图API：图像滤波器

详细描述

函数
GMat	cv::gapi::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。
GMat	cv::gapi::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。
GMat	cv::gapi::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。
GMat	cv::gapi::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	cv::gapi::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	cv::gapi::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	cv::gapi::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	cv::gapi::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))
	用卷积核卷积图像。
GMat	cv::gapi::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。
GMat	cv::gapi::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	cv::gapi::medianBlur (const GMat &src, int ksize)
	使用中值滤波器模糊图像。
GMat	cv::gapi::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	cv::gapi::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）。
GMat	cv::gapi::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 >	cv::gapi::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。

函数文档

bilateralFilter()

GMat cv::gapi::bilateralFilter	(	const GMat &	src,
		int	d,
		double	sigmaColor,
		double	sigmaSpace,
		int	borderType = BORDER_DEFAULT )

Python
	cv.gapi.bilateralFilter(	src, d, sigmaColor, sigmaSpace[, borderType]	) ->	返回值

#include <opencv2/gapi/imgproc.hpp>

将双边滤波器应用于图像。

该函数对输入图像应用双边滤波，如http://www.dai.ed.ac.uk/CVonline/LOCAL_COPIES/MANDUCHI1/Bilateral_Filtering.html中所述，双边滤波可以很好地减少不需要的噪声，同时保持边缘相当清晰。但是，与大多数滤波器相比，它非常慢。

Sigma 值：为简单起见，您可以将两个 sigma 值设置为相同。如果它们很小（< 10），则滤波器不会产生太大影响，而如果它们很大（> 150），则它们将产生非常强的影响，使图像看起来像“卡通”。

滤波器大小：大型滤波器 (d > 5) 非常慢，因此建议对实时应用使用 d=5，而对于需要大量噪声滤波的离线应用，则可以使用 d=9。

此过滤器不能就地工作。

注意

函数文本 ID 为“org.opencv.imgproc.filters.bilateralfilter”

参数

src	源 8 位或浮点型，单通道或三通道图像。
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。
sigmaColor	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，混合在一起的颜色面积就越大。
sigmaSpace	坐标空间中的滤波器 sigma。参数值越大，只要颜色足够接近（参见 sigmaColor），像素之间的影响就越大。当 d>0 时，它指定邻域大小，而不管 sigmaSpace 如何。否则，d 与 sigmaSpace 成比例。
borderType	用于外推图像外部像素的边界模式，参见 BorderTypes

返回

与 src 大小和类型相同的目标图像。

blur()

GMat cv::gapi::blur	(	const GMat &	src,
		const Size &	ksize,
		const Point &	anchor = Point(-1,-1),
		int	borderType = BORDER_DEFAULT,
		const Scalar &	borderValue = Scalar(0) )

Python
	cv.gapi.blur(	src, ksize[, anchor[, borderType[, borderValue]]]	) ->	返回值

#include <opencv2/gapi/imgproc.hpp>

使用归一化盒式滤波器模糊图像。

该函数使用内核平滑图像

\[\texttt{K} = \frac{1}{\texttt{ksize.width*ksize.height}} \begin{bmatrix} 1 & 1 & 1 & \cdots & 1 & 1 \\ 1 & 1 & 1 & \cdots & 1 & 1 \\ \hdotsfor{6} \\ 1 & 1 & 1 & \cdots & 1 & 1 \\ \end{bmatrix}\]

调用blur(src, ksize, anchor, borderType) 等效于 boxFilter(src, src.type(), ksize, anchor, true, borderType)。

支持的输入矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1、CV_32FC1。输出图像必须与输入图像具有相同的类型、大小和通道数。

注意

• 如果硬件支持，则进行四舍五入到最接近的偶数，否则四舍五入到最接近的数。
• 函数文本 ID 为“org.opencv.imgproc.filters.blur”

参数

src	源图像。
ksize	模糊内核大小。
anchor	锚点；默认值 Point(-1,-1) 表示锚点位于内核中心。
borderType	用于外推图像外部像素的边界模式，参见 cv::BorderTypes
borderValue	在恒定边界类型的情况下为边界值

另请参见

boxFilter、bilateralFilter、GaussianBlur、medianBlur

boxFilter()

GMat cv::gapi::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) )

Python
	cv.gapi.boxFilter(	src, dtype, ksize[, anchor[, normalize[, borderType[, borderValue]]]]	) ->	返回值

#include <opencv2/gapi/imgproc.hpp>

使用盒式滤波器模糊图像。

该函数使用内核平滑图像

\[\texttt{K} = \alpha \begin{bmatrix} 1 & 1 & 1 & \cdots & 1 & 1 \\ 1 & 1 & 1 & \cdots & 1 & 1 \\ \hdotsfor{6} \\ 1 & 1 & 1 & \cdots & 1 & 1 \end{bmatrix}\]

其中

\[\alpha = \begin{cases} \frac{1}{\texttt{ksize.width*ksize.height}} & \texttt{当 } \texttt{normalize=true} \\1 & \texttt{否则} \end{cases}\]

未归一化的盒式滤波器用于计算每个像素邻域的各种积分特征，例如图像导数的协方差矩阵（用于密集光流算法等）。如果您需要计算可变大小窗口上的像素总和，请使用 cv::integral。

支持的输入矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1、CV_32FC1。输出图像必须与输入图像具有相同的类型、大小和通道数。

注意

• 如果硬件支持，则进行四舍五入到最接近的偶数，否则四舍五入到最接近的数。
• 函数文本 ID 为“org.opencv.imgproc.filters.boxfilter”

参数

src	源图像。
dtype	输出图像深度（-1 用于设置输入图像数据类型）。
ksize	模糊内核大小。
anchor	内核内的锚点位置。默认值 \((-1,-1)\) 表示锚点位于内核中心。
normalize	标志，指定内核是否按其面积进行归一化。
borderType	像素外推方法，参见 cv::BorderTypes
borderValue	在恒定边界类型的情况下为边界值

另请参见

sepFilter，gaussianBlur，medianBlur，integral

dilate()

GMat cv::gapi::dilate	(	const GMat &	src,
		const Mat &	kernel,
		const Point &	anchor = Point(-1,-1),
		int	iterations = 1,
		int	borderType = BORDER_CONSTANT,
		const Scalar &	borderValue = morphologyDefaultBorderValue() )

Python
	cv.gapi.dilate(	src, kernel[, anchor[, iterations[, borderType[, borderValue]]]]	) ->	返回值

#include <opencv2/gapi/imgproc.hpp>

使用特定的结构元素膨胀图像。

该函数使用指定的结构元素膨胀源图像，该结构元素确定像素邻域的形状，在其上取最大值。

\[\texttt{dst} (x,y) = \max _{(x',y'): \, \texttt{element} (x',y') \ne0 } \texttt{src} (x+x',y+y')\]

膨胀可以应用多次 (iterations)。对于多通道图像，每个通道独立处理。支持的输入矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1 和 CV_32FC1。输出图像必须与输入图像具有相同的类型、大小和通道数。

注意

• 如果硬件支持，则进行四舍五入到最接近的偶数，否则四舍五入到最接近的数。
• 函数文本 ID 为“org.opencv.imgproc.filters.dilate”

参数

src	输入图像。
kernel	用于膨胀的结构元素；如果 elemenat=Mat()，则使用 3 x 3 的矩形结构元素。可以使用 getStructuringElement 创建内核。
anchor	元素内锚点的位置；默认值 (-1, -1) 表示锚点位于元素中心。
iterations	应用膨胀的次数。
borderType	像素外推方法，参见 cv::BorderTypes
borderValue	在恒定边界情况下的边界值。

另请参见

erode，morphologyEx，getStructuringElement

dilate3x3()

GMat cv::gapi::dilate3x3	(	const GMat &	src,
		int	iterations = 1,
		int	borderType = BORDER_CONSTANT,
		const Scalar &	borderValue = morphologyDefaultBorderValue() )

Python
	cv.gapi.dilate3x3(	src[, iterations[, borderType[, borderValue]]]	) ->	返回值

#include <opencv2/gapi/imgproc.hpp>

使用3x3矩形结构元素膨胀图像。

该函数使用指定的结构元素膨胀源图像，该结构元素确定像素邻域的形状，在其上取最大值。

\[\texttt{dst} (x,y) = \max _{(x',y'): \, \texttt{element} (x',y') \ne0 } \texttt{src} (x+x',y+y')\]

膨胀可以应用多次 (iterations)。对于多通道图像，每个通道独立处理。支持的输入矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1 和 CV_32FC1。输出图像必须与输入图像具有相同的类型、大小和通道数。

注意

• 如果硬件支持，则进行四舍五入到最接近的偶数，否则四舍五入到最接近的数。
• 函数文本 ID 为“org.opencv.imgproc.filters.dilate”

参数

src	输入图像。
iterations	应用膨胀的次数。
borderType	像素外推方法，参见 cv::BorderTypes
borderValue	在恒定边界情况下的边界值。

另请参见

dilate，erode3x3

erode()

GMat cv::gapi::erode	(	const GMat &	src,
		const Mat &	kernel,
		const Point &	anchor = Point(-1,-1),
		int	iterations = 1,
		int	borderType = BORDER_CONSTANT,
		const Scalar &	borderValue = morphologyDefaultBorderValue() )

Python
	cv.gapi.erode(	src, kernel[, anchor[, iterations[, borderType[, borderValue]]]]	) ->	返回值

#include <opencv2/gapi/imgproc.hpp>

使用特定的结构元素腐蚀图像。

该函数使用指定的结构元素腐蚀源图像，该结构元素确定像素邻域的形状，在其上取最小值。

\[\texttt{dst} (x,y) = \min _{(x',y'): \, \texttt{element} (x',y') \ne0 } \texttt{src} (x+x',y+y')\]

腐蚀可以应用多次 (iterations)。对于多通道图像，每个通道独立处理。支持的输入矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1 和 CV_32FC1。输出图像必须与输入图像具有相同的类型、大小和通道数。

注意

• 如果硬件支持，则进行四舍五入到最接近的偶数，否则四舍五入到最接近的数。
• 函数文本 ID 为“org.opencv.imgproc.filters.erode”

参数

src	输入图像。
kernel	用于腐蚀的结构元素；如果 element=Mat()，则使用 3 x 3 的矩形结构元素。可以使用 getStructuringElement 创建内核。
anchor	元素内锚点的位置；默认值 (-1, -1) 表示锚点位于元素中心。
iterations	应用腐蚀的次数。
borderType	像素外推方法，参见 cv::BorderTypes
borderValue	在恒定边界情况下的边界值。

另请参见

dilate，morphologyEx

erode3x3()

GMat cv::gapi::erode3x3	(	const GMat &	src,
		int	iterations = 1,
		int	borderType = BORDER_CONSTANT,
		const Scalar &	borderValue = morphologyDefaultBorderValue() )

Python
	cv.gapi.erode3x3(	src[, iterations[, borderType[, borderValue]]]	) ->	返回值

#include <opencv2/gapi/imgproc.hpp>

使用3x3矩形结构元素腐蚀图像。

该函数使用矩形结构元素（以矩形中心为锚点）腐蚀源图像。腐蚀可以应用多次 (iterations)。对于多通道图像，每个通道独立处理。支持的输入矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1 和 CV_32FC1。输出图像必须与输入图像具有相同的类型、大小和通道数。

注意

• 如果硬件支持，则进行四舍五入到最接近的偶数，否则四舍五入到最接近的数。
• 函数文本 ID 为“org.opencv.imgproc.filters.erode”

参数

src	输入图像。
iterations	应用腐蚀的次数。
borderType	像素外推方法，参见 cv::BorderTypes
borderValue	在恒定边界情况下的边界值。

另请参见

腐蚀，膨胀3x3

filter2D()

GMat cv::gapi::filter2D	(	const GMat &	src,
		int	目标深度,
		const Mat &	kernel,
		const Point &	anchor = Point(-1,-1),
		const Scalar &	delta = Scalar(0),
		int	borderType = BORDER_DEFAULT,
		const Scalar &	borderValue = Scalar(0) )

Python
	cv.gapi.filter2D(	src, ddepth, kernel[, anchor[, delta[, borderType[, borderValue]]]]	) ->	返回值

#include <opencv2/gapi/imgproc.hpp>

用卷积核卷积图像。

该函数将任意线性滤波器应用于图像。当孔径部分位于图像外部时，函数将根据指定的边界模式对异常像素值进行插值。

该函数实际上计算的是相关性，而不是卷积。

\[\texttt{dst} (x,y) = \sum _{ \substack{0\leq x' < \texttt{kernel.cols}\\{0\leq y' < \texttt{kernel.rows}}}} \texttt{kernel} (x',y')* \texttt{src} (x+x'- \texttt{anchor.x} ,y+y'- \texttt{anchor.y} )\]

也就是说，内核不会围绕锚点镜像。如果您需要真正的卷积，请使用flip翻转内核并将新的锚点设置为(kernel.cols - anchor.x - 1, kernel.rows - anchor.y - 1)。

支持的矩阵数据类型为 CV_8UC1，CV_8UC3，CV_16UC1，CV_16SC1，CV_32FC1。输出图像必须与输入图像具有相同的大小和通道数。

注意

• 如果硬件支持，则进行四舍五入到最接近的偶数，否则四舍五入到最接近的数。
• 函数文本ID为“org.opencv.imgproc.filters.filter2D”

参数

src	输入图像。
目标深度	目标图像的所需深度
kernel	卷积核（或更确切地说是相关核），单通道浮点矩阵；如果要将不同的内核应用于不同的通道，请使用split将图像分割成单独的颜色平面并分别处理它们。
anchor	内核的锚点，指示滤波点在内核内的相对位置；锚点应位于内核内；默认值(-1,-1)表示锚点位于内核中心。
增量值	存储到dst之前添加到已滤波像素的可选值。
borderType	像素外推方法，参见 cv::BorderTypes
borderValue	在恒定边界类型的情况下为边界值

另请参见

sepFilter

gaussianBlur()

GMat cv::gapi::gaussianBlur	(	const GMat &	src,
		const Size &	ksize,
		double	sigmaX,
		double	sigmaY = 0,
		int	borderType = BORDER_DEFAULT,
		const Scalar &	borderValue = Scalar(0) )

Python
	cv.gapi.gaussianBlur(	src, ksize, sigmaX[, sigmaY[, borderType[, borderValue]]]	) ->	返回值

#include <opencv2/gapi/imgproc.hpp>

使用高斯滤波器模糊图像。

该函数使用指定的Gaussian核对源图像进行filter2D滤波。输出图像必须与输入图像具有相同的类型和通道数。

支持的输入矩阵数据类型为 CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1、CV_32FC1。输出图像必须与输入图像具有相同的类型、大小和通道数。

注意

• 如果硬件支持，则进行四舍五入到最接近的偶数，否则四舍五入到最接近的数。
• 函数文本ID为“org.opencv.imgproc.filters.gaussianBlur”

参数

src	输入图像；
ksize	高斯核大小。ksize.width和ksize.height可以不同，但它们都必须为正奇数。或者，它们可以为零，然后根据sigma计算它们。
sigmaX	X方向上的高斯核标准差。
sigmaY	Y方向上的高斯核标准差；如果sigmaY为零，则将其设置为等于sigmaX，如果两个sigma都为零，则分别根据ksize.width和ksize.height计算它们（详情请参见cv::getGaussianKernel）；为了完全控制结果，无论未来所有语义的可能修改如何，建议指定所有ksize、sigmaX和sigmaY。
borderType	像素外推方法，参见 cv::BorderTypes
borderValue	在恒定边界类型的情况下为边界值

另请参见

sepFilter，boxFilter，medianBlur

Laplacian()

GMat cv::gapi::Laplacian	(	const GMat &	src,
		int	目标深度,
		int	ksize = 1,
		double	scale = 1,
		double	delta = 0,
		int	borderType = BORDER_DEFAULT )

Python
	cv.gapi.Laplacian(	src, ddepth[, ksize[, scale[, delta[, borderType]]]]	) ->	返回值

#include <opencv2/gapi/imgproc.hpp>

计算图像的拉普拉斯算子。

该函数通过将使用Sobel算子计算的二阶x和y导数相加来计算源图像的拉普拉斯算子。

\[\texttt{dst} = \Delta \texttt{src} = \frac{\partial^2 \texttt{src}}{\partial x^2} + \frac{\partial^2 \texttt{src}}{\partial y^2}\]

当ksize > 1时执行此操作。当ksize == 1时，通过使用以下3x3孔径对图像进行滤波来计算拉普拉斯算子。

\[\vecthreethree {0}{1}{0}{1}{-4}{1}{0}{1}{0}\]

注意

函数文本ID为“org.opencv.imgproc.filters.laplacian”

参数

src	源图像。
目标深度	目标图像的所需深度。
ksize	用于计算二阶导数滤波器的孔径大小。详情请参见getDerivKernels。大小必须为正奇数。
缩放因子	计算的拉普拉斯值可选缩放因子。默认情况下，不应用缩放。详情请参见getDerivKernels。
增量值	存储到dst之前添加到结果的可选增量值。
borderType	像素外推方法，请参见BorderTypes。BORDER_WRAP不支持。

返回

与src大小和通道数相同的目标图像。

另请参见

Sobel，Scharr

medianBlur()

GMat cv::gapi::medianBlur	(	const GMat &	src,
		int	ksize )

Python
	cv.gapi.medianBlur(	src, ksize	) ->	返回值

#include <opencv2/gapi/imgproc.hpp>

使用中值滤波器模糊图像。

该函数使用\(\texttt{ksize} \times \texttt{ksize}\)孔径的中值滤波器平滑图像。多通道图像的每个通道都独立处理。输出图像必须与输入图像具有相同的类型、大小和通道数。

注意

• 如果硬件支持，则四舍五入到最接近的偶数；否则，四舍五入到最接近的数。中值滤波器内部使用cv::BORDER_REPLICATE来处理边界像素，请参见cv::BorderTypes
• 函数文本ID为“org.opencv.imgproc.filters.medianBlur”

参数

src	输入矩阵（图像）
ksize	孔径线性大小；它必须是奇数且大于1，例如：3、5、7……

另请参见

boxFilter，gaussianBlur

morphologyEx()

GMat cv::gapi::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() )

Python
	cv.gapi.morphologyEx(	src, op, kernel[, anchor[, iterations[, borderType[, borderValue]]]]	) ->	返回值

#include <opencv2/gapi/imgproc.hpp>

执行高级形态学变换。

该函数可以使用腐蚀和膨胀作为基本操作来执行高级形态学变换。

任何操作都可以就地进行。对于多通道图像，每个通道都独立处理。

注意

• 函数文本ID为“org.opencv.imgproc.filters.morphologyEx”
• 迭代次数是腐蚀或膨胀操作将应用的次数。例如，具有两次迭代的开运算(MORPH_OPEN) 等效于依次应用：腐蚀 -> 腐蚀 -> 膨胀 -> 膨胀（而不是腐蚀 -> 膨胀 -> 腐蚀 -> 膨胀）。

参数

src	输入图像。
op	形态学运算的类型，参见MorphTypes
kernel	结构元素。可以使用getStructuringElement创建。
anchor	元素内的锚点位置。两个负值都意味着锚点位于内核中心。
iterations	应用腐蚀和膨胀的次数。
borderType	像素外推方法，请参见BorderTypes。BORDER_WRAP不支持。
borderValue	在恒定边界情况下为边界值。默认值具有特殊含义。

另请参见

dilate，erode，getStructuringElement

sepFilter()

GMat cv::gapi::sepFilter	(	const GMat &	src,
		int	目标深度,
		const Mat &	kernelX,
		const Mat &	kernelY,
		const Point &	anchor,
		const Scalar &	增量值,
		int	borderType = BORDER_DEFAULT,
		const Scalar &	borderValue = Scalar(0) )

Python
	cv.gapi.sepFilter(	src, ddepth, kernelX, kernelY, anchor, delta[, borderType[, borderValue]]	) ->	返回值

#include <opencv2/gapi/imgproc.hpp>

将可分离线性滤波器应用于矩阵（图像）。

该函数将可分离线性滤波器应用于矩阵。也就是说，首先，使用一维内核kernelX过滤src的每一行。然后，使用一维内核kernelY过滤结果的每一列。返回最终结果。

支持的矩阵数据类型为CV_8UC1，CV_8UC3，CV_16UC1，CV_16SC1，CV_32FC1。输出图像必须与输入图像具有相同的类型、大小和通道数。

注意

• 在浮点计算的情况下，如果硬件支持，则进行四舍五入到最接近的偶数（如果不支持，则四舍五入到最接近的值）。
• 函数文本ID为“org.opencv.imgproc.filters.sepfilter”

参数

src	源图像。
目标深度	目标图像的所需深度（支持src.depth()和ddepth的以下组合 src.depth() = CV_8U, ddepth = -1/CV_16S/CV_32F/CV_64F src.depth() = CV_16U/CV_16S, ddepth = -1/CV_32F/CV_64F src.depth() = CV_32F, ddepth = -1/CV_32F/CV_64F src.depth() = CV_64F, ddepth = -1/CV_64F

当ddepth=-1时，输出图像将与源图像具有相同的深度）

参数

kernelX	用于过滤每一行的系数。
kernelY	用于过滤每一列的系数。
anchor	内核内的锚点位置。默认值 \((-1,-1)\) 表示锚点位于内核中心。
增量值	添加到过滤结果中的值，然后将其存储。
borderType	像素外推方法，参见 cv::BorderTypes
borderValue	在恒定边界类型的情况下为边界值

另请参见

boxFilter，gaussianBlur，medianBlur

Sobel()

GMat cv::gapi::Sobel	(	const GMat &	src,
		int	目标深度,
		int	dx,
		int	dy,
		int	ksize = 3,
		double	scale = 1,
		double	delta = 0,
		int	borderType = BORDER_DEFAULT,
		const Scalar &	borderValue = Scalar(0) )

Python
	cv.gapi.Sobel(	src, ddepth, dx, dy[, ksize[, scale[, delta[, borderType[, borderValue]]]]]	) ->	返回值

#include <opencv2/gapi/imgproc.hpp>

使用扩展的Sobel算子计算图像的一阶、二阶、三阶或混合导数。

在除一种情况外的所有情况下，都使用\(\texttt{ksize} \times \texttt{ksize}\)可分离内核来计算导数。当\(\texttt{ksize = 1}\)时，使用\(3 \times 1\)或\(1 \times 3\)内核（即，不进行高斯平滑）。ksize = 1只能用于第一次或第二次x或y导数。

还有一个特殊值ksize = FILTER_SCHARR (-1)，它对应于\(3\times3\) Scharr滤波器，它可能比\(3\times3\) Sobel给出更精确的结果。Scharr孔径为

\[\vecthreethree{-3}{0}{3}{-10}{0}{10}{-3}{0}{3}\]

用于x导数，或y导数的转置。

该函数通过将图像与适当的内核进行卷积来计算图像导数

\[\texttt{dst} = \frac{\partial^{xorder+yorder} \texttt{src}}{\partial x^{xorder} \partial y^{yorder}}\]

Sobel算子结合了高斯平滑和微分，因此结果或多或少地能抵抗噪声。大多数情况下，该函数以(xorder = 1, yorder = 0, ksize = 3)或(xorder = 0, yorder = 1, ksize = 3)调用，以计算第一x或y图像导数。第一种情况对应于以下内核：

\[\vecthreethree{-1}{0}{1}{-2}{0}{2}{-1}{0}{1}\]

第二种情况对应于以下内核：

\[\vecthreethree{-1}{-2}{-1}{0}{0}{0}{1}{2}{1}\]

注意

• 如果硬件支持，则进行四舍五入到最接近的偶数，否则四舍五入到最接近的数。
• 函数文本ID为“org.opencv.imgproc.filters.sobel”

参数

src	输入图像。
目标深度	输出图像深度，参见组合；对于8位输入图像，它将导致截断的导数。
dx	x导数的阶数。
dy	y导数的阶数。
ksize	扩展Sobel内核的大小；它必须是奇数。
缩放因子	计算导数值的可选比例因子；默认情况下，不应用缩放（有关详细信息，请参见cv::getDerivKernels）。
增量值	可选的delta值，在将它们存储到dst之前添加到结果中。
borderType	像素外推方法，参见 cv::BorderTypes
borderValue	在恒定边界类型的情况下为边界值

另请参见

filter2D，gaussianBlur，cartToPolar

SobelXY()

std::tuple< GMat, GMat > cv::gapi::SobelXY	(	const GMat &	src,
		int	目标深度,
		int	order,
		int	ksize = 3,
		double	scale = 1,
		double	delta = 0,
		int	borderType = BORDER_DEFAULT,
		const Scalar &	borderValue = Scalar(0) )

Python
	cv.gapi.SobelXY(	src, ddepth, order[, ksize[, scale[, delta[, borderType[, borderValue]]]]]	) ->	返回值

#include <opencv2/gapi/imgproc.hpp>

使用扩展的Sobel算子计算图像的一阶、二阶、三阶或混合导数。

在除一种情况外的所有情况下，都使用\(\texttt{ksize} \times \texttt{ksize}\)可分离内核来计算导数。当\(\texttt{ksize = 1}\)时，使用\(3 \times 1\)或\(1 \times 3\)内核（即，不进行高斯平滑）。ksize = 1只能用于第一次或第二次x或y导数。

还有一个特殊值ksize = FILTER_SCHARR (-1)，它对应于\(3\times3\) Scharr滤波器，它可能比\(3\times3\) Sobel给出更精确的结果。Scharr孔径为

\[\vecthreethree{-3}{0}{3}{-10}{0}{10}{-3}{0}{3}\]

用于x导数，或y导数的转置。

该函数通过将图像与适当的内核进行卷积来计算图像导数

\[\texttt{dst} = \frac{\partial^{xorder+yorder} \texttt{src}}{\partial x^{xorder} \partial y^{yorder}}\]

Sobel算子结合了高斯平滑和微分，因此结果或多或少地能抵抗噪声。大多数情况下，该函数以(xorder = 1, yorder = 0, ksize = 3)或(xorder = 0, yorder = 1, ksize = 3)调用，以计算第一x或y图像导数。第一种情况对应于以下内核：

\[\vecthreethree{-1}{0}{1}{-2}{0}{2}{-1}{0}{1}\]

第二种情况对应于以下内核：

\[\vecthreethree{-1}{-2}{-1}{0}{0}{0}{1}{2}{1}\]

注意

• 第一个返回的矩阵对应于dx导数，第二个对应于dy导数。
• 如果硬件支持，则进行四舍五入到最接近的偶数，否则四舍五入到最接近的数。
• 函数文本ID为“org.opencv.imgproc.filters.sobelxy”

参数

src	输入图像。
目标深度	输出图像深度，参见组合；对于8位输入图像，它将导致截断的导数。
order	导数的阶数。
ksize	扩展Sobel内核的大小；它必须是奇数。
缩放因子	计算导数值的可选比例因子；默认情况下，不应用缩放（有关详细信息，请参见cv::getDerivKernels）。
增量值	可选的delta值，在将它们存储到dst之前添加到结果中。
borderType	像素外推方法，参见 cv::BorderTypes
borderValue	在恒定边界类型的情况下为边界值

另请参见

filter2D，gaussianBlur，cartToPolar