cv::gapi 命名空间参考

命名空间
命名空间	calib3d
	此命名空间包含 G-API 立体视觉和相关功能的运算类型。
命名空间	compound
命名空间	core
	此命名空间包含 OpenCV Core 模块功能的 G-API 运算类型。
命名空间	cpu
	此命名空间包含 G-API CPU 后端函数、结构和符号。
命名空间	fluid
	此命名空间包含 G-API Fluid 后端函数、结构和符号。
命名空间	ie
	此命名空间包含 G-API OpenVINO 后端函数、结构和符号。
命名空间	imgproc
	此命名空间包含 OpenCV ImgProc 模块功能的 G-API 运算类型。
命名空间	nn
命名空间	oak
命名空间	ocl
	此命名空间包含 G-API OpenCL 后端函数、结构和符号。
命名空间	onnx
	此命名空间包含 G-API ONNX Runtime 后端函数、结构和符号。
命名空间	ot
	此命名空间包含 VAS 对象跟踪模块功能的 G-API 运算类型。
命名空间	ov
	此命名空间包含 G-API OpenVINO 2.0 后端函数、结构和符号。
命名空间	own
	此命名空间包含 G-API 在其独立构建模式中使用的自有数据结构。
命名空间	plaidml
	此命名空间包含 G-API PlaidML 后端函数、结构和符号。
命名空间	python
	此命名空间包含 G-API Python 后端函数、结构和符号。
命名空间	渲染
	此命名空间包含 G-API CPU 渲染后端函数、结构和符号。详情请参阅G-API 绘图和合成功能。
命名空间	s11n
	此命名空间包含 G-API 序列化和反序列化函数及数据结构。
命名空间	streaming
	此命名空间包含与流式执行模式相关的 G-API 函数、结构和符号。
命名空间	video
	此命名空间包含用于视频导向算法（如光流和背景减除）的 G-API 操作和函数。
命名空间	wip
	此命名空间包含实验性的 G-API 功能，此命名空间中的函数或结构在未来版本中可能会更改或删除。此命名空间还包含 API 尚未稳定的函数。

类
结构体	Generic
	通用网络类型：输入和输出层在运行时动态配置。更多...
结构体	GNetPackage
	网络配置的容器类。类似于 GKernelPackage。使用 cv::gapi::networks() 构造此对象。更多...
结构体	KalmanParams
	卡尔曼滤波器的初始化参数结构。更多...
结构体	use_only
	cv::gapi::use_only() 是一个特殊的组合器，它提示 G-API 只使用 cv::GComputation::compile() 中指定的核（而不与该包扩展默认可用的核）。更多...

类型定义
using	GKernelPackage = cv::GKernelPackage

枚举
enum class	StereoOutputFormat (立体输出格式) {   DEPTH_FLOAT16 (深度_浮点16) ,   DEPTH_FLOAT32 (深度_浮点32) ,   DISPARITY_FIXED16_11_5 (视差_固定16_11_5) ,   DISPARITY_FIXED16_12_4 (视差_固定16_12_4) ,   DEPTH_16F = DEPTH_FLOAT16 , (深度_16F = 深度_浮点16 ,)   DEPTH_32F = DEPTH_FLOAT32 , (深度_32F = 深度_浮点32 ,)   DISPARITY_16Q_10_5 = DISPARITY_FIXED16_11_5 , (视差_16Q_10_5 = 视差_固定16_11_5 ,)   DISPARITY_16Q_11_4 = DISPARITY_FIXED16_12_4 (视差_16Q_11_4 = 视差_固定16_12_4) }

函数
GMat	absDiff (const GMat &src1, const GMat &src2)
	计算两个矩阵的逐元素绝对差。
GMat	absDiffC (const GMat &src, const GScalar &c)
	计算矩阵元素的绝对值。
GMat	add (const GMat &src1, const GMat &src2, int ddepth=-1)
	计算两个矩阵的逐元素和。
GMat	addC (const GMat &src1, const GScalar &c, int ddepth=-1)
	计算矩阵和给定标量的逐元素和。
GMat	addC (const GScalar &c, const GMat &src1, int ddepth=-1)
	这是一个重载成员函数，为方便起见提供。它与上述函数的区别仅在于其接受的参数。
GMat	addWeighted (const GMat &src1, double alpha, const GMat &src2, double beta, double gamma, int ddepth=-1)
	计算两个矩阵的加权和。
GMat	BackgroundSubtractor (const GMat &src, const cv::gapi::video::BackgroundSubtractorParams &bsParams)
	基于高斯混合或 K 最近邻的背景/前景分割算法。此操作生成前景掩膜。
GMat	BayerGR2RGB (const GMat &src_gr)
	将图像从 BayerGR 色彩空间转换为 RGB。此函数将输入图像从 BayerGR 色彩空间转换为 RGB。G、R 和 B 通道值的常规范围是 0 到 255。
GMat	BGR2Gray (const GMat &src)
	将图像从BGR色彩空间转换为灰度图像。
GMat	BGR2I420 (const GMat &src)
	将图像从 BGR 色彩空间转换为 I420 色彩空间。
GMat	BGR2LUV (const GMat &src)
	将图像从 BGR 色彩空间转换为 LUV 色彩空间。
GMat	BGR2RGB (const GMat &src)
	将图像从 BGR 色彩空间转换为 RGB 色彩空间。
GMat	BGR2YUV (const GMat &src)
	将图像从 BGR 色彩空间转换为 YUV 色彩空间。
GMat	bilateralFilter (const GMat &src, int d, double sigmaColor, double sigmaSpace, int borderType=BORDER_DEFAULT)
	对图像应用双边滤波。
cv::GRunArg	bind (cv::GRunArgP &out)
	将图执行期间可用的输出 GRunArgsP 封装为可序列化的 GRunArgs。
cv::GRunArgsP	bind (cv::GRunArgs &out_args)
	将反序列化的输出 GRunArgs 封装为可供 GCompiled 使用的 GRunArgsP。
GMat	bitwise_and (const GMat &src1, const GMat &src2)
	计算两个矩阵的按位合取 (src1 & src2)。计算两个相同大小矩阵的逐元素按位逻辑合取。
GMat	bitwise_and (const GMat &src1, const GScalar &src2)
GMat	bitwise_not (const GMat &src)
	反转数组的每个位。
GMat	bitwise_or (const GMat &src1, const GMat &src2)
	计算两个矩阵的按位析取 (src1 | src2)。计算两个相同大小矩阵的逐元素按位逻辑析取。
GMat	bitwise_or (const GMat &src1, const GScalar &src2)
GMat	bitwise_xor (const GMat &src1, const GMat &src2)
	计算两个矩阵的按位逻辑“异或” (src1 ^ src2)。计算两个相同大小矩阵的逐元素按位逻辑“异或”。
GMat	bitwise_xor (const GMat &src1, const GScalar &src2)
GMat	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。
GOpaque< Rect >	boundingRect (const GArray< Point2f > &src)
GOpaque< Rect >	boundingRect (const GArray< Point2i > &src)
GOpaque< Rect >	boundingRect (const GMat &src)
	计算点集或灰度图像非零像素的直立边界矩形。
GMat	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))
	使用方框滤波器模糊图像。
std::tuple< GArray< GMat >, GScalar >	buildOpticalFlowPyramid (const GMat &img, const Size &winSize, const GScalar &maxLevel, bool withDerivatives=true, int pyrBorder=BORDER_REFLECT_101, int derivBorder=BORDER_CONSTANT, bool tryReuseInputImage=true)
	构造可传递给 calcOpticalFlowPyrLK 的图像金字塔。
std::tuple< GArray< Point2f >, GArray< uchar >, GArray< float > >	calcOpticalFlowPyrLK (const GArray< GMat > &prevPyr, const GArray< GMat > &nextPyr, const GArray< Point2f > &prevPts, const GArray< Point2f > &predPts, const Size &winSize=Size(21, 21), const GScalar &maxLevel=3, const TermCriteria &criteria=TermCriteria(TermCriteria::COUNT|TermCriteria::EPS, 30, 0.01), int flags=0, double minEigThresh=1e-4)
std::tuple< GArray< Point2f >, GArray< uchar >, GArray< float > >	calcOpticalFlowPyrLK (const GMat &prevImg, const GMat &nextImg, const GArray< Point2f > &prevPts, const GArray< Point2f > &predPts, const Size &winSize=Size(21, 21), const GScalar &maxLevel=3, const TermCriteria &criteria=TermCriteria(TermCriteria::COUNT|TermCriteria::EPS, 30, 0.01), int flags=0, double minEigThresh=1e-4)
	使用具有金字塔的迭代 Lucas-Kanade 方法计算稀疏特征集的光流。
GMat	Canny (const GMat &image, double threshold1, double threshold2, int apertureSize=3, bool L2gradient=false)
	使用Canny算法在图像中查找边缘。
std::tuple< GMat, GMat >	cartToPolar (const GMat &x, const GMat &y, bool angleInDegrees=false)
	Calculates the magnitude and angle of 2D vectors.
GMat	cmpEQ (const GMat &src1, const GMat &src2)
	执行两个矩阵的逐元素比较，检查第一个矩阵的元素是否等于第二个矩阵中的元素。
GMat	cmpEQ (const GMat &src1, const GScalar &src2)
GMat	cmpGE (const GMat &src1, const GMat &src2)
	执行两个矩阵的逐元素比较，检查第一个矩阵的元素是否大于或等于第二个矩阵中的元素。
GMat	cmpGE (const GMat &src1, const GScalar &src2)
GMat	cmpGT (const GMat &src1, const GMat &src2)
	执行两个矩阵的逐元素比较，检查第一个矩阵的元素是否大于第二个矩阵中的元素。
GMat	cmpGT (const GMat &src1, const GScalar &src2)
GMat	cmpLE (const GMat &src1, const GMat &src2)
	执行两个矩阵的逐元素比较，检查第一个矩阵的元素是否小于或等于第二个矩阵中的元素。
GMat	cmpLE (const GMat &src1, const GScalar &src2)
GMat	cmpLT (const GMat &src1, const GMat &src2)
	执行两个矩阵的逐元素比较，检查第一个矩阵的元素是否小于第二个矩阵中的元素。
GMat	cmpLT (const GMat &src1, const GScalar &src2)
GMat	cmpNE (const GMat &src1, const GMat &src2)
	执行两个矩阵的逐元素比较，检查第一个矩阵的元素是否不等于第二个矩阵中的元素。
GMat	cmpNE (const GMat &src1, const GScalar &src2)
template<typename... Ps>
cv::GKernelPackage	combine (const cv::GKernelPackage &a, const cv::GKernelPackage &b, Ps &&... rest)
	将多个 G-API 核包组合成一个。
cv::GKernelPackage	combine (const cv::GKernelPackage &lhs, const cv::GKernelPackage &rhs)
GMat	concatHor (const GMat &src1, const GMat &src2)
	对给定矩阵进行水平连接。
GMat	concatHor (const std::vector< GMat > &v)
GMat	concatVert (const GMat &src1, const GMat &src2)
	对给定矩阵执行垂直连接。
GMat	concatVert (const std::vector< GMat > &v)
GMat	convertTo (const GMat &src, int rdepth, double alpha=1, double beta=0)
	将矩阵转换为另一种数据深度，并可选择缩放。
GFrame	copy (const GFrame &in)
	复制输入帧。请注意，此复制可能不是真实的（未实际复制数据）。使用此函数来维护图契约，例如当图的输入需要直接传递到输出时，如在流模式下。
GMat	copy (const GMat &in)
	复制输入图像。请注意，此复制可能不是真实的（未实际复制数据）。使用此函数来维护图契约，例如当图的输入需要直接传递到输出时，如在流模式下。
GOpaque< int >	countNonZero (const GMat &src)
	Counts non-zero array elements.
GMat	crop (const GMat &src, const Rect &rect)
	裁剪二维矩阵。
template<>
cv::GComputation	deserialize (const std::vector< char > &bytes)
	从字节数组反序列化 GComputation。
template<>
cv::GMetaArgs	deserialize (const std::vector< char > &bytes)
	从字节数组反序列化 GMetaArgs。
template<>
cv::GRunArgs	deserialize (const std::vector< char > &bytes)
	从字节数组反序列化 GRunArgs。
template<>
std::vector< std::string >	deserialize (const std::vector< char > &bytes)
	从字节数组反序列化 std::vector<std::string>。
template<typename T , typename... Types>
std::enable_if< std::is_same< T, GCompileArgs >::value, GCompileArgs >::type	deserialize (const std::vector< char > &bytes)
	从字节数组反序列化模板中指定类型的 GCompileArgs。
template<typename T , typename AtLeastOneAdapterT , typename... AdapterTypes>
std::enable_if< std::is_same< T, GRunArgs >::value, GRunArgs >::type	deserialize (const std::vector< char > &bytes)
	从字节数组反序列化 GRunArgs，包括 RMat 和 MediaFrame 对象（如果有）。
GMat	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对图像进行膨胀。
GMat	dilate3x3 (const GMat &src, int iterations=1, int borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())
	使用 3x3 矩形结构元素对图像进行膨胀。
GMat	div (const GMat &src1, const GMat &src2, double scale, int ddepth=-1)
	执行两个矩阵的逐元素除法。
GMat	divC (const GMat &src, const GScalar &divisor, double scale, int ddepth=-1)
	矩阵除以标量。
GMat	divRC (const GScalar &divident, const GMat &src, double scale, int ddepth=-1)
	标量除以矩阵。
GMat	equalizeHist (const GMat &src)
GMat	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对图像进行腐蚀。
GMat	erode3x3 (const GMat &src, int iterations=1, int borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())
	使用 3x3 矩形结构元素对图像进行腐蚀。
GMat	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))
	使用核函数对图像进行卷积。
GArray< GArray< Point > >	findContours (const GMat &src, const RetrievalModes mode, const ContourApproximationModes method)
GArray< GArray< Point > >	findContours (const GMat &src, const RetrievalModes mode, const ContourApproximationModes method, const GOpaque< Point > &offset)
	在二值图像中查找轮廓。
std::tuple< GArray< GArray< Point > >, GArray< Vec4i > >	findContoursH (const GMat &src, const RetrievalModes mode, const ContourApproximationModes method)
std::tuple< GArray< GArray< Point > >, GArray< Vec4i > >	findContoursH (const GMat &src, const RetrievalModes mode, const ContourApproximationModes method, const GOpaque< Point > &offset)
	在二值图像中查找轮廓及其层次结构。
GOpaque< Vec4f >	fitLine2D (const GArray< Point2d > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
GOpaque< Vec4f >	fitLine2D (const GArray< Point2f > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
GOpaque< Vec4f >	fitLine2D (const GArray< Point2i > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
GOpaque< Vec4f >	fitLine2D (const GMat &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
	将直线拟合到 2D 点集。
GOpaque< Vec6f >	fitLine3D (const GArray< Point3d > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
GOpaque< Vec6f >	fitLine3D (const GArray< Point3f > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
GOpaque< Vec6f >	fitLine3D (const GArray< Point3i > &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
GOpaque< Vec6f >	fitLine3D (const GMat &src, const DistanceTypes distType, const double param=0., const double reps=0., const double aeps=0.)
	将直线拟合到 3D 点集。
GMat	flip (const GMat &src, int flipCode)
	围绕垂直、水平或两个轴翻转二维矩阵。
GMat	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。
template<typename T >
cv::util::optional< T >	getCompileArg (const cv::GCompileArgs &args)
	从 cv::GCompileArgs 中按类型检索特定编译参数。
GArray< Point2f >	goodFeaturesToTrack (const GMat &image, int maxCorners, double qualityLevel, double minDistance, const Mat &mask=Mat(), int blockSize=3, bool useHarrisDetector=false, double k=0.04)
	检测图像中的强角点。
GMat	I4202BGR (const GMat &src)
	将图像从 I420 色彩空间转换为 BGR 色彩空间。
GMat	I4202RGB (const GMat &src)
	将图像从 I420 色彩空间转换为 BGR 色彩空间。
template<typename Net , typename... Args>
Net::Result	infer (Args &&... args)
	根据输入数据，计算指定网络（模板参数）的响应。
template<typename T = Generic>
cv::GInferListOutputs	infer (const std::string &tag, const cv::GArray< cv::Rect > &rois, const cv::GInferInputs &inputs)
	为源图像中的每个区域计算指定网络的响应。
template<typename T = Generic>
cv::GInferOutputs	infer (const std::string &tag, const cv::GInferInputs &inputs)
	计算通用网络的响应。
template<typename T = Generic>
cv::GInferOutputs	infer (const std::string &tag, const cv::GOpaque< cv::Rect > &roi, const cv::GInferInputs &inputs)
	为源图像中指定区域的通用网络计算响应。目前仅支持单输入网络。
template<typename Net , typename... Args>
Net::ResultL	infer (cv::GArray< cv::Rect > roi, Args &&... args)
	为源图像中每个区域的指定网络（模板参数）计算响应。
template<typename Net , typename T >
Net::Result	infer (cv::GOpaque< cv::Rect > roi, T in)
	为源图像中指定区域的指定网络（模板参数）计算响应。目前仅支持单输入网络。
template<typename T = Generic, typename Input >
std::enable_if< cv::detail::accepted_infer__types< Input >::value, cv::GInferListOutputs >::type	infer2 (const std::string &tag, const Input &in, const cv::GInferListInputs &inputs)
	为源图像中的每个区域计算指定网络的响应，扩展版本。
template<typename Net , typename T , typename... Args>
Net::ResultL	infer2 (T image, cv::GArray< Args >... args)
	为源图像中的每个区域计算指定网络（模板参数）的响应，扩展版本。
GMat	inRange (const GMat &src, const GScalar &threshLow, const GScalar &threshUp)
	对每个矩阵元素应用范围阈值。
std::tuple< GMat, GMat >	integral (const GMat &src, int sdepth=-1, int sqdepth=-1)
	计算图像的积分。
void	island (const std::string &name, GProtoInputArgs &&ins, GProtoOutputArgs &&outs)
	在计算中定义一个带标签的岛屿（子图）。
GMat	KalmanFilter (const GMat &measurement, const GOpaque< bool > &haveMeasurement, const cv::gapi::KalmanParams &kfParams)
GMat	KalmanFilter (const GMat &measurement, const GOpaque< bool > &haveMeasurement, const GMat &control, const cv::gapi::KalmanParams &kfParams)
	标准卡尔曼滤波算法 http://en.wikipedia.org/wiki/Kalman_filter。
template<typename... KK>
GKernelPackage	kernels ()
	创建一个包含变参模板参数中指定的核和转换的核包对象。
template<typename... FF>
GKernelPackage	kernels (FF &... functors)
std::tuple< GOpaque< double >, GArray< int >, GArray< Point2f > >	kmeans (const GArray< Point2f > &data, const int K, const GArray< int > &bestLabels, const TermCriteria &criteria, const int attempts, const KmeansFlags flags)
std::tuple< GOpaque< double >, GArray< int >, GArray< Point3f > >	kmeans (const GArray< Point3f > &data, const int K, const GArray< int > &bestLabels, const TermCriteria &criteria, const int attempts, const KmeansFlags flags)
std::tuple< GOpaque< double >, GMat, GMat >	kmeans (const GMat &data, const int K, const GMat &bestLabels, const TermCriteria &criteria, const int attempts, const KmeansFlags flags)
	查找聚类中心并将输入样本围绕聚类分组。
std::tuple< GOpaque< double >, GMat, GMat >	kmeans (const GMat &data, const int K, const TermCriteria &criteria, const int attempts, const KmeansFlags flags)
GMat	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	LUT (const GMat &src, const Mat &lut)
	对矩阵执行查找表转换。
GMat	LUV2BGR (const GMat &src)
	将图像从 LUV 色彩空间转换为 BGR 色彩空间。
GMat	mask (const GMat &src, const GMat &mask)
	将掩码应用于矩阵。
GMat	max (const GMat &src1, const GMat &src2)
	计算两个矩阵的逐元素最大值。
GScalar	mean (const GMat &src)
	计算矩阵元素的平均值。
GMat	medianBlur (const GMat &src, int ksize)
	使用中值滤波器模糊图像。
GMat	merge3 (const GMat &src1, const GMat &src2, const GMat &src3)
	从3个单通道矩阵创建一个3通道矩阵。
GMat	merge4 (const GMat &src1, const GMat &src2, const GMat &src3, const GMat &src4)
	将 4 个单通道矩阵合并为一个 4 通道矩阵。
GMat	min (const GMat &src1, const GMat &src2)
	计算两个矩阵的逐元素最小值。
GMat	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	mul (const GMat &src1, const GMat &src2, double scale=1.0, int ddepth=-1)
	计算两个矩阵的逐元素缩放积。
GMat	mulC (const GMat &src, const GScalar &multiplier, int ddepth=-1)
	这是一个重载成员函数，为方便起见提供。它与上述函数的区别仅在于其接受的参数。
GMat	mulC (const GMat &src, double multiplier, int ddepth=-1)
	矩阵乘以标量。
GMat	mulC (const GScalar &multiplier, const GMat &src, int ddepth=-1)
	这是一个重载成员函数，为方便起见提供。它与上述函数的区别仅在于其接受的参数。
template<typename... Args>
cv::gapi::GNetPackage	networks (Args &&... args)
GMat	normalize (const GMat &src, double alpha, double beta, int norm_type, int ddepth=-1)
	对数组的范数或值范围进行归一化。
GScalar	normInf (const GMat &src)
	计算矩阵的绝对无穷范数。
GScalar	normL1 (const GMat &src)
	计算矩阵的绝对 L1 范数。
GScalar	normL2 (const GMat &src)
	计算矩阵的绝对 L2 范数。
GMat	NV12toBGR (const GMat &src_y, const GMat &src_uv)
	将图像从 NV12 (YUV420p) 色彩空间转换为 BGR。此函数将输入图像从 NV12 色彩空间转换为 RGB。Y、U 和 V 通道值的常规范围是 0 到 255。
GMatP	NV12toBGRp (const GMat &src_y, const GMat &src_uv)
	将图像从 NV12 (YUV420p) 色彩空间转换为 BGR。此函数将输入图像从 NV12 色彩空间转换为 BGR。Y、U 和 V 通道值的常规范围是 0 到 255。
GMat	NV12toGray (const GMat &src_y, const GMat &src_uv)
	将图像从 NV12 (YUV420p) 色彩空间转换为灰度。此函数将输入图像从 NV12 色彩空间转换为灰度。Y、U 和 V 通道值的常规范围是 0 到 255。
GMat	NV12toRGB (const GMat &src_y, const GMat &src_uv)
	将图像从 NV12 (YUV420p) 色彩空间转换为 RGB。此函数将输入图像从 NV12 色彩空间转换为 RGB。Y、U 和 V 通道值的常规范围是 0 到 255。
GMatP	NV12toRGBp (const GMat &src_y, const GMat &src_uv)
	将图像从 NV12 (YUV420p) 色彩空间转换为 RGB。此函数将输入图像从 NV12 色彩空间转换为 RGB。Y、U 和 V 通道值的常规范围是 0 到 255。
bool	operator!= (const GBackend &lhs, const GBackend &rhs)
cv::gapi::GNetPackage &	operator+= (cv::gapi::GNetPackage &lhs, const cv::gapi::GNetPackage &rhs)
GArray< Rect >	parseSSD (const GMat &in, const GOpaque< Size > &inSz, const float confidenceThreshold, const bool alignmentToSquare, const bool filterOutOfBounds)
	解析 SSD 网络的输出。
std::tuple< GArray< Rect >, GArray< int > >	parseSSD (const GMat &in, const GOpaque< Size > &inSz, const float confidenceThreshold=0.5f, const int filterLabel=-1)
	解析 SSD 网络的输出。
std::tuple< GArray< Rect >, GArray< int > >	parseYolo (const GMat &in, const GOpaque< Size > &inSz, const float confidenceThreshold=0.5f, const float nmsThreshold=0.5f, const std::vector< float > &anchors=nn::parsers::GParseYolo::defaultAnchors())
	解析 Yolo 网络的输出。
GMat	phase (const GMat &x, const GMat &y, bool angleInDegrees=false)
	计算二维向量的旋转角度。
std::tuple< GMat, GMat >	polarToCart (const GMat &magnitude, const GMat &angle, bool angleInDegrees=false)
	从 2D 向量的幅度和角度计算其 x 和 y 坐标。
GMat	remap (const GMat &src, const Mat &map1, const Mat &map2, int interpolation, int borderMode=BORDER_CONSTANT, const Scalar &borderValue=Scalar())
	对图像应用通用几何变换。
GMat	resize (const GMat &src, const Size &dsize, double fx=0, double fy=0, int interpolation=INTER_LINEAR)
	调整图像大小。
GMatP	resizeP (const GMatP &src, const Size &dsize, int interpolation=cv::INTER_LINEAR)
	调整平面图像大小。
GMat	RGB2Gray (const GMat &src)
	将图像从 RGB 色彩空间转换为灰度。
GMat	RGB2Gray (const GMat &src, float rY, float gY, float bY)
GMat	RGB2HSV (const GMat &src)
	将图像从 RGB 色彩空间转换为 HSV。此函数将输入图像从 RGB 色彩空间转换为 HSV。R、G 和 B 通道值的常规范围是 0 到 255。
GMat	RGB2I420 (const GMat &src)
	将图像从 RGB 色彩空间转换为 I420 色彩空间。
GMat	RGB2Lab (const GMat &src)
	将图像从 RGB 色彩空间转换为 Lab 色彩空间。
GMat	RGB2YUV (const GMat &src)
	将图像从 RGB 色彩空间转换为 YUV 色彩空间。
GMat	RGB2YUV422 (const GMat &src)
	将图像从 RGB 色彩空间转换为 YUV422。此函数将输入图像从 RGB 色彩空间转换为 YUV422。R、G 和 B 通道值的常规范围是 0 到 255。
GMat	select (const GMat &src1, const GMat &src2, const GMat &mask)
	根据给定掩膜从第一个或第二个输入矩阵中选择值。如果掩膜矩阵的对应值为 255，则函数将输出矩阵设置为第一个输入矩阵的值；如果掩膜矩阵的值设置为 0，则设置为第二个输入矩阵的值。
GMat	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))
	对矩阵（图像）应用可分离线性滤波器。
std::vector< char >	serialize (const cv::GCompileArgs &ca)
std::vector< char >	serialize (const cv::GComputation &c)
	将 GComputation 表示的图序列化为字节数组。
std::vector< char >	serialize (const cv::GMetaArgs &ma)
std::vector< char >	serialize (const cv::GRunArgs &ra)
std::vector< char >	serialize (const std::vector< std::string > &vs)
GMat	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 运算符计算图像的一阶、二阶、三阶或混合导数。
std::tuple< GMat, GMat >	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 运算符计算图像的一阶、二阶、三阶或混合导数。
std::tuple< GMat, GMat, GMat >	split3 (const GMat &src)
	将3通道矩阵分成3个单通道矩阵。
std::tuple< GMat, GMat, GMat, GMat >	split4 (const GMat &src)
	将一个4通道矩阵分割成4个单通道矩阵。
GMat	sqrt (const GMat &src)
	计算数组元素的平方根。
GMat	stereo (const GMat &left, const GMat &right, const StereoOutputFormat of=StereoOutputFormat::DEPTH_FLOAT32)
	计算指定立体对的视差/深度图。该函数根据传入的StereoOutputFormat参数计算视差或深度图。
GMat	sub (const GMat &src1, const GMat &src2, int ddepth=-1)
	计算两个矩阵的逐元素差值。
GMat	subC (const GMat &src, const GScalar &c, int ddepth=-1)
	计算矩阵与给定标量之间的逐元素差值。
GMat	subRC (const GScalar &c, const GMat &src, int ddepth=-1)
	计算给定标量与矩阵之间的逐元素差值。
GScalar	sum (const GMat &src)
	计算所有矩阵元素的总和。
std::tuple< GMat, GScalar >	threshold (const GMat &src, const GScalar &maxval, int type)
GMat	threshold (const GMat &src, const GScalar &thresh, const GScalar &maxval, int type)
	对每个矩阵元素应用固定级别的阈值。
GMat	transpose (const GMat &src)
	转置矩阵。
GMat	warpAffine (const GMat &src, const Mat &M, const Size &dsize, int flags=cv::INTER_LINEAR, int borderMode=cv::BORDER_CONSTANT, const Scalar &borderValue=Scalar())
	对图像应用仿射变换。
GMat	warpPerspective (const GMat &src, const Mat &M, const Size &dsize, int flags=cv::INTER_LINEAR, int borderMode=cv::BORDER_CONSTANT, const Scalar &borderValue=Scalar())
	对图像应用透视变换。
GMat	YUV2BGR (const GMat &src)
	将图像从YUV色彩空间转换为BGR色彩空间。
GMat	YUV2RGB (const GMat &src)
	将图像从YUV色彩空间转换为RGB。此函数将输入图像从YUV色彩空间转换为RGB。Y、U和V通道值的常规范围是0到255。

类型定义文档

GKernelPackage

using cv::gapi::GKernelPackage = cv::GKernelPackage

枚举类型文档

StereoOutputFormat

enum class cv::gapi::StereoOutputFormat

strong

此枚举指定从cv::gapi::stereo获得的L结果格式。

枚举器
DEPTH_FLOAT16	16位浮点值，CV_16FC1。此标识符已弃用，请改用DEPTH_16F。
DEPTH_FLOAT32	32位浮点值，CV_32FC1。此标识符已弃用，请改用DEPTH_16F。
DISPARITY_FIXED16_11_5	16位有符号数：第一位表示符号，10位表示整数部分，5位表示小数部分。此标识符已弃用，请改用DISPARITY_16Q_10_5。
DISPARITY_FIXED16_12_4	16位有符号数：第一位表示符号，11位表示整数部分，4位表示小数部分。此标识符已弃用，请改用DISPARITY_16Q_11_4。
DEPTH_16F	与DEPTH_FLOAT16相同。
DEPTH_32F	与DEPTH_FLOAT32相同。
DISPARITY_16Q_10_5	与DISPARITY_FIXED16_11_5相同。
DISPARITY_16Q_11_4	与DISPARITY_FIXED16_12_4相同。

函数文档

combine() [1/2]

template<typename... Ps>

cv::GKernelPackage cv::gapi::combine	(	const cv::GKernelPackage &	a,
		const cv::GKernelPackage &	b,
		Ps &&...	rest )

Python
	cv.gapi.combine(	lhs, rhs	) ->	retval

将多个 G-API 核包组合成一个。

这是一个重载成员函数，为方便起见提供。它与上述函数的区别仅在于其接受的参数。

此函数使用右折叠（right fold）连续组合传入的内核包。调用 combine(a, b, c) 等同于 combine(a, combine(b, c))。

返回

结果内核包

此函数的调用图如下

combine() [2/2]

cv::GKernelPackage cv::gapi::combine	(	const cv::GKernelPackage &	lhs,
		const cv::GKernelPackage &	rhs )

Python
	cv.gapi.combine(	lhs, rhs	) ->	retval

deserialize() [1/3]

template<>

cv::GMetaArgs cv::gapi::deserialize ( const std::vector< char > & bytes )

inline

从字节数组反序列化 GMetaArgs。

检查不同的重载以获取更多示例。

参数

bytes

序列化的字节向量。

返回

反序列化的GMetaArgs对象。

deserialize() [2/3]

template<>

cv::GRunArgs cv::gapi::deserialize ( const std::vector< char > & bytes )

inline

从字节数组反序列化 GRunArgs。

检查不同的重载以获取更多示例。

参数

bytes

序列化的字节向量。

返回

反序列化的GRunArgs对象。

deserialize() [3/3]

template<>

std::vector< std::string > cv::gapi::deserialize ( const std::vector< char > & bytes )

inline

从字节数组反序列化 std::vector<std::string>。

检查不同的重载以获取更多示例。

参数

bytes

序列化的字节向量。

返回

反序列化的std::vector<std::string>对象。

equalizeHist()

GMat cv::gapi::equalizeHist

(

const GMat &

src

)

Python
	cv.gapi.equalizeHist(	src	) ->	retval

gapi_feature

此函数使用以下算法均衡输入图像的直方图：

• 计算src的直方图\(H\)。
• 归一化直方图，使直方图 bin 的总和为255。
• 计算直方图的积分

  \[H'_i = \sum _{0 \le j < i} H(j)\]

• 使用 \(H'\) 作为查找表变换图像： \(\texttt{dst}(x,y) = H'(\texttt{src}(x,y))\)

该算法可对图像亮度进行归一化并增强对比度。

注意

• 返回的图像与输入图像大小和类型相同。
• 函数文本ID为 "org.opencv.imgproc.equalizeHist"

参数

src

源8位单通道图像。

getCompileArg()

template<typename T >

cv::util::optional< T > cv::gapi::getCompileArg ( const cv::GCompileArgs & args )

inline

从 cv::GCompileArgs 中按类型检索特定编译参数。

infer() [1/6]

template<typename Net , typename... Args>

Net::Result cv::gapi::infer

(

Args &&...

args

)

Python
	cv.gapi.infer(	name, inputs	) ->	retval
	cv.gapi.infer(	name, roi, inputs	) ->	retval
	cv.gapi.infer(	name, rois, inputs	) ->	retval

根据输入数据，计算指定网络（模板参数）的响应。

模板参数

A	使用G_API_NET()宏定义的网络类型。

参数

args	在G_API_NET()宏中指定的网络输入参数。

返回

在G_API_NET()中定义的返回类型对象。如果网络有多个返回值（使用元组定义），则返回相应类型的对象元组。

另请参见

G_API_NET()

infer() [2/6]

template<typename T = Generic>

cv::GInferListOutputs cv::gapi::infer	(	const std::string &	tag,
		const cv::GArray< cv::Rect > &	rois,
		const cv::GInferInputs &	inputs )

Python
	cv.gapi.infer(	name, inputs	) ->	retval
	cv.gapi.infer(	name, roi, inputs	) ->	retval
	cv.gapi.infer(	name, rois, inputs	) ->	retval

为源图像中的每个区域计算指定网络的响应。

参数

tag	网络标签
rois	描述源图像中感兴趣区域的矩形列表。通常是对象检测器或跟踪器的输出。
inputs	网络的输入

返回

一个cv::GInferListOutputs对象。

此函数的调用图如下

infer() [3/6]

template<typename T = Generic>

cv::GInferOutputs cv::gapi::infer	(	const std::string &	tag,
		const cv::GInferInputs &	inputs )

Python
	cv.gapi.infer(	name, inputs	) ->	retval
	cv.gapi.infer(	name, roi, inputs	) ->	retval
	cv.gapi.infer(	name, rois, inputs	) ->	retval

计算通用网络的响应。

参数

tag	网络标签
inputs	网络的输入

返回

一个GInferOutputs对象。

此函数的调用图如下

infer() [4/6]

template<typename T = Generic>

cv::GInferOutputs cv::gapi::infer	(	const std::string &	tag,
		const cv::GOpaque< cv::Rect > &	roi,
		const cv::GInferInputs &	inputs )

Python
	cv.gapi.infer(	name, inputs	) ->	retval
	cv.gapi.infer(	name, roi, inputs	) ->	retval
	cv.gapi.infer(	name, rois, inputs	) ->	retval

为源图像中指定区域的通用网络计算响应。目前仅支持单输入网络。

参数

tag	网络标签
roi	一个描述源图像中感兴趣区域的对象。可能在同一图中动态计算。
inputs	网络的输入

返回

一个cv::GInferOutputs对象。

此函数的调用图如下

infer() [5/6]

template<typename Net , typename... Args>

Net::ResultL cv::gapi::infer	(	cv::GArray< cv::Rect >	roi,
		Args &&...	args )

Python
	cv.gapi.infer(	name, inputs	) ->	retval
	cv.gapi.infer(	name, roi, inputs	) ->	retval
	cv.gapi.infer(	name, rois, inputs	) ->	retval

为源图像中每个区域的指定网络（模板参数）计算响应。

模板参数

A	使用G_API_NET()宏定义的网络类型。

参数

roi	描述源图像中感兴趣区域的矩形列表。通常是对象检测器或跟踪器的输出。
args	G_API_NET()宏中指定的网络输入参数。注意：经验证，仅在1输入拓扑结构下可靠工作。

返回

G_API_NET()中定义的返回类型对象列表。如果网络有多个返回值（使用元组定义），则返回一个GArray<>对象元组，其中包含适当的类型。

另请参见

G_API_NET()

infer() [6/6]

template<typename Net , typename T >

Net::Result cv::gapi::infer	(	cv::GOpaque< cv::Rect >	roi,
		T	in )

Python
	cv.gapi.infer(	name, inputs	) ->	retval
	cv.gapi.infer(	name, roi, inputs	) ->	retval
	cv.gapi.infer(	name, rois, inputs	) ->	retval

为源图像中指定区域的指定网络（模板参数）计算响应。目前仅支持单输入网络。

模板参数

A	使用G_API_NET()宏定义的网络类型。

参数

in	从中获取ROI的输入图像。
roi	一个描述源图像中感兴趣区域的对象。可能在同一图中动态计算。

返回

在G_API_NET()中定义的返回类型对象。如果网络有多个返回值（使用元组定义），则返回相应类型的对象元组。

另请参见

G_API_NET()

infer2() [1/2]

template<typename T = Generic, typename Input >

std::enable_if< cv::detail::accepted_infer__types< Input >::value, cv::GInferListOutputs >::type cv::gapi::infer2	(	const std::string &	tag,
		const Input &	in,
		const cv::GInferListInputs &	inputs )

Python
	cv.gapi.infer2(	name, in_, inputs	) ->	retval

为源图像中的每个区域计算指定网络的响应，扩展版本。

参数

tag	网络标签
in	包含感兴趣区域的源图像。
inputs	网络的输入

返回

一个cv::GInferListOutputs对象。

此函数的调用图如下

infer2() [2/2]

template<typename Net , typename T , typename... Args>

Net::ResultL cv::gapi::infer2	(	T	image,
		cv::GArray< Args >...	args )

Python
	cv.gapi.infer2(	name, in_, inputs	) ->	retval

为源图像中的每个区域计算指定网络（模板参数）的响应，扩展版本。

模板参数

A	使用G_API_NET()宏定义的网络类型。

参数

image	包含感兴趣区域的源图像
args	cv::Rect 或 cv::GMat 的 GArray<> 对象，每个网络输入对应一个 如果传入一个 `cv::GArray`，则从图像中取出相应的区域并预处理到此特定网络输入； 如果传入一个 `cv::GArray`，则底层数据被视为张量（不发生自动预处理）。

返回

G_API_NET()中定义的返回类型对象列表。如果网络有多个返回值（使用元组定义），则返回一个GArray<>对象元组，其中包含适当的类型。

另请参见

G_API_NET()

island()

void cv::gapi::island	(	const std::string &	name,
		GProtoInputArgs &&	ins,
		GProtoOutputArgs &&	outs )

在计算中定义一个带标签的岛屿（子图）。

声明一个以name标记的Island，其定义范围从ins到outs（不包括ins和outs本身，因为它们是数据对象，区域划分在操作级别进行）。如果ins和outs之间的任何操作已被分配给另一个island，则抛出异常。

Island 允许将图划分为子图，从而微调底层执行器调度图的方式。

参数

name	要创建的Island的名称
ins	子图开始的输入数据对象向量
outs	子图结束的输出数据对象向量。

定义island的方式类似于在输入/输出数据对象上定义cv::GComputation的方式。相同的规则也适用于此——如果输入和输出之间没有函数依赖关系，或者没有指定足够的输入数据对象来正确计算所有输出，则会抛出异常。

使用cv::GIn() / cv::GOut()指定输入/输出向量。

kmeans() [1/4]

std::tuple< GOpaque< double >, GArray< int >, GArray< Point2f > > cv::gapi::kmeans	(	const GArray< Point2f > &	data,
		const int	输入的相机内参矩阵。,
		const GArray< int > &	bestLabels,
		const TermCriteria &	criteria,
		const int	尝试次数,
		const KmeansFlags	flags )

Python
	cv.gapi.kmeans(	data, K, bestLabels, criteria, attempts, flags	) ->	retval
	cv.gapi.kmeans(	data, K, criteria, attempts, flags	) ->	retval

这是一个重载成员函数，为方便起见提供。它与上述函数的区别仅在于其接受的参数。

注意

函数文本ID为 "org.opencv.core.kmeans2D"

kmeans() [2/4]

std::tuple< GOpaque< double >, GArray< int >, GArray< Point3f > > cv::gapi::kmeans	(	const GArray< Point3f > &	data,
		const int	输入的相机内参矩阵。,
		const GArray< int > &	bestLabels,
		const TermCriteria &	criteria,
		const int	尝试次数,
		const KmeansFlags	flags )

Python
	cv.gapi.kmeans(	data, K, bestLabels, criteria, attempts, flags	) ->	retval
	cv.gapi.kmeans(	data, K, criteria, attempts, flags	) ->	retval

这是一个重载成员函数，为方便起见提供。它与上述函数的区别仅在于其接受的参数。

注意

函数文本ID为 "org.opencv.core.kmeans3D"

kmeans() [3/4]

std::tuple< GOpaque< double >, GMat, GMat > cv::gapi::kmeans	(	const GMat &	data,
		const int	输入的相机内参矩阵。,
		const GMat &	bestLabels,
		const TermCriteria &	criteria,
		const int	尝试次数,
		const KmeansFlags	flags )

Python
	cv.gapi.kmeans(	data, K, bestLabels, criteria, attempts, flags	) ->	retval
	cv.gapi.kmeans(	data, K, criteria, attempts, flags	) ->	retval

查找聚类中心并将输入样本围绕聚类分组。

kmeans函数实现了一个k-means算法，该算法找到K个聚类的中心并将输入样本分组到这些聚类周围。作为输出，\(\texttt{bestLabels}_i\) 包含第\(i\)个样本的基于0的聚类索引。

注意

• 函数文本ID为 "org.opencv.core.kmeansND"
• 在给定N维点集的情况下，输入GMat可以具有以下特性：2维，如果存在N个通道则为单行或单列，如果为单通道则为N列。Mat的深度应为CV_32F。
• 此外，如果传入的数据GMat的高度 != 1、宽度 != 1、通道数 != 1，则n维样本被视为以A的数量给出，其中A = 高度，n = 宽度 * 通道数。
• 如果GMat作为数据给出
  • 输出标签以1通道GMat返回，其大小为：宽度 = 1，高度 = A（其中A为样本数量），或者如果提供了bestLabels，则宽度 = bestLabels.width，高度 = bestLabels.height；
  • 聚类中心以1通道GMat返回，其大小为：宽度 = n，高度 = K（其中n为样本维度，K为聚类数量）。
• 作为可能的用法之一，如果你想自己控制每次尝试的初始标签，你可以只使用函数的核心功能。为此，将尝试次数设置为1，每次使用自定义算法初始化标签，并使用（ flags = KMEANS_USE_INITIAL_LABELS ）标志传递它们，然后选择最佳（最紧凑）的聚类。

参数

data	用于聚类的数据。需要一个具有浮点坐标的N维点数组。函数可以接受 GArray<Point2f>、GArray<Point3f> 用于2D和3D情况，或 GMat 用于任何维度和通道。
输入的相机内参矩阵。	将集合分割成的簇的数量。
bestLabels	可选的输入整数数组，可存储每个样本的假定初始聚类索引。当设置 ( flags = KMEANS_USE_INITIAL_LABELS ) 标志时使用。
criteria	算法终止准则，即最大迭代次数和/或所需精度。精度由criteria.epsilon指定。一旦每个聚类中心在某个迭代中移动的距离小于criteria.epsilon，算法就会停止。
尝试次数	标志，用于指定算法使用不同初始标签运行的次数。算法返回产生最佳紧凑度（参见第一个函数返回值）的标签。
flags	可以取cv::KmeansFlags值的标志。

返回

• 紧凑度度量，计算方式为

  \[\sum _i \| \texttt{samples} _i - \texttt{centers} _{ \texttt{labels} _i} \| ^2\]

  每次尝试后。选择最佳（最小）值，并由函数返回相应的标签和紧凑度值。
• 存储每个样本聚类索引的整数数组。
• 聚类中心数组。

kmeans() [4/4]

std::tuple< GOpaque< double >, GMat, GMat > cv::gapi::kmeans	(	const GMat &	data,
		const int	输入的相机内参矩阵。,
		const TermCriteria &	criteria,
		const int	尝试次数,
		const KmeansFlags	flags )

Python
	cv.gapi.kmeans(	data, K, bestLabels, criteria, attempts, flags	) ->	retval
	cv.gapi.kmeans(	data, K, criteria, attempts, flags	) ->	retval

这是一个重载成员函数，为方便起见提供。它与上述函数的区别仅在于其接受的参数。

注意

• 函数文本ID为 "org.opencv.core.kmeansNDNoInit"
• 使用此重载时，不得设置KMEANS_USE_INITIAL_LABELS标志。

networks()

template<typename... Args>

cv::gapi::GNetPackage cv::gapi::networks

(

Args &&...

args

)

此函数的调用图如下

operator!=()

bool cv::gapi::operator!= ( const GBackend & lhs, const GBackend & rhs )

inline

operator+=()

cv::gapi::GNetPackage & cv::gapi::operator+= ( cv::gapi::GNetPackage & lhs, const cv::gapi::GNetPackage & rhs )

inline

parseSSD() [1/2]

GArray< Rect > cv::gapi::parseSSD	(	const GMat &	in,
		const GOpaque< Size > &	inSz,
		const float	confidenceThreshold,
		const bool	alignmentToSquare,
		const bool	filterOutOfBounds )

Python
	cv.gapi.parseSSD(	in_, inSz[, confidenceThreshold[, filterLabel]]	) ->	retval
	cv.gapi.parseSSD(	in_, inSz, confidenceThreshold, alignmentToSquare, filterOutOfBounds	) ->	retval

解析 SSD 网络的输出。

从SSD输出中提取检测信息（框、置信度），并根据给定的置信度以及是否超出边界进行过滤。

注意

函数文本ID为 "org.opencv.nn.parsers.parseSSD"

参数

in	输入 CV_32F 张量，维度为 {1,1,N,7}。
inSz	将检测到的框投影到的尺寸（输入图像的尺寸）。
confidenceThreshold	如果检测的置信度小于置信度阈值，则拒绝该检测。
alignmentToSquare	如果提供true，则将边界框扩展为正方形。矩形中心保持不变，正方形边长为矩形较长边。
filterOutOfBounds	如果提供true，则过滤掉超出帧边界的框。

返回

检测到的边界框向量。

parseSSD() [2/2]

std::tuple< GArray< Rect >, GArray< int > > cv::gapi::parseSSD	(	const GMat &	in,
		const GOpaque< Size > &	inSz,
		const float	confidenceThreshold = 0.5f,
		const int	filterLabel = -1 )

Python
	cv.gapi.parseSSD(	in_, inSz[, confidenceThreshold[, filterLabel]]	) ->	retval
	cv.gapi.parseSSD(	in_, inSz, confidenceThreshold, alignmentToSquare, filterOutOfBounds	) ->	retval

解析 SSD 网络的输出。

从SSD输出中提取检测信息（框、置信度、标签），并根据给定的置信度和标签进行过滤。

注意

函数文本ID为 "org.opencv.nn.parsers.parseSSD_BL"

参数

in	输入 CV_32F 张量，维度为 {1,1,N,7}。
inSz	将检测到的框投影到的尺寸（输入图像的尺寸）。
confidenceThreshold	如果检测的置信度小于置信度阈值，则拒绝该检测。
filterLabel	如果提供（!= -1），则只有具有给定标签的检测结果会输出。

返回

包含检测到的框向量和相应标签向量的元组。

parseYolo()

std::tuple< GArray< Rect >, GArray< int > > cv::gapi::parseYolo	(	const GMat &	in,
		const GOpaque< Size > &	inSz,
		const float	confidenceThreshold = 0.5f,
		const float	nmsThreshold = 0.5f,
		const std::vector< float > &	anchors = nn::parsers::GParseYolo::defaultAnchors() )

Python
	cv.gapi.parseYolo(	in_, inSz[, confidenceThreshold[, nmsThreshold[, anchors]]]	) ->	retval

解析 Yolo 网络的输出。

从Yolo输出中提取检测信息（框、置信度、标签），根据给定置信度进行过滤，并对重叠的框执行非最大抑制。

注意

函数文本ID为 "org.opencv.nn.parsers.parseYolo"

参数

in	输入 CV_32F 张量，维度为 {1,13,13,N}，N应满足 \[\texttt{N} = (\texttt{num_classes} + \texttt{5}) * \texttt{5},\] 其中 num_classes - YOLO网络训练的类别数量。
inSz	将检测到的框投影到的尺寸（输入图像的尺寸）。
confidenceThreshold	如果检测的置信度小于置信度阈值，则拒绝该检测。
nmsThreshold	非最大抑制阈值，控制拒绝置信度较低的框所需的最小相对框交集面积。如果为1.f，则不执行nms，并且不拒绝任何框。
anchors	Yolo网络训练时使用的锚点。

注意

默认锚点值是为YOLO v2 Tiny指定的，如Intel Open Model Zoo 文档所述。

返回

包含检测到的框向量和相应标签向量的元组。

stereo()

GMat cv::gapi::stereo	(	const GMat &	左,
		const GMat &	右,
		const StereoOutputFormat	of = StereoOutputFormat::DEPTH_FLOAT32 )

计算指定立体对的视差/深度图。该函数根据传入的StereoOutputFormat参数计算视差或深度图。

参数

左	8位单通道左图像，类型为CV_8UC1。
右	8位单通道右图像，类型为CV_8UC1。
of	枚举，指定输出类型：深度或视差以及相应的类型

此函数的调用图如下

transpose()

GMat cv::gapi::transpose

(

const GMat &

src

)

Python
	cv.gapi.transpose(	src	) ->	retval

转置矩阵。

此函数转置矩阵

\[\texttt{dst} (i,j) = \texttt{src} (j,i)\]

注意

• 函数文本ID为 "org.opencv.core.transpose"
• 对于复数矩阵，不进行复共轭操作。如果需要，应单独进行。

参数

src

输入数组。