OpenCV：滤波器 - OpenCV 计算机视觉库

枚举器
DTF_NC Python: cv.ximgproc.DTF_NC
DTF_IC Python: cv.ximgproc.DTF_IC
DTF_RF Python: cv.ximgproc.DTF_RF
GUIDED_FILTER Python: cv.ximgproc.GUIDED_FILTER
AM_FILTER Python: cv.ximgproc.AM_FILTER

函数文档

◆ amFilter()

void cv::ximgproc::amFilter	(	InputArray	联合,
		InputArray	src,
		OutputArray	dst,
		double	sigma_s,
		double	sigma_r,
		bool	adjust_outliers = false )

Python
	cv.ximgproc.amFilter(	joint, src, sigma_s, sigma_r[, dst[, adjust_outliers]]	) ->	dst

简单的单行自适应流形滤波器调用。

参数

联合	联合（也称为引导）图像或具有任意通道数的图像数组。
src	具有任意通道数的滤波图像。
dst	输出图像。
sigma_s	空间标准差。
sigma_r	颜色空间标准差，类似于bilateralFilter中的颜色空间sigma。
adjust_outliers	可选，指定是否执行异常值调整操作（原始论文中的公式9）。

注意: 深度为CV_8U和CV_16U的联合图像在处理前转换为深度为CV_32F且颜色范围为[0; 1]的图像。因此，颜色空间sigma sigma_r必须在[0; 1]范围内，这与bilateralFilter和dtFilter函数中的相同sigma不同。

参见: bilateralFilter, dtFilter, guidedFilter

◆ bilateralTextureFilter()

void cv::ximgproc::bilateralTextureFilter	(	InputArray	src,
		OutputArray	dst,
		int	fr = 3,
		int	numIter = 1,
		double	sigmaAlpha = -1.,
		double	sigmaAvg = -1. )

Python
	cv.ximgproc.bilateralTextureFilter(	src[, dst[, fr[, numIter[, sigmaAlpha[, sigmaAvg]]]]]	) ->	dst

将双边纹理滤波器应用于图像。它执行保持结构的纹理滤波。有关此滤波器的更多详细信息，请参见[56]。

参数

src	深度为8位无符号整数或32位浮点数的源图像
dst	与src大小和类型相同的目标图像。
fr	用于滤波的核半径。应为正整数
numIter	算法迭代次数，应为正整数
sigmaAlpha	控制从边缘到平滑/纹理区域的权重过渡的锐度，较大的值表示更锐利的过渡。当值为负数时，会自动计算。
sigmaAvg	纹理模糊的范围模糊参数。较大的值使结果更加模糊。当值为负数时，会根据论文中的描述自动计算。

参见: rollingGuidanceFilter, bilateralFilter

◆ colorMatchTemplate()

void cv::ximgproc::colorMatchTemplate	(	InputArray	img,
		InputArray	templ,
		OutputArray	result )

Python
	cv.ximgproc.colorMatchTemplate(	img, templ[, result]	) ->	result

将彩色模板与重叠的彩色图像区域进行比较。

参数

img	正在进行搜索的图像。它必须是3通道图像
templ	搜索模板。它不能大于源图像，并且必须具有3个通道
result	比较结果图。它必须是单通道64位浮点数

◆ computeBadPixelPercent()

double cv::ximgproc::computeBadPixelPercent	(	InputArray	GT,
		InputArray	src,
		Rect	ROI,
		int	thresh = 24 )

Python
	cv.ximgproc.computeBadPixelPercent(	GT, src, ROI[, thresh]	) ->	retval

用于计算视差图中“不良”像素百分比的函数（误差高于指定阈值的像素）。

参数

GT	真值视差图
src	要评估的视差图
ROI	感兴趣区域
thresh	用于确定“坏”像素的阈值

返回值: 返回GT和src之间的均方误差

◆ computeMSE()

double cv::ximgproc::computeMSE	(	InputArray	GT,
		InputArray	src,
		Rect	ROI )

Python
	cv.ximgproc.computeMSE(	GT, src, ROI	) ->	retval

用于计算视差图均方误差的函数。

参数

GT	真值视差图
src	要评估的视差图
ROI	感兴趣区域

返回值: 返回GT和src之间的均方误差

◆ createAMFilter()

Ptr< AdaptiveManifoldFilter > cv::ximgproc::createAMFilter	(	double	sigma_s,
		double	sigma_r,
		bool	adjust_outliers = false )

Python
	cv.ximgproc.createAMFilter(	sigma_s, sigma_r[, adjust_outliers]	) ->	retval

工厂方法，创建AdaptiveManifoldFilter的实例并执行一些初始化例程。

参数

sigma_s	空间标准差。
sigma_r	颜色空间标准差，类似于bilateralFilter中的颜色空间sigma。
adjust_outliers	可选，指定是否执行异常值调整操作（原始论文中的公式9）。

有关自适应流形滤波器参数的更多详细信息，请参见原始文章 [101] 。

注意: 深度为CV_8U和CV_16U的联合图像在处理前转换为深度为CV_32F且颜色范围为[0; 1]的图像。因此，颜色空间sigma sigma_r必须在[0; 1]范围内，这与bilateralFilter和dtFilter函数中的相同sigma不同。

◆ createDisparityWLSFilter()

Ptr< DisparityWLSFilter > cv::ximgproc::createDisparityWLSFilter ( Ptr< StereoMatcher > matcher_left )

Python
	cv.ximgproc.createDisparityWLSFilter(	matcher_left	) ->	retval

便捷工厂方法，它创建一个DisparityWLSFilter实例，并根据匹配器实例自动设置所有相关的滤波器参数。目前仅支持StereoBM和StereoSGBM。

参数

matcher_left 将与滤波器一起使用的立体匹配器实例

◆ createDisparityWLSFilterGeneric()

cv::ximgproc::createDisparityWLSFilterGeneric 返回 DisparityWLSFilter 对象的智能指针 Ptr< DisparityWLSFilter > ( bool 是否使用置信度 )

Python
	cv.ximgproc.createDisparityWLSFilterGeneric( )	是否使用置信度	) ->	retval

更通用的工厂方法，创建DisparityWLSFilter的实例并执行基本的初始化例程。使用此方法时，需要自行设置ROI、匹配器和其他参数。

参数

是否使用置信度使用置信度进行滤波需要两个视差图（左视图和右视图），速度大约慢两倍。但是，质量通常会显著提高。

◆ createDTFilter()

cv::ximgproc::createDTFilter 返回 DTFilter 对象的智能指针 Ptr< DTFilter >	(	InputArray	引导图像,
		double	空间sigma值,
		double	颜色sigma值,
		int	mode = DTF_NC,
		int	numIters = 3 )

Python
	cv.ximgproc.createDTFilter(	guide, sigmaSpatial, sigmaColor[, mode[, numIters]]	) ->	retval

工厂方法，创建DTFilter的实例并执行初始化例程。

参数

引导图像	引导图像（用于构建变换距离，该距离描述了引导图像的边缘结构）。
空间sigma值	原始论文中的\({\sigma}_H\)参数，类似于bilateralFilter中坐标空间的sigma。
颜色sigma值	原始论文中的\({\sigma}_r\)参数，类似于bilateralFilter中颜色空间的sigma。
模式	三种模式之一：DTF_NC、DTF_RF和DTF_IC，对应于论文中滤波二维信号的三种模式。
迭代次数	用于滤波的可选迭代次数，3 次通常就足够了。

有关域变换滤波器参数的更多详细信息，请参阅原始论文 [100] 和域变换滤波器主页。

◆ createEdgeAwareInterpolator()

cv::ximgproc::createEdgeAwareInterpolator 返回 EdgeAwareInterpolator 对象的智能指针 Ptr< EdgeAwareInterpolator > ( )

Python
	cv.ximgproc.createEdgeAwareInterpolator(		) ->	retval

#include <opencv2/ximgproc/sparse_match_interpolator.hpp>

创建EdgeAwareInterpolator实例的工厂方法。

◆ createFastBilateralSolverFilter()

cv::ximgproc::createFastBilateralSolverFilter 返回 FastBilateralSolverFilter 对象的智能指针 Ptr< FastBilateralSolverFilter >	(	InputArray	引导图像,
		double	空间sigma值,
		double	亮度sigma值,
		double	色度sigma值,
		double	lambda = 128.0,
		int	num_iter = 25,
		double	max_tol = 1e-5 )

Python
	cv.ximgproc.createFastBilateralSolverFilter(	guide, sigma_spatial, sigma_luma, sigma_chroma[, lambda_[, num_iter[, max_tol]]]	) ->	retval

工厂方法，创建FastBilateralSolverFilter实例并执行初始化例程。

参数

引导图像	用作滤波引导的图像。它应该具有 8 位深度和 1 或 3 个通道。
空间sigma值	参数，类似于bilateralFilter中的空间sigma（带宽）。
亮度sigma值	参数，类似于bilateralFilter中的亮度sigma（带宽）。
色度sigma值	参数，类似于bilateralFilter中的色度sigma（带宽）。
lambda	求解器的平滑强度参数。
num_iter	用于求解器的迭代次数，25 次通常就足够了。
max_tol	用于求解器的收敛容差。

有关快速双边求解器参数的更多详细信息，请参阅原始论文 [19]。

◆ createFastGlobalSmootherFilter()

cv::ximgproc::createFastGlobalSmootherFilter 返回 FastGlobalSmootherFilter 对象的智能指针 Ptr< FastGlobalSmootherFilter >	(	InputArray	引导图像,
		double	lambda,
		double	颜色sigma值,
		double	lambda_attenuation = 0.25,
		int	num_iter = 3 )

Python
	cv.ximgproc.createFastGlobalSmootherFilter(	guide, lambda_, sigma_color[, lambda_attenuation[, num_iter]]	) ->	retval

工厂方法，创建FastGlobalSmootherFilter实例并执行初始化例程。

参数

引导图像	用作滤波引导的图像。它应该具有 8 位深度和 1 或 3 个通道。
lambda	定义正则化量的参数
颜色sigma值	参数，类似于bilateralFilter中的颜色空间sigma。
lambda_attenuation	内部参数，定义每次迭代后lambda衰减的程度。通常，它应该是0.25。将其设置为1.0可能会导致条纹伪影。
num_iter	用于滤波的迭代次数，3 次通常就足够了。

有关快速全局平滑器参数的更多详细信息，请参阅原始论文 [193]。但是，请注意存在一些差异。论文中描述的lambda衰减的实现方式略有不同，因此不要期望结果与论文中的结果完全相同；论文中的sigma_color值应乘以255.0才能达到相同的效果。此外，在源图像和引导图像相同的图像滤波情况下，作者建议在每次迭代后动态更新引导图像。为了最大限度地提高性能，此处未实现此功能。

◆ createGuidedFilter()

cv::ximgproc::createGuidedFilter 返回 GuidedFilter 对象的智能指针 Ptr< GuidedFilter >	(	InputArray	引导图像,
		int	半径,
		double	eps值,
		double	scale = 1.0 )

Python
	cv.ximgproc.createGuidedFilter(	guide, radius, eps[, scale]	) ->	retval

工厂方法，创建GuidedFilter实例并执行初始化例程。

参数

引导图像	引导图像（或图像数组），最多3个通道，如果超过3个通道，则只使用前3个通道。
半径	引导滤波器的半径。
eps值	引导滤波器的正则化项。\({eps}^2\)类似于bilateralFilter中颜色空间的sigma。
scale	快速引导滤波器的子采样因子，使用小于1的scale可以加快计算速度，几乎不会出现明显的质量下降。（例如，scale==0.5 将滤波器内部的图像缩小 2 倍）

有关（快速）引导滤波器参数的更多详细信息，请参阅原始论文 [120] [119] 。

◆ createQuaternionImage()

cv::ximgproc::createQuaternionImage 函数	(	InputArray	img,
		OutputArray	qimg )

Python
	cv.ximgproc.createQuaternionImage(	img[, qimg]	) ->	qimg

创建一个四元数图像。

参数

img	源 8 位、32 位或 64 位图像，具有 3 个通道。
qimg	结果 CV_64FC4 四元数图像（4 个通道，零通道和 B、G、R）。

◆ createRICInterpolator()

cv::ximgproc::createRICInterpolator 返回 RICInterpolator 对象的智能指针 Ptr< RICInterpolator > ( )

Python
	cv.ximgproc.createRICInterpolator(		) ->	retval

#include <opencv2/ximgproc/sparse_match_interpolator.hpp>

创建RICInterpolator实例的工厂方法。

◆ createRightMatcher()

cv::ximgproc::createRightMatcher 返回 StereoMatcher 对象的智能指针 Ptr< StereoMatcher > ( Ptr< StereoMatcher > matcher_left )

Python
	cv.ximgproc.createRightMatcher(	matcher_left	) ->	retval

便捷方法，用于设置匹配器，以计算在使用置信度进行滤波的情况下所需的右视图视差图。

参数

matcher_left 将与滤波器一起使用的主要立体匹配器实例

◆ dtFilter()

cv::ximgproc::dtFilter 函数	(	InputArray	引导图像,
		InputArray	src,
		OutputArray	dst,
		double	空间sigma值,
		double	颜色sigma值,
		int	mode = DTF_NC,
		int	numIters = 3 )

Python
	cv.ximgproc.dtFilter(	guide, src, sigmaSpatial, sigmaColor[, dst[, mode[, numIters]]]	) ->	dst

简单的单行域变换滤波器调用。如果有多个图像需要使用相同的引导图像进行滤波，则可以使用DTFilter接口来避免在初始化阶段进行额外的计算。

参数

引导图像	引导图像（也称为联合图像），无符号 8 位或 32 位浮点深度，最多 4 个通道。
src	滤波图像，无符号 8 位或 32 位浮点深度，最多 4 个通道。
dst	目标图像
空间sigma值	原始论文中的\({\sigma}_H\)参数，类似于bilateralFilter中坐标空间的sigma。
颜色sigma值	原始论文中的\({\sigma}_r\)参数，类似于bilateralFilter中颜色空间的sigma。
模式	三种模式之一：DTF_NC、DTF_RF和DTF_IC，对应于论文中滤波二维信号的三种模式。
迭代次数	用于滤波的可选迭代次数，3 次通常就足够了。

参见: bilateralFilter，guidedFilter，amFilter

◆ fastBilateralSolverFilter()

void cv::ximgproc::fastBilateralSolverFilter	(	InputArray	引导图像,
		InputArray	src,
		InputArray	置信度,
		OutputArray	dst,
		double	sigma_spatial = 8,
		double	sigma_luma = 8,
		double	sigma_chroma = 8,
		double	lambda = 128.0,
		int	num_iter = 25,
		double	max_tol = 1e-5 )

Python
	cv.ximgproc.fastBilateralSolverFilter(	guide, src, confidence[, dst[, sigma_spatial[, sigma_luma[, sigma_chroma[, lambda_[, num_iter[, max_tol]]]]]]]	) ->	dst

简单的单行快速双边求解器滤波器调用。如果有多个图像需要使用相同的引导图像进行滤波，则可以使用FastBilateralSolverFilter接口来避免额外的计算。

参数

引导图像	用作滤波引导的图像。它应该具有 8 位深度和 1 或 3 个通道。
src	用于滤波的源图像，无符号 8 位或有符号 16 位或 32 位浮点深度，最多 4 个通道。
置信度	置信度图像，无符号 8 位或 32 位浮点置信度，1 个通道。
dst	目标图像。
空间sigma值	参数，类似于bilateralFilter中的空间sigma（带宽）。
亮度sigma值	参数，类似于bilateralFilter中的亮度sigma（带宽）。
色度sigma值	参数，类似于bilateralFilter中的色度sigma（带宽）。
lambda	求解器的平滑强度参数。
num_iter	用于求解器的迭代次数，25 次通常就足够了。
max_tol	用于求解器的收敛容差。

有关快速双边求解器参数的更多详细信息，请参阅原始论文 [19]。

注意: 预期 CV_8U 深度的置信度图像在 [0, 255] 范围内，CV_32F 深度的置信度图像在 [0, 1] 范围内。

◆ fastGlobalSmootherFilter()

void cv::ximgproc::fastGlobalSmootherFilter	(	InputArray	引导图像,
		InputArray	src,
		OutputArray	dst,
		double	lambda,
		double	颜色sigma值,
		double	lambda_attenuation = 0.25,
		int	num_iter = 3 )

Python
	cv.ximgproc.fastGlobalSmootherFilter(	guide, src, lambda_, sigma_color[, dst[, lambda_attenuation[, num_iter]]]	) ->	dst

简单的单行快速全局平滑滤波器调用。如果有多个图像需要使用相同的引导图像进行滤波，则可以使用FastGlobalSmootherFilter接口来避免额外的计算。

参数

引导图像	用作滤波引导的图像。它应该具有 8 位深度和 1 或 3 个通道。
src	用于滤波的源图像，无符号 8 位或有符号 16 位或 32 位浮点深度，最多 4 个通道。
dst	目标图像。
lambda	定义正则化量的参数
颜色sigma值	参数，类似于bilateralFilter中的颜色空间sigma。
lambda_attenuation	内部参数，定义每次迭代后lambda衰减的程度。通常，它应该是0.25。将其设置为1.0可能会导致条纹伪影。
num_iter	用于滤波的迭代次数，3 次通常就足够了。

◆ getDisparityVis()

void cv::ximgproc::getDisparityVis	(	InputArray	src,
		OutputArray	dst,
		double	scale = 1.0 )

Python
	cv.ximgproc.getDisparityVis(	src[, dst[, scale]]	) ->	dst

用于创建视差图可视化效果（钳位CV_8U图像）的函数。

参数

src	输入视差图（CV_16S 深度）
dst	输出可视化结果
scale	视差图将乘以该值以进行可视化

◆ GradientDericheX()

void cv::ximgproc::GradientDericheX	(	InputArray	操作数,
		OutputArray	dst,
		double	alpha,
		double	omega )

Python
	cv.ximgproc.GradientDericheX(	op, alpha, omega[, dst]	) ->	dst

#include <opencv2/ximgproc/deriche_filter.hpp>

将X Deriche滤波器应用于图像。

有关此实现的更多详细信息，请参见 http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.476.5736&rep=rep1&type=pdf

参数

操作数	源 8 位或 16 位图像，1 通道或 3 通道图像。
dst	结果 CV_32FC 图像，通道数与 _op 相同。
alpha	参见论文中的双精度数值
omega	参见论文中的双精度数值

◆ GradientDericheY()

void cv::ximgproc::GradientDericheY	(	InputArray	操作数,
		OutputArray	dst,
		double	alpha,
		double	omega )

Python
	cv.ximgproc.GradientDericheY(	op, alpha, omega[, dst]	) ->	dst

#include <opencv2/ximgproc/deriche_filter.hpp>

将Y Deriche滤波器应用于图像。

有关此实现的更多详细信息，请参见 http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.476.5736&rep=rep1&type=pdf

参数

操作数	源 8 位或 16 位图像，1 通道或 3 通道图像。
dst	结果 CV_32FC 图像，通道数与 _op 相同。
alpha	参见论文中的双精度数值
omega	参见论文中的双精度数值

◆ GradientPaillouX()

void cv::ximgproc::GradientPaillouX	(	InputArray	操作数,
		OutputArray	目标图像,
		double	alpha,
		double	omega )

#include <opencv2/ximgproc/paillou_filter.hpp>

◆ GradientPaillouY()

void cv::ximgproc::GradientPaillouY	(	InputArray	操作数,
		OutputArray	目标图像,
		double	alpha,
		double	omega )

#include <opencv2/ximgproc/paillou_filter.hpp>

将Paillou滤波器应用于图像。

有关此实现的更多详细信息，请参见 [212]

参数

操作数	源 CV_8U(S) 或 CV_16U(S)，1 通道或 3 通道图像。
目标图像	结果 CV_32F 图像，通道数与 op 相同。
omega	参见论文中的双精度数值
alpha	参见论文中的双精度数值

参见: GradientPaillouX，GradientPaillouY

◆ guidedFilter()

void cv::ximgproc::guidedFilter	(	InputArray	引导图像,
		InputArray	src,
		OutputArray	dst,
		int	半径,
		double	eps值,
		int	dDepth = -1,
		double	scale = 1.0 )

Python
	cv.ximgproc.guidedFilter(	guide, src, radius, eps[, dst[, dDepth[, scale]]]	) ->	dst

简单的单行(快速)引导滤波器调用。

如果您有多个图像需要使用相同的引导图像进行滤波，则可以使用 GuidedFilter 接口来避免在初始化阶段进行额外的计算。

参数

引导图像	引导图像（或图像数组），最多3个通道，如果超过3个通道，则只使用前3个通道。
src	具有任意通道数的滤波图像。
dst	输出图像。
半径	引导滤波器的半径。
eps值	引导滤波器的正则化项。\({eps}^2\)类似于bilateralFilter中颜色空间的sigma。
dDepth	输出图像的可选深度。
scale	快速引导滤波器的子采样因子，使用小于1的scale可以加快计算速度，几乎不会出现明显的质量下降。（例如，scale==0.5 将滤波器内部的图像缩小 2 倍）

参见: bilateralFilter，dtFilter，amFilter

◆ jointBilateralFilter()

void cv::ximgproc::jointBilateralFilter	(	InputArray	联合,
		InputArray	src,
		OutputArray	dst,
		int	d,
		double	颜色sigma值,
		double	sigmaSpace,
		int	borderType = BORDER_DEFAULT )

Python
	cv.ximgproc.jointBilateralFilter(	joint, src, d, sigmaColor, sigmaSpace[, dst[, borderType]]	) ->	dst

将联合双边滤波器应用于图像。

参数

联合	联合 8 位或浮点图像，1 通道或 3 通道图像。
src	源 8 位或浮点图像，1 通道或 3 通道图像，与联合图像的深度相同。
dst	与 src 大小和类型相同的目标图像。
d	滤波过程中使用的每个像素邻域的直径。如果它是非正数，则根据 sigmaSpace 计算。
颜色sigma值	颜色空间中的滤波器 sigma。参数值越大，像素邻域内（参见 sigmaSpace）的颜色差异越大，混合在一起的颜色区域越大。
sigmaSpace	坐标空间中的滤波器 sigma。参数值越大，像素之间的影响就越大，只要它们的颜色足够接近（参见 sigmaColor）。当 d>0 时，它指定邻域大小，而不管 sigmaSpace。否则，d 与 sigmaSpace 成比例。
borderType

注意: bilateralFilter 和 jointBilateralFilter 使用 L1 范数来计算颜色之间的差异。

参见: bilateralFilter，amFilter

◆ l0Smooth()

void cv::ximgproc::l0Smooth	(	InputArray	src,
		OutputArray	dst,
		double	lambda = 0.02,
		double	kappa = 2.0 )

Python
	cv.ximgproc.l0Smooth(	src[, dst[, lambda_[, kappa]]]	) ->	dst

通过L0梯度最小化进行全局图像平滑。

参数

src	用于滤波的源图像，无符号 8 位或有符号 16 位或浮点深度。
dst	目标图像。
lambda	定义平滑项权重的参数。
kappa	定义梯度数据项权重递增因子的参数。

有关 L0 平滑器的更多详细信息，请参见原始论文 [306]。

◆ qconj()

void cv::ximgproc::qconj	(	InputArray	qimg,
		OutputArray	qcimg )

Python
	cv.ximgproc.qconj(	qimg[, qcimg]	) ->	qcimg

计算四元数图像的共轭。

参数

qimg	四元数图像。
qcimg	qimg 的共轭

◆ qdft()

void cv::ximgproc::qdft	(	InputArray	img,
		OutputArray	qimg,
		int	标志,
		bool	sideLeft )

Python
	cv.ximgproc.qdft(	img, flags, sideLeft[, qimg]	) ->	qimg

对二维四元数数组执行正向或逆向离散四元数傅里叶变换。

参数

img	四元数图像。
qimg	对偶空间中的四元数图像。
标志	对偶空间中的四元数图像。仅支持 DFT_INVERSE 标志
sideLeft	如果为真，则超复指数应乘以左侧（如果为假，则乘以右侧）。

◆ qmultiply()

void cv::ximgproc::qmultiply	(	InputArray	src1,
		InputArray	src2,
		OutputArray	dst )

Python
	cv.ximgproc.qmultiply(	src1, src2[, dst]	) ->	dst

计算两个数组的逐元素四元数乘积。

参数

src1	四元数图像。
src2	四元数图像。
dst	乘积 dst(I)=src1(I) . src2(I)

◆ qunitary()

void cv::ximgproc::qunitary	(	InputArray	qimg,
		OutputArray	qnimg )

Python
	cv.ximgproc.qunitary(	qimg[, qnimg]	) ->	qnimg

将每个元素除以其模。

参数

qimg	四元数图像。
qnimg	qimg 的共轭

◆ readGT()

int cv::ximgproc::readGT	(	字符串	源路径,
		OutputArray	dst )

Python
	cv.ximgproc.readGT(	src_path[, dst]	) ->	retval, dst

读取真值视差图的函数。支持基本的Middlebury和MPI-Sintel格式。请注意，生成的视差图按16缩放。

参数

源路径	包含真值视差图的图像路径
dst	输出视差图，CV_16S 深度

返回值: 如果成功读取真值，则返回零

◆ rollingGuidanceFilter()

void cv::ximgproc::rollingGuidanceFilter	(	InputArray	src,
		OutputArray	dst,
		int	d = -1,
		double	sigmaColor = 25,
		double	sigmaSpace = 3,
		int	numOfIter = 4,
		int	borderType = BORDER_DEFAULT )

Python
	cv.ximgproc.rollingGuidanceFilter(	src[, dst[, d[, sigmaColor[, sigmaSpace[, numOfIter[, borderType]]]]]]	) ->	dst