实现LSC（线性谱聚类）超像素算法的类，该算法在[160]中描述。更多…

#include <opencv2/ximgproc/lsc.hpp>

cv::ximgproc::SuperpixelLSC 协作图

公有成员函数
virtual void	enforceLabelConnectivity (int min_element_size=25)=0
	强制标签连接。

virtual void	getLabelContourMask (OutputArray image, bool thick_line=true) const =0
	返回存储在SuperpixelLSC对象中的超像素分割掩码。

virtual void	getLabels (OutputArray labels_out) const =0
	返回图像的分割标签。

virtual int	getNumberOfSuperpixels () const =0
	计算在给定的SuperpixelLSC对象中计算和存储的分割上超像素的实际数量。

virtual void	iterate (int num_iterations=10)=0
	使用SuperpixelLSC对象中初始化的参数，计算给定图像上的超像素分割。

从cv::Algorithm继承的公有成员函数
	Algorithm ()

virtual	~Algorithm ()

virtual void	clear ()
	清除算法状态。

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

virtual 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

其他继承成员
从cv::Algorithm继承的静态公有成员函数
template<typename _Tp >
static Ptr< _Tp >	load (const String &filename, const String &objname=String())
	从文件中加载算法。

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

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

从cv::Algorithm继承的保护成员函数
void	writeFormat (FileStorage &fs) const

详细描述

实现LSC（线性谱聚类）超像素算法的类，该算法在[160]中描述。

LSC（线性谱聚类）以低计算成本生成紧凑且均匀的超像素。基本上，超像素分割的归一化切割公式是基于测量图像像素之间颜色相似度和空间邻近度的相似性度量来采用的。LSC具有线性计算复杂度和高内存效率，并且能够保留图像的全局属性。

成员函数文档

◆ enforceLabelConnectivity()

virtual void cv::ximgproc::SuperpixelLSC::enforceLabelConnectivity ( int min_element_size = 25 )

纯虚函数

Python
	cv.ximgproc.SuperpixelLSC.enforceLabelConnectivity(	[, min_element_size]	) ->	None

强制标签连接。

参数

min_element_size 应该被吸收进入更大超像素的最小元素大小（百分比）。给定结果平均超像素大小，有效值应在0-100范围内，25表示应吸收小于四分之一大小的超像素，这是默认值。

该函数合并太小的组件，将先前找到的相邻标签分配给该组件。调用此函数可能会更改最终的超像素数量。

◆ getLabelContourMask()

virtual void cv::ximgproc::SuperpixelLSC::getLabelContourMask	(	OutputArray	image,
		bool	thick_line = true ) const

纯虚函数

Python
	cv.ximgproc.SuperpixelLSC.getLabelContourMask(	[, image[, thick_line]]	) ->	image

返回存储在SuperpixelLSC对象中的超像素分割掩码。

参数

image	返回值：CV_8U1图像掩码，其中-1表示像素是超像素边界，否则为0。
thick_line	如果为false，则边界仅为一个像素宽，否则边界上的所有像素都被屏蔽。

该函数返回超像素分割的边界。

◆ getLabels()

virtual void cv::ximgproc::SuperpixelLSC::getLabels ( OutputArray labels_out ) const

纯虚函数

Python
	cv.ximgproc.SuperpixelLSC.getLabels(	[, labels_out]	) ->	labels_out

返回图像的分割标签。

每个标签代表一个超像素，每个像素都分配给一个超像素标签。

参数

labels_out 返回值：一个 CV_32SC1 整型数组，包含超像素分割的标签。标签范围为 [0, getNumberOfSuperpixels()]。

该函数返回一个包含超像素分割标签的图像。标签范围为 [0, getNumberOfSuperpixels()]。

◆ getNumberOfSuperpixels()

virtual int cv::ximgproc::SuperpixelLSC::getNumberOfSuperpixels ( ) const

纯虚函数

Python
	cv.ximgproc.SuperpixelLSC.getNumberOfSuperpixels(		) ->	retval

计算在给定的SuperpixelLSC对象中计算和存储的分割上超像素的实际数量。

◆ iterate()

virtual void cv::ximgproc::SuperpixelLSC::iterate ( int num_iterations = 10 )

纯虚函数

Python
	cv.ximgproc.SuperpixelLSC.iterate(	[, num_iterations]	) ->	None

使用SuperpixelLSC对象中初始化的参数，计算给定图像上的超像素分割。

此函数可以再次调用，无需使用 createSuperpixelLSC() 初始化算法。这节省了为算法的所有结构分配内存的计算成本。

参数

num_iterations 迭代次数。次数越高，结果越好。

该函数使用函数 createSuperpixelLSC() 初始化的参数计算图像的超像素分割。算法从超像素网格开始，然后通过提出边缘边界更新来细化边界。

此类的文档是从以下文件生成的

opencv2/ximgproc/lsc.hpp

公有成员函数

其他继承成员

详细描述

成员函数文档

◆ enforceLabelConnectivity()

◆ getLabelContourMask()

◆ getLabels()

◆ getNumberOfSuperpixels()

◆ iterate()