java.lang.Object
- org.opencv.core.Algorithm
- - org.opencv.xfeatures2d.PCTSignatures

```
public class PCTSignatures
extends Algorithm
```
实现 PCT（位置-颜色-纹理）特征提取的类，如 CITE: KrulisLS16 中所述。该算法分为特征采样器和聚类器。特征采样器在给定的坐标集合处生成样本。然后，聚类器使用 k 均值算法生成这些样本的聚类。生成的聚类集合是输入图像的特征向量。特征向量是 SIGNATURE_DIMENSION 维点的数组。使用的维度是：权重、x、y 位置；lab 颜色、对比度、熵。 CITE: KrulisLS16 CITE: BeecksUS10

字段摘要

字段
修饰符和类型	字段	描述
`static int`	`GAUSSIAN`
`static int`	`HEURISTIC`
`static int`	`L_INFINITY`
`static int`	`L0_25`
`static int`	`L0_5`
`static int`	`L1`
`static int`	`L2`
`static int`	`L2SQUARED`
`static int`	`L5`
`static int`	`MINUS`
`static int`	`NORMAL`
`static int`	`REGULAR`
`static int`	`UNIFORM`

继承自类 org.opencv.core.Algorithm 的字段
nativeObj

构造函数摘要

构造函数
修饰符构造函数描述

protected PCTSignatures(long addr)

方法摘要

所有方法静态方法实例方法具体方法
修饰符和类型	方法	描述
`static PCTSignatures`	`__fromPtr__(long addr)`
`void`	`computeSignature(Mat image, Mat signature)`	计算给定图像的特征向量。
`void`	`computeSignatures(java.util.List<Mat> images, java.util.List<Mat> signatures)`	并行计算多个图像的特征向量。
`static PCTSignatures`	`create()`	使用样本数和种子数创建 PCTSignatures 算法。
`static PCTSignatures`	`create(int initSampleCount)`	使用样本数和种子数创建 PCTSignatures 算法。
`static PCTSignatures`	`create(int initSampleCount, int initSeedCount)`	使用样本数和种子数创建 PCTSignatures 算法。
`static PCTSignatures`	`create(int initSampleCount, int initSeedCount, int pointDistribution)`	使用样本数和种子数创建 PCTSignatures 算法。
`static PCTSignatures`	`create(MatOfPoint2f initSamplingPoints, int initSeedCount)`	使用预生成的采样点和聚类种子数创建 PCTSignatures 算法。
`static PCTSignatures`	`create(MatOfPoint2f initSamplingPoints, MatOfInt initClusterSeedIndexes)`	使用预生成的采样点和聚类种子索引创建 PCTSignatures 算法。
`static void`	`drawSignature(Mat source, Mat signature, Mat result)`	在源图像中绘制特征向量并输出结果。
`static void`	`drawSignature(Mat source, Mat signature, Mat result, float radiusToShorterSideRatio)`	在源图像中绘制特征向量并输出结果。
`static void`	`drawSignature(Mat source, Mat signature, Mat result, float radiusToShorterSideRatio, int borderThickness)`	在源图像中绘制特征向量并输出结果。
`protected void`	`finalize()`
`static void`	`generateInitPoints(MatOfPoint2f initPoints, int count, int pointDistribution)`	根据选择的点分布生成初始采样点。
`int`	`getClusterMinSize()`	此参数乘以迭代索引给出聚类大小的下限。
`int`	`getDistanceFunction()`	用于测量 k 均值中两点之间距离的距离函数选择器。
`float`	`getDropThreshold()`	删除 k 均值中权重小于或等于给定阈值的质心。
`int`	`getGrayscaleBits()`	以分配的位数表示的灰度位图的颜色分辨率（即，值 4 表示使用 16 个灰度）。
`int`	`getInitSeedCount()`	k 均值算法的初始种子数（初始聚类数）。
`MatOfInt`	`getInitSeedIndexes()`	k 均值算法的初始种子（初始聚类数）。
`int`	`getIterationCount()`	k 均值聚类的迭代次数。
`float`	`getJoiningDistance()`	两个质心之间的阈值欧几里得距离。
`int`	`getMaxClustersCount()`	生成的聚类最大数量。
`int`	`getSampleCount()`	从图像中获取的初始样本数。
`MatOfPoint2f`	`getSamplingPoints()`	从图像中获取的初始样本。
`float`	`getWeightA()`	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度）。
`float`	`getWeightB()`	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度）。
`float`	`getWeightContrast()`	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度）。
`float`	`getWeightEntropy()`	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度）。
`float`	`getWeightL()`	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度）。
`float`	`getWeightX()`	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度）。
`float`	`getWeightY()`	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度）。
`int`	`getWindowRadius()`	用于计算对比度和熵的纹理采样窗口的大小（窗口的中心始终位于相应特征样本的 x，y 坐标选择的像素中）。
`void`	`setClusterMinSize(int clusterMinSize)`	此参数乘以迭代索引给出聚类大小的下限。
`void`	`setDistanceFunction(int distanceFunction)`	用于测量 k 均值中两点之间距离的距离函数选择器。
`void`	`setDropThreshold(float dropThreshold)`	删除 k 均值中权重小于或等于给定阈值的质心。
`void`	`setGrayscaleBits(int grayscaleBits)`	以分配的位数表示的灰度位图的颜色分辨率（即，值 4 表示使用 16 个灰度）。
`void`	`setInitSeedIndexes(MatOfInt initSeedIndexes)`	k 均值算法的初始种子索引。
`void`	`setIterationCount(int iterationCount)`	k 均值聚类的迭代次数。
`void`	`setJoiningDistance(float joiningDistance)`	两个质心之间的阈值欧几里得距离。
`void`	`setMaxClustersCount(int maxClustersCount)`	生成的聚类最大数量。
`void`	`setSamplingPoints(MatOfPoint2f samplingPoints)`	设置用于对输入图像进行采样的采样点。
`void`	`setTranslation(int idx, float value)`	特征空间各个轴的平移。
`void`	`setTranslations(MatOfFloat translations)`	特征空间各个轴的平移。
`void`	`setWeight(int idx, float value)`	权重（乘法常数），线性拉伸特征空间的各个轴。
`void`	`setWeightA(float weight)`	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度）。
`void`	`setWeightB(float weight)`	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度）。
`void`	`setWeightContrast(float weight)`	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度）。
`void`	`setWeightEntropy(float weight)`	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度）。
`void`	`setWeightL(float weight)`	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度）。
`void`	`setWeights(MatOfFloat weights)`	权重（乘法常数），线性拉伸特征空间的各个轴。
`void`	`setWeightX(float weight)`	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度）。
`void`	`setWeightY(float weight)`	权重（乘法常数），线性拉伸特征空间的各个轴（x，y = 位置；L，a，b = CIE Lab 空间中的颜色；c = 对比度）。
`void`	`setWindowRadius(int radius)`	用于计算对比度和熵的纹理采样窗口的大小（窗口的中心始终位于相应特征样本的 x，y 坐标选择的像素中）。

继承自类 org.opencv.core.Algorithm的方法
clear，empty，getDefaultName，getNativeObjAddr，save

继承自类 java.lang.Object的方法
clone, equals, getClass, hashCode, notify, notifyAll, toString, wait, wait, wait

- 字段详情
  - L0_25
```
public static final int L0_25
```
    另请参阅
    
    常量字段值
  - L0_5
```
public static final int L0_5
```
    另请参阅
    
    常量字段值
  - L1
```
public static final int L1
```
    另请参阅
    
    常量字段值
  - L2
```
public static final int L2
```
    另请参阅
    
    常量字段值
  - L2SQUARED
```
public static final int L2SQUARED
```
    另请参阅
    
    常量字段值
  - L5
```
public static final int L5
```
    另请参阅
    
    常量字段值
  - L_INFINITY
```
public static final int L_INFINITY
```
    另请参阅
    
    常量字段值
  - UNIFORM
```
public static final int UNIFORM
```
    另请参阅
    
    常量字段值
  - REGULAR
```
public static final int REGULAR
```
    另请参阅
    
    常量字段值
  - NORMAL
```
public static final int NORMAL
```
    另请参阅
    
    常量字段值
  - MINUS
```
public static final int MINUS
```
    另请参阅
    
    常量字段值
  - GAUSSIAN
```
public static final int GAUSSIAN
```
    另请参阅
    
    常量字段值
  - HEURISTIC
```
public static final int HEURISTIC
```
    另请参阅
    
    常量字段值
- 构造函数详情
  - PCTSignatures
```
protected PCTSignatures(long addr)
```
- 方法详情
  - __fromPtr__
```
public static PCTSignatures __fromPtr__(long addr)
```
  - create
```
public static PCTSignatures create(int initSampleCount,
                                   int initSeedCount,
                                   int pointDistribution)
```
    使用样本数和种子数创建PCTSignatures算法。它生成自己的采样点集和聚类种子索引。
    
    参数
    
    initSampleCount - 用于图像采样的点数。
    
    initSeedCount - 初始聚类种子数。必须小于或等于initSampleCount
    
    pointDistribution - 生成的点的分布。默认值：UNIFORM。可用值：UNIFORM, REGULAR, NORMAL。
    
    返回值
    
    创建的算法。
  - create
```
public static PCTSignatures create(int initSampleCount,
                                   int initSeedCount)
```
    使用样本数和种子数创建PCTSignatures算法。它生成自己的采样点集和聚类种子索引。
    
    参数
    
    initSampleCount - 用于图像采样的点数。
    
    initSeedCount - 初始聚类种子数。必须小于或等于initSampleCount 可用值：UNIFORM, REGULAR, NORMAL。
    
    返回值
    
    创建的算法。
  - create
```
public static PCTSignatures create(int initSampleCount)
```
    使用样本数和种子数创建PCTSignatures算法。它生成自己的采样点集和聚类种子索引。
    
    参数
    
    initSampleCount - 用于图像采样的点数。必须小于或等于initSampleCount 可用值：UNIFORM, REGULAR, NORMAL。
    
    返回值
    
    创建的算法。
  - create
```
public static PCTSignatures create()
```
    使用样本数和种子数创建PCTSignatures算法。它生成自己的采样点集和聚类种子索引。必须小于或等于initSampleCount 可用值：UNIFORM, REGULAR, NORMAL。
    
    返回值
    
    创建的算法。
  - create
```
public static PCTSignatures create(MatOfPoint2f initSamplingPoints,
                                   int initSeedCount)
```
    使用预生成的采样点和聚类种子数创建PCTSignatures算法。它使用提供的采样点并生成自己的聚类种子索引。
    
    参数
    
    initSamplingPoints - 用于图像采样的采样点。
    
    initSeedCount - 初始聚类种子数。必须小于或等于initSamplingPoints.size()。
    
    返回值
    
    创建的算法。
  - create
```
public static PCTSignatures create(MatOfPoint2f initSamplingPoints,
                                   MatOfInt initClusterSeedIndexes)
```
    使用预生成的采样点和聚类种子索引创建 PCTSignatures 算法。
    
    参数
    
    initSamplingPoints - 用于图像采样的采样点。
    
    initClusterSeedIndexes - 初始聚类种子的索引。其大小必须小于或等于initSamplingPoints.size()。
    
    返回值
    
    创建的算法。
  - computeSignature
```
public void computeSignature(Mat image,
                             Mat signature)
```
    计算给定图像的特征向量。
    
    参数
    
    image - CV_8U类型的输入图像。
    
    signature - 计算出的输出特征向量。
  - computeSignatures
```
public void computeSignatures(java.util.List<Mat> images,
                              java.util.List<Mat> signatures)
```
    并行计算多个图像的特征向量。
    
    参数
    
    images - CV_8U类型的输入图像向量。
    
    signatures - 计算出的特征向量向量。
  - drawSignature
```
public static void drawSignature(Mat source,
                                 Mat signature,
                                 Mat result,
                                 float radiusToShorterSideRatio,
                                 int borderThickness)
```
    在源图像中绘制特征向量并输出结果。特征向量可视化为一个圆，其半径基于特征向量权重，颜色基于特征向量颜色。对比度和熵不进行可视化。
    
    参数
    
    source - 源图像。
    
    signature - 图像特征向量。
    
    result - 输出结果。
    
    radiusToShorterSideRatio - 确定输出图像中特征向量的最大半径。
    
    borderThickness - 可视化特征向量的边框粗细。
  - drawSignature
```
public static void drawSignature(Mat source,
                                 Mat signature,
                                 Mat result,
                                 float radiusToShorterSideRatio)
```
    在源图像中绘制特征向量并输出结果。特征向量可视化为一个圆，其半径基于特征向量权重，颜色基于特征向量颜色。对比度和熵不进行可视化。
    
    参数
    
    source - 源图像。
    
    signature - 图像特征向量。
    
    result - 输出结果。
    
    radiusToShorterSideRatio - 确定输出图像中特征向量的最大半径。
  - drawSignature
```
public static void drawSignature(Mat source,
                                 Mat signature,
                                 Mat result)
```
    在源图像中绘制特征向量并输出结果。特征向量可视化为一个圆，其半径基于特征向量权重，颜色基于特征向量颜色。对比度和熵不进行可视化。
    
    参数
    
    source - 源图像。
    
    signature - 图像特征向量。
    
    result - 输出结果。
  - generateInitPoints
```
public static void generateInitPoints(MatOfPoint2f initPoints,
                                      int count,
                                      int pointDistribution)
```
    根据选择的点分布生成初始采样点。
    
    参数
    
    initPoints - 将保存生成的点的输出向量。
    
    count - 要生成的点数。
    
    pointDistribution - 点分布选择器。可用值：UNIFORM, REGULAR, NORMAL。**注意：**生成的坐标范围为[0..1)
  - getSampleCount
```
public int getSampleCount()
```
    从图像中获取的初始样本数。
    
    返回值
    
    自动生成
  - getGrayscaleBits
```
public int getGrayscaleBits()
```
    以分配的位表示的灰度位图的颜色分辨率（例如，值4表示使用16种灰度）。灰度位图用于计算对比度和熵值。
    
    返回值
    
    自动生成
  - setGrayscaleBits
```
public void setGrayscaleBits(int grayscaleBits)
```
    以分配的位表示的灰度位图的颜色分辨率（例如，值4表示使用16种灰度）。灰度位图用于计算对比度和熵值。
    
    参数
    
    grayscaleBits - 自动生成
  - getWindowRadius
```
public int getWindowRadius()
```
    用于计算对比度和熵的纹理采样窗口的大小（窗口的中心始终位于相应特征样本的 x，y 坐标选择的像素中）。
    
    返回值
    
    自动生成
  - setWindowRadius
```
public void setWindowRadius(int radius)
```
    用于计算对比度和熵的纹理采样窗口的大小（窗口的中心始终位于相应特征样本的 x，y 坐标选择的像素中）。
    
    参数
    
    radius - 自动生成
  - getWeightX
```
public float getWeightX()
```
    权重（乘法常数），线性拉伸特征空间的各个轴 (x,y = 位置; L,a,b = CIE Lab空间的颜色; c = 对比度; e = 熵)
    
    返回值
    
    自动生成
  - setWeightX
```
public void setWeightX(float weight)
```
    权重（乘法常数），线性拉伸特征空间的各个轴 (x,y = 位置; L,a,b = CIE Lab空间的颜色; c = 对比度; e = 熵)
    
    参数
    
    weight - 自动生成
  - getWeightY
```
public float getWeightY()
```
    权重（乘法常数），线性拉伸特征空间的各个轴 (x,y = 位置; L,a,b = CIE Lab空间的颜色; c = 对比度; e = 熵)
    
    返回值
    
    自动生成
  - setWeightY
```
public void setWeightY(float weight)
```
    权重（乘法常数），线性拉伸特征空间的各个轴 (x,y = 位置; L,a,b = CIE Lab空间的颜色; c = 对比度; e = 熵)
    
    参数
    
    weight - 自动生成
  - getWeightL
```
public float getWeightL()
```
    权重（乘法常数），线性拉伸特征空间的各个轴 (x,y = 位置; L,a,b = CIE Lab空间的颜色; c = 对比度; e = 熵)
    
    返回值
    
    自动生成
  - setWeightL
```
public void setWeightL(float weight)
```
    权重（乘法常数），线性拉伸特征空间的各个轴 (x,y = 位置; L,a,b = CIE Lab空间的颜色; c = 对比度; e = 熵)
    
    参数
    
    weight - 自动生成
  - getWeightA
```
public float getWeightA()
```
    权重（乘法常数），线性拉伸特征空间的各个轴 (x,y = 位置; L,a,b = CIE Lab空间的颜色; c = 对比度; e = 熵)
    
    返回值
    
    自动生成
  - setWeightA
```
public void setWeightA(float weight)
```
    权重（乘法常数），线性拉伸特征空间的各个轴 (x,y = 位置; L,a,b = CIE Lab空间的颜色; c = 对比度; e = 熵)
    
    参数
    
    weight - 自动生成
  - getWeightB
```
public float getWeightB()
```
    权重（乘法常数），线性拉伸特征空间的各个轴 (x,y = 位置; L,a,b = CIE Lab空间的颜色; c = 对比度; e = 熵)
    
    返回值
    
    自动生成
  - setWeightB
```
public void setWeightB(float weight)
```
    权重（乘法常数），线性拉伸特征空间的各个轴 (x,y = 位置; L,a,b = CIE Lab空间的颜色; c = 对比度; e = 熵)
    
    参数
    
    weight - 自动生成
  - getWeightContrast
```
public float getWeightContrast()
```
    权重（乘法常数），线性拉伸特征空间的各个轴 (x,y = 位置; L,a,b = CIE Lab空间的颜色; c = 对比度; e = 熵)
    
    返回值
    
    自动生成
  - setWeightContrast
```
public void setWeightContrast(float weight)
```
    权重（乘法常数），线性拉伸特征空间的各个轴 (x,y = 位置; L,a,b = CIE Lab空间的颜色; c = 对比度; e = 熵)
    
    参数
    
    weight - 自动生成
  - getWeightEntropy
```
public float getWeightEntropy()
```
    权重（乘法常数），线性拉伸特征空间的各个轴 (x,y = 位置; L,a,b = CIE Lab空间的颜色; c = 对比度; e = 熵)
    
    返回值
    
    自动生成
  - setWeightEntropy
```
public void setWeightEntropy(float weight)
```
    权重（乘法常数），线性拉伸特征空间的各个轴 (x,y = 位置; L,a,b = CIE Lab空间的颜色; c = 对比度; e = 熵)
    
    参数
    
    weight - 自动生成
  - getSamplingPoints
```
public MatOfPoint2f getSamplingPoints()
```
    从图像中获取的初始样本。这些采样特征成为聚类的输入。
    
    返回值
    
    自动生成
  - setWeight
```
public void setWeight(int idx,
                      float value)
```
    权重（乘法常数），线性拉伸特征空间的各个轴。
    
    参数
    
    idx - 权重的ID
    
    value - 权重的值 **注意：**WEIGHT_IDX = 0; X_IDX = 1; Y_IDX = 2; L_IDX = 3; A_IDX = 4; B_IDX = 5; CONTRAST_IDX = 6; ENTROPY_IDX = 7;
  - setWeights
```
public void setWeights(MatOfFloat weights)
```
    权重（乘法常数），线性拉伸特征空间的各个轴。
    
    参数
    
    weights - 所有权重的值。 **注意：**WEIGHT_IDX = 0; X_IDX = 1; Y_IDX = 2; L_IDX = 3; A_IDX = 4; B_IDX = 5; CONTRAST_IDX = 6; ENTROPY_IDX = 7;
  - setTranslation
```
public void setTranslation(int idx,
                           float value)
```
    特征空间各个轴的平移。
    
    参数
    
    idx - 平移的ID
    
    value - 平移的值 **注意：**WEIGHT_IDX = 0; X_IDX = 1; Y_IDX = 2; L_IDX = 3; A_IDX = 4; B_IDX = 5; CONTRAST_IDX = 6; ENTROPY_IDX = 7;
  - setTranslations
```
public void setTranslations(MatOfFloat translations)
```
    特征空间各个轴的平移。
    
    参数
    
    translations - 所有平移的值。 **注意：**WEIGHT_IDX = 0; X_IDX = 1; Y_IDX = 2; L_IDX = 3; A_IDX = 4; B_IDX = 5; CONTRAST_IDX = 6; ENTROPY_IDX = 7;
  - setSamplingPoints
```
public void setSamplingPoints(MatOfPoint2f samplingPoints)
```
    设置用于对输入图像进行采样的采样点。
    
    参数
    
    samplingPoints - 范围在[0..1)内的采样点向量 **注意：**采样点数必须大于或等于聚类种子数。
  - getInitSeedIndexes
```
public MatOfInt getInitSeedIndexes()
```
    k 均值算法的初始种子（初始聚类数）。
    
    返回值
    
    自动生成
  - setInitSeedIndexes
```
public void setInitSeedIndexes(MatOfInt initSeedIndexes)
```
    k 均值算法的初始种子索引。
    
    参数
    
    initSeedIndexes - 自动生成
  - getInitSeedCount
```
public int getInitSeedCount()
```
    k 均值算法的初始种子数（初始聚类数）。
    
    返回值
    
    自动生成
  - getIterationCount
```
public int getIterationCount()
```
    k均值聚类的迭代次数。我们使用固定的迭代次数，因为修改后的聚类正在修剪聚类（不是迭代地细化k个聚类）。
    
    返回值
    
    自动生成
  - setIterationCount
```
public void setIterationCount(int iterationCount)
```
    k均值聚类的迭代次数。我们使用固定的迭代次数，因为修改后的聚类正在修剪聚类（不是迭代地细化k个聚类）。
    
    参数
    
    iterationCount - 自动生成
  - getMaxClustersCount
```
public int getMaxClustersCount()
```
    生成的聚类最大数量。如果超过此数量，则按其权重对聚类进行排序，并裁剪最小的聚类。
    
    返回值
    
    自动生成
  - setMaxClustersCount
```
public void setMaxClustersCount(int maxClustersCount)
```
    生成的聚类最大数量。如果超过此数量，则按其权重对聚类进行排序，并裁剪最小的聚类。
    
    参数
    
    maxClustersCount - 自动生成
  - getClusterMinSize
```
public int getClusterMinSize()
```
    setClusterMinSize
    
    返回值
    
    自动生成
  - 此参数乘以迭代索引给出聚类大小的下限。包含少于限制指定的点的聚类将被忽略其质心，并且点将被重新分配。
```
public void setClusterMinSize(int clusterMinSize)
```
    setClusterMinSize
    
    参数
    
    clusterMinSize - 自动生成
  - getJoiningDistance
```
public float getJoiningDistance()
```
    两个质心之间的阈值欧几里得距离。如果两个聚类中心之间的距离小于此距离，则忽略其中一个质心，并重新分配点。
    
    返回值
    
    自动生成
  - setJoiningDistance
```
public void setJoiningDistance(float joiningDistance)
```
    两个质心之间的阈值欧几里得距离。如果两个聚类中心之间的距离小于此距离，则忽略其中一个质心，并重新分配点。
    
    参数
    
    joiningDistance - 自动生成
  - getDropThreshold
```
public float getDropThreshold()
```
    删除 k 均值中权重小于或等于给定阈值的质心。
    
    返回值
    
    自动生成
  - setDropThreshold
```
public void setDropThreshold(float dropThreshold)
```
    删除 k 均值中权重小于或等于给定阈值的质心。
    
    参数
    
    dropThreshold - 自动生成
  - getDistanceFunction
```
public int getDistanceFunction()
```
    用于测量 k 均值中两点之间距离的距离函数选择器。
    
    返回值
    
    自动生成
  - setDistanceFunction
```
public void setDistanceFunction(int distanceFunction)
```
    k-means算法中用于测量两点之间距离的距离函数选择器。可用选项：L0_25, L0_5, L1, L2, L2SQUARED, L5, L_INFINITY。
    
    参数
    
    distanceFunction - 自动生成
  - finalize
```
protected void finalize()
                 throws java.lang.Throwable
```
    重写
    
    finalize 在类 Algorithm中
    
    抛出异常
    
    java.lang.Throwable

PCTSignatures 类

字段摘要

继承自类 org.opencv.core.Algorithm 的字段

构造函数摘要

方法摘要

继承自类 org.opencv.core.Algorithm的方法

继承自类 java.lang.Object的方法

字段详情

L0_25

L0_5

L1

L2

L2SQUARED

L5

L_INFINITY

UNIFORM

REGULAR

NORMAL

MINUS

GAUSSIAN

HEURISTIC

构造函数详情

PCTSignatures

方法详情

__fromPtr__

create

create

create

create

create

create

computeSignature

computeSignatures

drawSignature

drawSignature

drawSignature

generateInitPoints

getSampleCount

getGrayscaleBits

setGrayscaleBits

getWindowRadius

setWindowRadius

getWeightX

setWeightX

getWeightY

setWeightY

getWeightL

setWeightL

getWeightA

setWeightA

getWeightB

setWeightB

getWeightContrast

setWeightContrast

getWeightEntropy

setWeightEntropy

getSamplingPoints

setWeight

setWeights

setTranslation

setTranslations

setSamplingPoints

getInitSeedIndexes

setInitSeedIndexes

getInitSeedCount

getIterationCount

setIterationCount

getMaxClustersCount

setMaxClustersCount

getClusterMinSize

此参数乘以迭代索引给出聚类大小的下限。包含少于限制指定的点的聚类将被忽略其质心，并且点将被重新分配。

getJoiningDistance

setJoiningDistance

getDropThreshold

setDropThreshold

getDistanceFunction

setDistanceFunction

finalize

fromPtr