实现 LSC (线性谱聚类) 超像素算法的类，该算法在 [163] 中描述。更多...

#include <opencv2/ximgproc/lsc.hpp>

cv::ximgproc::SuperpixelLSC 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 SuperpixelLSC 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
	计算给定的分割中实际的超像素数量，该分割已计算并存储在 SuperpixelLSC 对象中。

virtual void	iterate (int num_iterations=10)=0
	使用 SuperpixelLSC 对象中初始化的参数，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，在最开始或在不成功的读取之后），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

附加的继承成员
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 LSC (线性谱聚类) 超像素算法的类，该算法在 [163] 中描述。

LSC (线性谱聚类) 产生紧凑且均匀的超像素，计算成本低。基本上，基于相似性度量的超像素分割的归一化割集公式被采用，该度量测量图像像素之间的颜色相似性和空间接近度。 LSC 具有线性计算复杂性和高内存效率，并且能够保留图像的全局属性

成员函数文档

◆ enforceLabelConnectivity()

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

纯虚函数

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

强制标签连接性。

参数

min_element_size 最小元素大小（百分比），应将其吸收到更大的超像素中。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，并将先前找到的相邻标签分配给该组件。调用此函数可能会更改最终的超像素数量。

◆ getLabelContourMask()

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

纯虚函数

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

返回存储在 SuperpixelLSC 对象中的超像素分割的掩码。

参数

image	返回：CV_8U1 图像掩码，其中 -1 表示像素是超像素边界，0 表示其他情况。
thick_line	如果为 false，则边框仅为一个像素宽，否则，边框上的所有像素都被屏蔽。

该函数返回超像素分割的边界。

◆ getLabels()

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

纯虚函数

Python
	cv.ximgproc.SuperpixelLSC.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，并且每个像素被分配给一个超像素标签。

参数

labels_out 返回：一个 CV_32SC1 整数数组，包含超像素分割的标签。标签的范围是 [0, getNumberOfSuperpixels()]。

该函数返回一个图像，其中包含超像素分割的标签。标签的范围是 [0, getNumberOfSuperpixels()]。

◆ getNumberOfSuperpixels()

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

纯虚函数

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

计算给定的分割中实际的超像素数量，该分割已计算并存储在 SuperpixelLSC 对象中。

◆ iterate()

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

纯虚函数

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

使用 SuperpixelLSC 对象中初始化的参数，计算给定图像上的超像素分割。

可以再次调用此函数，而无需使用 createSuperpixelLSC() 初始化算法。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。

该函数使用使用函数 createSuperpixelLSC() 初始化的参数计算图像的超像素分割。该算法从超像素网格开始，然后通过建议更新边缘边界来细化边界。

此类文档由以下文件生成

opencv2/ximgproc/lsc.hpp

公共成员函数

附加的继承成员

详细描述

成员函数文档

◆ enforceLabelConnectivity()

◆ getLabelContourMask()

◆ getLabels()

◆ getNumberOfSuperpixels()

◆ iterate()