OpenCV: 滤波器 - OpenCV 计算机视觉库

枚举器
DTF_NC Python: cv.ximgproc.DTF_NC
DTF_IC Python: cv.ximgproc.DTF_IC
DTF_RF Python: cv.ximgproc.DTF_RF
GUIDED_FILTER Python: cv.ximgproc.GUIDED_FILTER
AM_FILTER Python: cv.ximgproc.AM_FILTER

函数文档

◆ amFilter()

void cv::ximgproc::amFilter	(	InputArray	joint,
		InputArray	src,
		OutputArray	dst,
		double	sigma_s,
		double	sigma_r,
		bool	adjust_outliers = false )

Python
	cv.ximgproc.amFilter(	joint, src, sigma_s, sigma_r[, dst[, adjust_outliers]]	) ->	dst

简单的单行自适应流形滤波器调用。

参数

joint	联合（也称为引导）图像或具有任意数量通道的图像数组。
src	具有任意通道数的滤波图像。
dst	输出图像。
sigma_s	空间标准差。
sigma_r	色彩空间标准差，类似于 bilateralFilter 中色彩空间里的 sigma。
adjust_outliers	可选，指定是否执行异常值调整操作，即原始论文中的（式 9）。

注意: 深度为 CV_8U 和 CV_16U 的联合图像在处理前会转换为深度为 CV_32F 且色彩范围为 [0; 1] 的图像。因此，色彩空间 sigma sigma_r 必须在 [0; 1] 范围内，这与 bilateralFilter 和 dtFilter 函数中的相同 sigma 不同。

另请参见: bilateralFilter, dtFilter, guidedFilter

◆ bilateralTextureFilter()

void cv::ximgproc::bilateralTextureFilter	(	InputArray	src,
		OutputArray	dst,
		int	fr = 3,
		int	numIter = 1,
		double	sigmaAlpha = -1.,
		double	sigmaAvg = -1. )

Python
	cv.ximgproc.bilateralTextureFilter(	src[, dst[, fr[, numIter[, sigmaAlpha[, sigmaAvg]]]]]	) ->	dst

将双边纹理滤波器应用于图像。它执行结构保留纹理滤波。有关此滤波器的更多详细信息，请参见 [58]。

参数

src	源图像，深度为 8 位无符号整型或 32 位浮点型
dst	与 src 相同大小和类型的输出图像。
fr	用于滤波的内核半径。应为正整数
numIter	算法迭代次数，应为正整数
sigmaAlpha	控制权重从边缘到平滑/纹理区域过渡的锐度，值越大表示过渡越锐利。当值为负时，将自动计算。
sigmaAvg	用于纹理模糊的范围模糊参数。值越大，结果越模糊。当值为负时，将按照论文中的描述自动计算。

另请参见: rollingGuidanceFilter, bilateralFilter

◆ colorMatchTemplate()

void cv::ximgproc::colorMatchTemplate	(	InputArray	img,
		InputArray	templ,
		OutputArray	result )

Python
	cv.ximgproc.colorMatchTemplate(	img, templ[, result]	) ->	result

将颜色模板与重叠的颜色图像区域进行比较。

参数

img	执行搜索的图像。必须是 3 通道图像
templ	搜索模板。它不能大于源图像，并且必须是 3 通道图像
result	比较结果图。必须是单通道 64 位浮点型

◆ computeBadPixelPercent()

double cv::ximgproc::computeBadPixelPercent	(	InputArray	GT,
		InputArray	src,
		Rect	ROI,
		int	thresh = 24 )

Python
	cv.ximgproc.computeBadPixelPercent(	GT, src, ROI[, thresh]	) ->	retval

用于计算视差图中“坏”像素百分比的函数（错误高于指定阈值的像素）

参数

GT	真实视差图
src	要评估的视差图
ROI	感兴趣区域
thresh	用于确定“坏”像素的阈值

返回: 返回 GT 和 src 之间的均方误差

◆ computeMSE()

double cv::ximgproc::computeMSE	(	InputArray	GT,
		InputArray	src,
		Rect	ROI )

Python
	cv.ximgproc.computeMSE(	GT, src, ROI	) ->	retval

用于计算视差图的均方误差的函数。

参数

GT	真实视差图
src	要评估的视差图
ROI	感兴趣区域

返回: 返回 GT 和 src 之间的均方误差

◆ createAMFilter()

Ptr< AdaptiveManifoldFilter > cv::ximgproc::createAMFilter	(	double	sigma_s,
		double	sigma_r,
		bool	adjust_outliers = false )

Python
	cv.ximgproc.createAMFilter(	sigma_s, sigma_r[, adjust_outliers]	) ->	retval

工厂方法，创建 AdaptiveManifoldFilter 实例并执行一些初始化例程。

参数

sigma_s	空间标准差。
sigma_r	色彩空间标准差，类似于 bilateralFilter 中色彩空间里的 sigma。
adjust_outliers	可选，指定是否执行异常值调整操作，即原始论文中的（式 9）。

有关自适应流形滤波器参数的更多详细信息，请参见原始文章 [103]。

注意: 深度为 CV_8U 和 CV_16U 的联合图像在处理前会转换为深度为 CV_32F 且色彩范围为 [0; 1] 的图像。因此，色彩空间 sigma sigma_r 必须在 [0; 1] 范围内，这与 bilateralFilter 和 dtFilter 函数中的相同 sigma 不同。

◆ createDisparityWLSFilter()

Ptr< DisparityWLSFilter > cv::ximgproc::createDisparityWLSFilter ( Ptr< StereoMatcher > matcher_left )

Python
	cv.ximgproc.createDisparityWLSFilter(	matcher_left	) ->	retval

便捷工厂方法，创建 DisparityWLSFilter 实例并根据匹配器实例自动设置所有相关滤波器参数。目前仅支持 StereoBM 和 StereoSGBM。

参数

matcher_left 将与滤波器一起使用的立体匹配器实例

◆ createDisparityWLSFilterGeneric()

Ptr< DisparityWLSFilter > cv::ximgproc::createDisparityWLSFilterGeneric ( bool use_confidence )

Python
	cv.ximgproc.createDisparityWLSFilterGeneric(	use_confidence	) ->	retval

更通用的工厂方法，创建 DisparityWLSFilter 实例并执行基本初始化例程。使用此方法时，您需要自行设置 ROI、匹配器和其他参数。

参数

use_confidence 带置信度的滤波需要两个视差图（用于左视图和右视图），并且速度大约慢两倍。然而，质量通常会显著提高。

◆ createDTFilter()

Ptr< DTFilter > cv::ximgproc::createDTFilter	(	InputArray	guide,
		double	sigmaSpatial,
		double	sigmaColor,
		int	mode = DTF_NC,
		int	numIters = 3 )

Python
	cv.ximgproc.createDTFilter(	guide, sigmaSpatial, sigmaColor[, mode[, numIters]]	) ->	retval

工厂方法，创建 DTFilter 实例并执行初始化例程。

参数

guide	引导图像（用于构建变换距离，描述引导图像的边缘结构）。
sigmaSpatial	\(\sigma_H\) 参数在原始文章中，类似于 bilateralFilter 中坐标空间里的 sigma。
sigmaColor	\(\sigma_r\) 参数在原始文章中，类似于 bilateralFilter 中色彩空间里的 sigma。
mode	DTF_NC、DTF_RF 和 DTF_IC 三种模式之一，对应于文章中二维信号滤波的三种模式。
numIters	滤波使用的可选迭代次数，3 次就足够了。

有关域变换滤波器参数的更多详细信息，请参见原始文章 [102] 和域变换滤波器主页。

◆ createEdgeAwareInterpolator()

Ptr< EdgeAwareInterpolator > cv::ximgproc::createEdgeAwareInterpolator ( )

Python
	cv.ximgproc.createEdgeAwareInterpolator(		) ->	retval

#include <opencv2/ximgproc/sparse_match_interpolator.hpp>

创建 EdgeAwareInterpolator 实例的工厂方法。

◆ createFastBilateralSolverFilter()

Ptr< FastBilateralSolverFilter > cv::ximgproc::createFastBilateralSolverFilter	(	InputArray	guide,
		double	sigma_spatial,
		double	sigma_luma,
		double	sigma_chroma,
		double	lambda = 128.0,
		int	num_iter = 25,
		double	max_tol = 1e-5 )

Python
	cv.ximgproc.createFastBilateralSolverFilter(	guide, sigma_spatial, sigma_luma, sigma_chroma[, lambda_[, num_iter[, max_tol]]]	) ->	retval

工厂方法，创建 FastBilateralSolverFilter 实例并执行初始化例程。

参数

guide	用作滤波引导的图像。它应具有 8 位深度，并且是 1 或 3 通道图像。
sigma_spatial	参数，类似于 bilateralFilter 中空间域 sigma（带宽）。
sigma_luma	参数，类似于 bilateralFilter 中亮度空间 sigma（带宽）。
sigma_chroma	参数，类似于 bilateralFilter 中色度空间 sigma（带宽）。
lambda	求解器的平滑强度参数。
num_iter	求解器使用的迭代次数，通常 25 次就足够了。
max_tol	求解器使用的收敛容差。

有关快速双边求解器参数的更多详细信息，请参见原始论文 [20]。

◆ createFastGlobalSmootherFilter()

Ptr< FastGlobalSmootherFilter > cv::ximgproc::createFastGlobalSmootherFilter	(	InputArray	guide,
		double	lambda,
		double	sigma_color,
		double	lambda_attenuation = 0.25,
		int	num_iter = 3 )

Python
	cv.ximgproc.createFastGlobalSmootherFilter(	guide, lambda_, sigma_color[, lambda_attenuation[, num_iter]]	) ->	retval

工厂方法，创建 FastGlobalSmootherFilter 实例并执行初始化例程。

参数

guide	用作滤波引导的图像。它应具有 8 位深度，并且是 1 或 3 通道图像。
lambda	定义正则化量的参数
sigma_color	参数，类似于 bilateralFilter 中色彩空间里的 sigma。
lambda_attenuation	内部参数，定义每次迭代后 lambda 减少的量。通常应为 0.25。将其设置为 1.0 可能会导致条纹伪影。
num_iter	滤波使用的迭代次数，通常 3 次就足够了。

有关快速全局平滑器参数的更多详细信息，请参见原始论文 [196]。但请注意，存在一些差异。论文中描述的 Lambda 衰减实现方式略有不同，因此不要期望结果与论文中的完全相同；论文中的 sigma_color 值应乘以 255.0 才能达到相同的效果。此外，在源图像和引导图像相同的情况下进行图像滤波时，作者建议在每次迭代后动态更新引导图像。为了最大限度地提高性能，此处未实现此功能。

◆ createGuidedFilter()

Ptr< GuidedFilter > cv::ximgproc::createGuidedFilter	(	InputArray	guide,
		int	radius,
		double	eps,
		double	scale = 1.0 )

Python
	cv.ximgproc.createGuidedFilter(	guide, radius, eps[, scale]	) ->	retval

工厂方法，创建 GuidedFilter 实例并执行初始化例程。

参数

guide	引导图像（或图像数组），最多 3 通道；如果超过 3 通道，则只使用前 3 个通道。
radius	引导滤波器的半径。
eps	引导滤波器的正则化项。\(eps^2\) 类似于 bilateralFilter 中色彩空间里的 sigma。
scale	快速引导滤波器的下采样因子，使用小于 1 的比例因子可以加快计算速度，几乎没有可见的质量下降。（例如，scale==0.5 会在滤波器内部将图像缩小 2 倍）

有关（快速）引导滤波器参数的更多详细信息，请参见原始文章 [123] [122]。

◆ createQuaternionImage()

void cv::ximgproc::createQuaternionImage	(	InputArray	img,
		OutputArray	qimg )

Python
	cv.ximgproc.createQuaternionImage(	img[, qimg]	) ->	qimg

创建四元数图像。

参数

img	源 8 位、32 位或 64 位图像，3 通道图像。
qimg	结果 CV_64FC4 四元数图像（4 通道，零通道和 B、G、R）。

◆ createRICInterpolator()

Ptr< RICInterpolator > cv::ximgproc::createRICInterpolator ( )

Python
	cv.ximgproc.createRICInterpolator(		) ->	retval

#include <opencv2/ximgproc/sparse_match_interpolator.hpp>

创建 RICInterpolator 实例的工厂方法。

◆ createRightMatcher()

Ptr< StereoMatcher > cv::ximgproc::createRightMatcher ( Ptr< StereoMatcher > matcher_left )

Python
	cv.ximgproc.createRightMatcher(	matcher_left	) ->	retval

便捷方法，用于设置匹配器以计算右视图视差图，这在带置信度滤波的情况下是必需的。

参数

matcher_left 将与滤波器一起使用的主要立体匹配器实例

◆ dtFilter()

void cv::ximgproc::dtFilter	(	InputArray	guide,
		InputArray	src,
		OutputArray	dst,
		double	sigmaSpatial,
		double	sigmaColor,
		int	mode = DTF_NC,
		int	numIters = 3 )

Python
	cv.ximgproc.dtFilter(	guide, src, sigmaSpatial, sigmaColor[, dst[, mode[, numIters]]]	) ->	dst

简单的一行域变换滤波器调用。如果您有多个图像要用相同的引导图像进行滤波，则使用 DTFilter 接口可以避免初始化阶段的额外计算。

参数

guide	引导图像（也称为联合图像），具有 8 位无符号或 32 位浮点深度，最多 4 个通道。
src	滤波图像，具有 8 位无符号或 32 位浮点深度，最多 4 个通道。
dst	目标图像
sigmaSpatial	\(\sigma_H\) 参数在原始文章中，类似于 bilateralFilter 中坐标空间里的 sigma。
sigmaColor	\(\sigma_r\) 参数在原始文章中，类似于 bilateralFilter 中色彩空间里的 sigma。
mode	DTF_NC、DTF_RF 和 DTF_IC 三种模式之一，对应于文章中二维信号滤波的三种模式。
numIters	滤波使用的可选迭代次数，3 次就足够了。

另请参见: bilateralFilter, guidedFilter, amFilter

◆ fastBilateralSolverFilter()

void cv::ximgproc::fastBilateralSolverFilter	(	InputArray	guide,
		InputArray	src,
		InputArray	confidence,
		OutputArray	dst,
		double	sigma_spatial = 8,
		double	sigma_luma = 8,
		double	sigma_chroma = 8,
		double	lambda = 128.0,
		int	num_iter = 25,
		double	max_tol = 1e-5 )

Python
	cv.ximgproc.fastBilateralSolverFilter(	guide, src, confidence[, dst[, sigma_spatial[, sigma_luma[, sigma_chroma[, lambda_[, num_iter[, max_tol]]]]]]]	) ->	dst

简单的一行快速双边求解器滤波器调用。如果您有多个图像要用相同的引导图进行滤波，则使用 FastBilateralSolverFilter 接口可以避免额外计算。

参数

guide	用作滤波引导的图像。它应具有 8 位深度，并且是 1 或 3 通道图像。
src	用于滤波的源图像，具有 8 位无符号、16 位有符号或 32 位浮点深度，最多 4 个通道。
confidence	置信度图像，具有 8 位无符号或 32 位浮点置信度，1 个通道。
dst	目标图像。
sigma_spatial	参数，类似于 bilateralFilter 中空间域 sigma（带宽）。
sigma_luma	参数，类似于 bilateralFilter 中亮度空间 sigma（带宽）。
sigma_chroma	参数，类似于 bilateralFilter 中色度空间 sigma（带宽）。
lambda	求解器的平滑强度参数。
num_iter	求解器使用的迭代次数，通常 25 次就足够了。
max_tol	求解器使用的收敛容差。

有关快速双边求解器参数的更多详细信息，请参见原始论文 [20]。

注意: 深度为 CV_8U 的置信度图像应在 [0, 255] 范围内，CV_32F 的置信度图像应在 [0, 1] 范围内。

◆ fastGlobalSmootherFilter()

void cv::ximgproc::fastGlobalSmootherFilter	(	InputArray	guide,
		InputArray	src,
		OutputArray	dst,
		double	lambda,
		double	sigma_color,
		double	lambda_attenuation = 0.25,
		int	num_iter = 3 )

Python
	cv.ximgproc.fastGlobalSmootherFilter(	guide, src, lambda_, sigma_color[, dst[, lambda_attenuation[, num_iter]]]	) ->	dst

简单的一行快速全局平滑器滤波器调用。如果您有多个图像要用相同的引导图进行滤波，则使用 FastGlobalSmootherFilter 接口可以避免额外计算。

参数

guide	用作滤波引导的图像。它应具有 8 位深度，并且是 1 或 3 通道图像。
src	用于滤波的源图像，具有 8 位无符号、16 位有符号或 32 位浮点深度，最多 4 个通道。
dst	目标图像。
lambda	定义正则化量的参数
sigma_color	参数，类似于 bilateralFilter 中色彩空间里的 sigma。
lambda_attenuation	内部参数，定义每次迭代后 lambda 减少的量。通常应为 0.25。将其设置为 1.0 可能会导致条纹伪影。
num_iter	滤波使用的迭代次数，通常 3 次就足够了。

◆ getDisparityVis()

void cv::ximgproc::getDisparityVis	(	InputArray	src,
		OutputArray	dst,
		double	scale = 1.0 )

Python
	cv.ximgproc.getDisparityVis(	src[, dst[, scale]]	) ->	dst

用于创建视差图可视化（钳位 CV_8U 图像）的函数

参数

src	输入视差图（CV_16S 深度）
dst	输出可视化结果
scale	视差图将乘以该值进行可视化

◆ GradientDericheX()

void cv::ximgproc::GradientDericheX	(	InputArray	op,
		OutputArray	dst,
		double	alpha,
		double	omega )

Python
	cv.ximgproc.GradientDericheX(	op, alpha, omega[, dst]	) ->	dst

#include <opencv2/ximgproc/deriche_filter.hpp>

将 X Deriche 滤波器应用于图像。

有关此实现的更多详细信息，请参见 http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.476.5736&rep=rep1&type=pdf

参数

op	源 8 位或 16 位图像，1 通道或 3 通道图像。
dst	结果 CV_32FC 图像，与 _op 具有相同通道数。
alpha	double 参见论文
omega	double 参见论文

◆ GradientDericheY()

void cv::ximgproc::GradientDericheY	(	InputArray	op,
		OutputArray	dst,
		double	alpha,
		double	omega )

Python
	cv.ximgproc.GradientDericheY(	op, alpha, omega[, dst]	) ->	dst

#include <opencv2/ximgproc/deriche_filter.hpp>

将 Y Deriche 滤波器应用于图像。

有关此实现的更多详细信息，请参见 http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.476.5736&rep=rep1&type=pdf

参数

op	源 8 位或 16 位图像，1 通道或 3 通道图像。
dst	结果 CV_32FC 图像，与 _op 具有相同通道数。
alpha	double 参见论文
omega	double 参见论文

◆ GradientPaillouX()

void cv::ximgproc::GradientPaillouX	(	InputArray	op,
		OutputArray	_dst,
		double	alpha,
		double	omega )

#include <opencv2/ximgproc/paillou_filter.hpp>

◆ GradientPaillouY()

void cv::ximgproc::GradientPaillouY	(	InputArray	op,
		OutputArray	_dst,
		double	alpha,
		double	omega )

#include <opencv2/ximgproc/paillou_filter.hpp>

将 Paillou 滤波器应用于图像。

有关此实现的更多详细信息，请参见 [215]

参数

op	源 CV_8U(S) 或 CV_16U(S)，1 通道或 3 通道图像。
_dst	结果 CV_32F 图像，与 op 具有相同通道数。
omega	double 参见论文
alpha	double 参见论文

另请参见: GradientPaillouX, GradientPaillouY

◆ guidedFilter()

void cv::ximgproc::guidedFilter	(	InputArray	guide,
		InputArray	src,
		OutputArray	dst,
		int	radius,
		double	eps,
		int	dDepth = -1,
		double	scale = 1.0 )

Python
	cv.ximgproc.guidedFilter(	guide, src, radius, eps[, dst[, dDepth[, scale]]]	) ->	dst

简单的单行(快速)引导滤波器调用。

如果您有多个图像要用相同的引导图像进行滤波，则使用 GuidedFilter 接口可以避免初始化阶段的额外计算。

参数

guide	引导图像（或图像数组），最多 3 通道；如果超过 3 通道，则只使用前 3 个通道。
src	具有任意通道数的滤波图像。
dst	输出图像。
radius	引导滤波器的半径。
eps	引导滤波器的正则化项。\(eps^2\) 类似于 bilateralFilter 中色彩空间里的 sigma。
dDepth	输出图像的可选深度。
scale	快速引导滤波器的下采样因子，使用小于 1 的比例因子可以加快计算速度，几乎没有可见的质量下降。（例如，scale==0.5 会在滤波器内部将图像缩小 2 倍）

另请参见: bilateralFilter, dtFilter, amFilter

◆ jointBilateralFilter()

void cv::ximgproc::jointBilateralFilter	(	InputArray	joint,
		InputArray	src,
		OutputArray	dst,
		int	d,
		double	sigmaColor,
		double	sigmaSpace,
		int	borderType = BORDER_DEFAULT )

Python
	cv.ximgproc.jointBilateralFilter(	joint, src, d, sigmaColor, sigmaSpace[, dst[, borderType]]	) ->	dst

将联合双边滤波器应用于图像。

参数

joint	联合 8 位或浮点型，1 通道或 3 通道图像。
src	源 8 位或浮点型，1 通道或 3 通道图像，深度与联合图像相同。
dst	与 src 具有相同大小和类型的目标图像。
d	滤波期间使用的每个像素邻域的直径。如果为非正值，则从 sigmaSpace 计算。
sigmaColor	色彩空间中的滤波器 sigma。参数值越大，意味着像素邻域（参见 sigmaSpace）内相距较远的颜色也将混合在一起，从而产生更大的近似均匀色彩区域。
sigmaSpace	坐标空间中的滤波器 sigma。参数值越大，意味着相距较远的像素只要颜色足够接近（参见 sigmaColor），就会相互影响。当 d>0 时，它指定邻域大小，而与 sigmaSpace 无关。否则，d 与 sigmaSpace 成比例。
borderType

注意: bilateralFilter 和 jointBilateralFilter 使用 L1 范数计算颜色差异。

另请参见: bilateralFilter, amFilter

◆ l0Smooth()

void cv::ximgproc::l0Smooth	(	InputArray	src,
		OutputArray	dst,
		double	lambda = 0.02,
		double	kappa = 2.0 )

Python
	cv.ximgproc.l0Smooth(	src[, dst[, lambda_[, kappa]]]	) ->	dst

通过 L0 梯度最小化进行全局图像平滑。

参数

src	用于滤波的源图像，具有 8 位无符号、16 位有符号或浮点深度。
dst	目标图像。
lambda	定义平滑项权重的参数。
kappa	定义梯度数据项权重增加因子的参数。

有关 L0 平滑器的更多详细信息，请参见原始论文 [308]。

◆ qconj()

void cv::ximgproc::qconj	(	InputArray	qimg,
		OutputArray	qcimg )

Python
	cv.ximgproc.qconj(	qimg[, qcimg]	) ->	qcimg

计算四元数图像的共轭。

参数

qimg	四元数图像。
qcimg	qimg 的共轭

◆ qdft()

void cv::ximgproc::qdft	(	InputArray	img,
		OutputArray	qimg,
		int	flags,
		bool	sideLeft )

Python
	cv.ximgproc.qdft(	img, flags, sideLeft[, qimg]	) ->	qimg

对二维四元数数组执行正向或逆向离散四元数傅里叶变换。

参数

img	四元数图像。
qimg	对偶空间中的四元数图像。
flags	对偶空间中的四元数图像。仅支持 DFT_INVERSE 标志。
sideLeft	如果为 true，超复数指数在左侧相乘（如果为 false，则在右侧）。

◆ qmultiply()

void cv::ximgproc::qmultiply	(	InputArray	src1,
		InputArray	src2,
		OutputArray	dst )

Python
	cv.ximgproc.qmultiply(	src1, src2[, dst]	) ->	dst

计算两个数组的逐元素四元数乘积。

参数

src1	四元数图像。
src2	四元数图像。
dst	product dst(I)=src1(I) . src2(I)

乘积 dst(I)=src1(I) . src2(I)

◆ qunitary()	(	InputArray	qimg,
		OutputArray	void cv::ximgproc::qunitary

Python
	qnimg )	cv.ximgproc.qunitary(	) ->	qimg[, qnimg]

将每个元素除以其模数。

参数

qimg	四元数图像。
qimg[, qnimg]	qimg 的共轭

qnimg

◆ readGT()	(	String	int cv::ximgproc::readGT,
		OutputArray	dst )

Python
	src_path	cv.ximgproc.readGT(	) ->	retval, dst

读取真实视差图的函数。支持基本的 Middlebury 和 MPI-Sintel 格式。请注意，结果视差图会按比例放大16倍。

参数

int cv::ximgproc::readGT	src_path[, dst]
dst	包含真实视差图的图像路径

返回: 输出视差图，CV_16S 深度

如果成功读取真实值则返回零

◆ rollingGuidanceFilter()	(	InputArray	src,
		OutputArray	dst,
		int	void cv::ximgproc::rollingGuidanceFilter
		double	d = -1,
		double	sigmaColor = 25,
		int	sigmaSpace = 3,
		int	borderType = BORDER_DEFAULT )

Python
	numOfIter = 4,	cv.ximgproc.rollingGuidanceFilter(	) ->	dst