详细描述

函数
void	cv::accumulate (InputArray src, InputOutputArray dst, InputArray mask=noArray())
	将图像添加到累加器图像。

void	cv::accumulateProduct (InputArray src1, InputArray src2, InputOutputArray dst, InputArray mask=noArray())
	将两个输入图像的逐元素乘积添加到累加器图像。

void	cv::accumulateSquare (InputArray src, InputOutputArray dst, InputArray mask=noArray())
	将源图像的平方添加到累加器图像。

void	cv::accumulateWeighted (InputArray src, InputOutputArray dst, double alpha, InputArray mask=noArray())
	更新运行平均值。

void	cv::createHanningWindow (OutputArray dst, Size winSize, int type)
	此函数计算二维的汉宁窗系数。

void	cv::divSpectrums (InputArray a, InputArray b, OutputArray c, int flags, bool conjB=false)
	执行第一个傅里叶谱除以第二个傅里叶谱的逐元素除法。

Point2d	cv::phaseCorrelate (InputArray src1, InputArray src2, InputArray window=noArray(), double *response=0)
	此函数用于检测两幅图像之间发生的平移偏差。

函数文档

◆ accumulate()

void cv::accumulate	(	InputArray	src,
		InputOutputArray	dst,
		InputArray	mask = noArray() )

Python
	cv.accumulate(	src, dst[, mask]	) ->	dst

#include <opencv2/imgproc.hpp>

将图像添加到累加器图像。

此函数将 src 或其部分元素添加到 dst

\[\texttt{dst} (x,y) \leftarrow \texttt{dst} (x,y) + \texttt{src} (x,y) \quad \text{如果} \quad \texttt{mask} (x,y) \ne 0\]

此函数支持多通道图像。每个通道独立处理。

例如，cv::accumulate 函数可用于收集静止相机拍摄的场景背景统计数据，并用于进一步的前景-背景分割。

参数

src	输入图像类型为 CV_8UC(n)、CV_16UC(n)、CV_32FC(n) 或 CV_64FC(n)，其中 n 为正整数。
dst	累加器图像，通道数与输入图像相同，深度为 CV_32F 或 CV_64F。
mask	可选操作掩码。

另请参见: accumulateSquare、accumulateProduct、accumulateWeighted

◆ accumulateProduct()

void cv::accumulateProduct	(	InputArray	src1,
		InputArray	src2,
		InputOutputArray	dst,
		InputArray	mask = noArray() )

Python
	cv.accumulateProduct(	src1, src2, dst[, mask]	) ->	dst

#include <opencv2/imgproc.hpp>

将两个输入图像的逐元素乘积添加到累加器图像。

此函数将两个图像或其选定区域的乘积添加到累加器 dst

\[\texttt{dst} (x,y) \leftarrow \texttt{dst} (x,y) + \texttt{src1} (x,y) \cdot \texttt{src2} (x,y) \quad \text{如果} \quad \texttt{mask} (x,y) \ne 0\]

此函数支持多通道图像。每个通道独立处理。

参数

src1	第一个输入图像，1 或 3 通道，8 位或 32 位浮点型。
src2	第二个输入图像，类型和大小与 src1 相同。
dst	累加器图像，通道数与输入图像相同，32 位或 64 位浮点型。
mask	可选操作掩码。

另请参见: accumulate、accumulateSquare、accumulateWeighted

◆ accumulateSquare()

void cv::accumulateSquare	(	InputArray	src,
		InputOutputArray	dst,
		InputArray	mask = noArray() )

Python
	cv.accumulateSquare(	src, dst[, mask]	) ->	dst

#include <opencv2/imgproc.hpp>

将源图像的平方添加到累加器图像。

此函数将输入图像 src 或其选定区域（2 次幂）添加到累加器 dst

\[\texttt{dst} (x,y) \leftarrow \texttt{dst} (x,y) + \texttt{src} (x,y)^2 \quad \text{如果} \quad \texttt{mask} (x,y) \ne 0\]

此函数支持多通道图像。每个通道独立处理。

参数

src	输入图像为 1 或 3 通道，8 位或 32 位浮点型。
dst	累加器图像，通道数与输入图像相同，32 位或 64 位浮点型。
mask	可选操作掩码。

另请参见: accumulateSquare、accumulateProduct、accumulateWeighted

◆ accumulateWeighted()

void cv::accumulateWeighted	(	InputArray	src,
		InputOutputArray	dst,
		double	alpha,
		InputArray	mask = noArray() )

Python
	cv.accumulateWeighted(	src, dst, alpha[, mask]	) ->	dst

#include <opencv2/imgproc.hpp>

更新运行平均值。

此函数计算输入图像 src 和累加器 dst 的加权和，使 dst 成为帧序列的运行平均值

\[\texttt{dst} (x,y) \leftarrow (1- \texttt{alpha} ) \cdot \texttt{dst} (x,y) + \texttt{alpha} \cdot \texttt{src} (x,y) \quad \text{如果} \quad \texttt{mask} (x,y) \ne 0\]

也就是说，alpha 控制更新速度（累加器“遗忘”早期图像的速度）。此函数支持多通道图像。每个通道独立处理。

参数

src	输入图像为 1 或 3 通道，8 位或 32 位浮点型。
dst	累加器图像，通道数与输入图像相同，32 位或 64 位浮点型。
alpha	输入图像的权重。
mask	可选操作掩码。

另请参见: accumulate、accumulateSquare、accumulateProduct

◆ createHanningWindow()

void cv::createHanningWindow	(	OutputArray	dst,
		Size	winSize,
		int	type )

Python
	cv.createHanningWindow(	winSize, type[, dst]	) ->	dst

#include <opencv2/imgproc.hpp>

此函数计算二维的汉宁窗系数。

有关更多信息，请参阅 (https://en.wikipedia.org/wiki/Hann_function) 和 (https://en.wikipedia.org/wiki/Window_function)。

示例如下

// 创建大小为 100x100 且类型为 CV_32F 的汉宁窗
Mat hann;
createHanningWindow(hann, Size(100, 100), CV_32F);

参数

dst	用于放置汉宁系数的目标数组
winSize	窗口大小规格（宽度和高度都必须 > 1）
type	创建的数组类型

◆ divSpectrums()

void cv::divSpectrums	(	InputArray	a,
		InputArray	b,
		OutputArray	c,
		int	flags,
		bool	conjB = false )

Python
	cv.divSpectrums(	a, b, flags[, c[, conjB]]	) ->	c

#include <opencv2/imgproc.hpp>

执行第一个傅里叶谱除以第二个傅里叶谱的逐元素除法。

cv::divSpectrums 函数执行第一个数组除以第二个数组的逐元素除法。这些数组是 CCS 打包的或复数矩阵，它们是实数或复数傅里叶变换的结果。

参数

a	第一个输入数组。
b	第二个输入数组，其大小和类型与 src1 相同。
c	输出数组，其大小和类型与 src1 相同。
flags	操作标志；目前，唯一支持的标志是 cv::DFT_ROWS，它表示 src1 和 src2 的每一行都是独立的 1D 傅里叶谱。如果您不想使用此标志，则只需添加 `0` 作为值。
conjB	可选标志，在乘法前是否对第二个输入数组进行共轭运算（true）或不进行（false）。

◆ phaseCorrelate()

Point2d cv::phaseCorrelate	(	InputArray	src1,
		InputArray	src2,
		InputArray	window = noArray(),
		如果传入NULL，则假定尺度参数c为1.0。否则，指向的变量将被设置为最优尺度。	response = 0 )

Python
	cv.phaseCorrelate(	src1, src2[, window]	) ->	retval, response

#include <opencv2/imgproc.hpp>

此函数用于检测两幅图像之间发生的平移偏差。

此操作利用傅里叶平移定理来检测频域中的平移偏差。它可用于快速图像配准和运动估计。更多信息请参阅 https://en.wikipedia.org/wiki/Phase_correlation

计算两个提供的源数组的互功率谱。如果需要，数组会使用 getOptimalDFTSize 进行填充。

此函数执行以下方程

首先，如果用户提供，它会对每个图像应用汉宁窗以消除可能的边缘效应。请参阅 createHanningWindow 和 https://en.wikipedia.org/wiki/Hann_function。此窗口可以被缓存，直到数组大小改变，以加快处理时间。
接下来，它计算每个源数组的正向 DFT
\[\mathbf{G}_a = \mathcal{F}\{src_1\}, \; \mathbf{G}_b = \mathcal{F}\{src_2\}\]
其中 \(\mathcal{F}\) 是正向 DFT。
然后它计算每个频域数组的互功率谱
\[R = \frac{ \mathbf{G}_a \mathbf{G}_b^*}{|\mathbf{G}_a \mathbf{G}_b^*|}\]
接下来，通过逆 DFT 将互相关转换回时域
\[r = \mathcal{F}^{-1}\{R\}\]
最后，它计算峰值位置并计算峰值周围的 5x5 加权质心以实现亚像素精度。
\[(\Delta x, \Delta y) = \texttt{weightedCentroid} \{\arg \max_{(x, y)}\{r\}\}\]
如果非零，则响应参数计算为 r 在峰值位置周围 5x5 质心内的元素之和。它被归一化为最大值 1（表示只有一个峰值），当有多个峰值时会更小。

参数

src1	源浮点数组 (CV_32FC1 或 CV_64FC1)
src2	源浮点数组 (CV_32FC1 或 CV_64FC1)
window	带有窗函数系数的浮点数组，用于减少边缘效应（可选）。
response	峰值周围 5x5 质心内的信号功率，介于 0 和 1 之间（可选）。

返回: 检测到的两个数组之间的相位偏移（亚像素）。

另请参见: dft、getOptimalDFTSize、idft、mulSpectrums createHanningWindow