实现 SLIC (Simple Linear Iterative Clustering) 超像素算法的类，该算法在 [1] 中进行了描述。更多...

#include <opencv2/ximgproc/slic.hpp>

cv::ximgproc::SuperpixelSLIC 的协作图

公共成员函数
virtual void	enforceLabelConnectivity (int min_element_size=25)=0
	强制标签连接性。

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

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

virtual int	getNumberOfSuperpixels () const =0
	计算给定分割上超像素的实际数量，该分割已计算并存储在 SuperpixelSLIC 对象中。

virtual void	iterate (int num_iterations=10)=0
	使用 SuperpixelSLIC 对象中的初始化参数，计算给定图像上的超像素分割。

从 cv::Algorithm 继承的公共成员函数
	Algorithm ()

virtual	~Algorithm ()

virtual void	clear ()
	清除算法状态。

virtual bool	empty () const
	如果 Algorithm 为空（例如，在最开始或读取失败后），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

其他继承的成员
从 cv::Algorithm 继承的静态公共成员函数
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 SLIC (Simple Linear Iterative Clustering) 超像素算法的类，该算法在 [1] 中进行了描述。

SLIC（简单线性迭代聚类）使用像素通道和图像平面空间来有效地生成紧凑、几乎均匀的超像素来聚类像素。该方法的简单性使其非常易于使用：一个单独的参数指定超像素的数量，并且算法的效率使其非常实用。 SLIC 类有几个优化：SLICO 代表“零参数 SLIC”，它是 [1] 中描述的基线 SLIC 的优化。 MSLIC 代表“流形 SLIC”，它是 [172] 中描述的基线 SLIC 的优化。

成员函数文档

◆ enforceLabelConnectivity()

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

纯虚函数

Python
	cv.ximgproc.SuperpixelSLIC.enforceLabelConnectivity(	[, min_element_size]	) ->	无

强制标签连接性。

参数

min_element_size 应吸收到更大的超像素中的最小元素大小（以百分比表示）。给定结果的平均超像素大小，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此组件。调用此函数可能会更改超像素的最终数量。

◆ getLabelContourMask()

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

纯虚函数

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

返回存储在 SuperpixelSLIC 对象中的超像素分割的掩码。

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将被屏蔽。

该函数返回超像素分割的边界。

◆ getLabels()

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

纯虚函数

Python
	cv.ximgproc.SuperpixelSLIC.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 整数数组，包含超像素分割的标签。标签的范围为 [0, getNumberOfSuperpixels()]。

该函数返回带有超像素分割标签的图像。标签的范围为 [0, getNumberOfSuperpixels()]。

◆ getNumberOfSuperpixels()

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

纯虚函数

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

计算给定分割上超像素的实际数量，该分割已计算并存储在 SuperpixelSLIC 对象中。

◆ iterate()

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

纯虚函数

Python
	cv.ximgproc.SuperpixelSLIC.iterate(	[, num_iterations]	) ->	无

使用 SuperpixelSLIC 对象中的初始化参数，计算给定图像上的超像素分割。

无需使用 createSuperpixelSLIC() 初始化算法，就可以再次调用此函数。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。迭代次数越多，结果越好。

该函数使用使用 createSuperpixelSLIC() 函数初始化的参数来计算图像的超像素分割。该算法从超像素网格开始，然后通过提出边缘边界的更新来细化边界。

此类文档由以下文件生成

opencv2/ximgproc/slic.hpp

公共成员函数

其他继承的成员

详细描述

成员函数文档

◆ enforceLabelConnectivity()

◆ getLabelContourMask()

◆ getLabels()

◆ getNumberOfSuperpixels()

◆ iterate()