLabels, criteria, attempts, flags	) ->	retval
	cv.gapi.kmeans(	data, K, criteria, attempts, flags	) ->	retval

查找聚类中心并将输入样本分组到聚类周围。

kmeans 函数实现了一个 k-means 算法，该算法查找 K 个聚类的中心，并将输入样本分组到这些聚类周围。作为输出，\(\texttt{bestLabels}_i\) 包含第 \(i^{th}\) 个样本的基于 0 的聚类索引。

注意

• 函数文本 ID 为“org.opencv.core.kmeansND”
• 对于给定的 N 维点集，输入 GMat 可以具有以下特性：2 维，如果存在 N 个通道，则为单行或单列；如果只有一个通道，则为 N 列。Mat 应具有 CV_32F 深度。
• 但是，如果给定高度 != 1、宽度 != 1、通道 != 1 的 GMat 作为数据，则认为给出了 A 个 N 维样本，其中 A = 高度，n = 宽度 * 通道。
• 如果将 GMat 作为数据
  • 则输出标签将作为 1 通道 GMat 返回，其大小为宽度 = 1，高度 = A，其中 A 为样本数量；或者如果给定 bestLabels，则宽度 = bestLabels.width，高度 = bestLabels.height；
  • 聚类中心将作为 1 通道 GMat 返回，其大小为宽度 = n，高度 = K，其中 n 为样本维数，K 为聚类数量。
• 作为一种可能的用法，如果您想自己控制每次尝试的初始标签，您可以只使用函数的核心。为此，请将尝试次数设置为 1，每次使用自定义算法初始化标签，使用 (flags = KMEANS_USE_INITIAL_LABELS ) 标志传递它们，然后选择最佳（最紧凑）聚类。

参数

data	用于聚类的数据。需要一个具有浮点坐标的 N 维点数组。函数可以采用 GArray<Point2f>、GArray<Point3f> 用于 2D 和 3D 案例，或 GMat 用于任何维数和通道。
K	要将集合划分的聚类数。
bestLabels	可选的输入整数数组，可以存储每个样本的假设初始聚类索引。当 (flags = KMEANS_USE_INITIAL_LABELS ) 标志设置时使用。
criteria	算法终止条件，即最大迭代次数和/或所需的精度。精度指定为 criteria.epsilon。一旦在某个迭代中每个聚类中心的移动小于 criteria.epsilon，算法就会停止。
attempts	用于指定使用不同的初始标记执行算法的次数的标志。算法返回产生最佳紧凑性的标签（参见第一个函数返回值）。
标志	可以取 cv::KmeansFlags 值的标志。

返回值

• 计算为

  \[\sum _i \| \texttt{samples} _i - \texttt{centers} _{ \texttt{labels} _i} \| ^2\]

  每次尝试后的紧凑性度量。选择最佳（最小）值，并由函数返回相应的标签和紧凑性值。
• 存储每个样本的聚类索引的整数数组。
• 聚类中心的数组。

kmeans() [4/4]

std::tuple< GOpaque< double >, GMat, GMat > cv::gapi::kmeans	(	const GMat &	data,
		const int	K,
		const TermCriteria &	criteria,
		const int	attempts,
		const KmeansFlags	flags )

Python
	cv.gapi.kmeans(	data, K, bestLabels, criteria, attempts, flags	) ->	retval
	cv.gapi.kmeans(	data, K, criteria, attempts, flags	) ->	retval

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仅在于它接受的参数。

注意

• 函数文本 ID 为“org.opencv.core.kmeansNDNoInit”
• 使用此重载时，不得设置 KMEANS_USE_INITIAL_LABELS 标志。

networks()

模板函数，参数个数可变。

cv::gapi::GNetPackage cv::gapi::networks

(

Args &&...

args

)

以下是此函数的调用图

operator!=()

bool cv::gapi::operator!= ( const GBackend & lhs, const GBackend & rhs )

inline

operator+=()

cv::gapi::GNetPackage & cv::gapi::operator+= ( cv::gapi::GNetPackage & lhs, const cv::gapi::GNetPackage & rhs )

inline

parseSSD() [1/2]

GArray< Rect > cv::gapi::parseSSD	(	const GMat &	in,
		const GOpaque< Size > &	inSz,
		const float	confidenceThreshold,
		const bool	alignmentToSquare,
		const bool	filterOutOfBounds )

Python
	cv.gapi.parseSSD(	in_, inSz[, confidenceThreshold[, filterLabel]]	) ->	retval
	cv.gapi.parseSSD(	in_, inSz, confidenceThreshold, alignmentToSquare, filterOutOfBounds	) ->	retval

解析SSD网络的输出。

从 SSD 输出中提取检测信息（框、置信度），并通过给定的置信度和越界进行过滤。

注意

函数文本 ID 为“org.opencv.nn.parsers.parseSSD”

参数

in	具有 {1,1,N,7} 维度的输入 CV_32F 张量。
inSz	将检测到的框投影到的尺寸（输入图像的尺寸）。
confidenceThreshold	如果检测的置信度小于置信度阈值，则拒绝检测。
alignmentToSquare	如果提供 true，则边界框将扩展为正方形。矩形的中心保持不变，正方形的边为矩形的较长边。
filterOutOfBounds	如果提供 true，则过滤掉帧外的框。

返回值

检测到的边界框向量。

parseSSD() [2/2]

std::tuple< GArray< Rect >, GArray< int > > cv::gapi::parseSSD	(	const GMat &	in,
		const GOpaque< Size > &	inSz,
		const float	confidenceThreshold = 0.5f,
		const int	filterLabel = -1 )

Python
	cv.gapi.parseSSD(	in_, inSz[, confidenceThreshold[, filterLabel]]	) ->	retval
	cv.gapi.parseSSD(	in_, inSz, confidenceThreshold, alignmentToSquare, filterOutOfBounds	) ->	retval

解析SSD网络的输出。

从 SSD 输出中提取检测信息（框、置信度、标签），并通过给定的置信度和标签进行过滤。

注意

函数文本 ID 为“org.opencv.nn.parsers.parseSSD_BL”

参数

in	具有 {1,1,N,7} 维度的输入 CV_32F 张量。
inSz	将检测到的框投影到的尺寸（输入图像的尺寸）。
confidenceThreshold	如果检测的置信度小于置信度阈值，则拒绝检测。
filterLabel	如果提供 (!= -1)，则只有具有给定标签的检测才能进入输出。

返回值

包含检测到的框向量和相应标签向量的元组。

parseYolo()

std::tuple< GArray< Rect >, GArray< int > > cv::gapi::parseYolo	(	const GMat &	in,
		const GOpaque< Size > &	inSz,
		const float	confidenceThreshold = 0.5f,
		const float	nmsThreshold = 0.5f,
		const std::vector< float > &	anchors = nn::parsers::GParseYolo::defaultAnchors() )

Python
	cv.gapi.parseYolo(	in_, inSz[, confidenceThreshold[, nmsThreshold[, anchors]]]	) ->	retval

解析Yolo网络的输出。

从Yolo输出中提取检测信息（边界框、置信度、标签），根据给定的置信度进行过滤，并对重叠的边界框进行非最大值抑制。

注意

函数文本ID为“org.opencv.nn.parsers.parseYolo”

参数

in	输入CV_32F张量，维度为{1,13,13,N}，N应满足 \[\texttt{N} = (\texttt{num_classes} + \texttt{5}) * \texttt{5},\] 其中num_classes为Yolo网络训练的类别数。
inSz	将检测到的框投影到的尺寸（输入图像的尺寸）。
confidenceThreshold	如果检测的置信度小于置信度阈值，则拒绝检测。
nmsThreshold	非最大值抑制阈值，控制拒绝置信度较小的边界框所需的最小相对边界框相交面积。如果为1.f，则不执行nms，并且不拒绝任何边界框。
anchors	Yolo网络训练使用的锚框。

注意

默认锚框值如Intel Open Model Zoo 文档中针对YOLO v2 Tiny所述。

返回值

包含检测到的框向量和相应标签向量的元组。

stereo()

GMat cv::gapi::stereo	(	const GMat &	左图,
		const GMat &	右图,
		const StereoOutputFormat	of = StereoOutputFormat::DEPTH_FLOAT32 )

计算指定立体图像对的视差/深度图。该函数根据传入的StereoOutputFormat参数计算视差或深度图。

参数

左图	8位单通道左图像，类型为CV_8UC1。
右图	8位单通道右图像，类型为CV_8UC1。
of	枚举，指定输出类型：深度或视差以及对应的类型。

以下是此函数的调用图

transpose()

GMat cv::gapi::transpose

(

const GMat &

src

)

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

转置矩阵。

该函数转置矩阵

\[\texttt{dst} (i,j) = \texttt{src} (j,i)\]

注意

• 函数文本ID为“org.opencv.core.transpose”
• 对于复数矩阵，不执行复共轭运算。如有需要，应单独进行。

参数

src

输入数组。