cv::segmentation::IntelligentScissorsMB 类参考

智能剪刀图像分割。 更多...

#include <opencv2/imgproc/segmentation.hpp>

cv::segmentation::IntelligentScissorsMB 的协作图

公共成员函数
	IntelligentScissorsMB ()
IntelligentScissorsMB &	applyImage (InputArray image)
	指定输入图像并提取图像特征。
IntelligentScissorsMB &	applyImageFeatures (InputArray non_edge, InputArray gradient_direction, InputArray gradient_magnitude, InputArray image=noArray())
	指定输入图像的自定义特征。
void	buildMap (const Point &sourcePt)
	为图像上给定的源点准备最佳路径的地图。
void	getContour (const Point &targetPt, OutputArray contour, bool backward=false) const
	提取图像上给定目标点的最佳轮廓。
IntelligentScissorsMB &	setEdgeFeatureCannyParameters (double threshold1, double threshold2, int apertureSize=3, bool L2gradient=false)
	切换边缘特征提取器以使用 Canny 边缘检测器。
IntelligentScissorsMB &	setEdgeFeatureZeroCrossingParameters (float gradient_magnitude_min_value=0.0f)
	切换到“拉普拉斯过零点”边缘特征提取器并指定其参数。
IntelligentScissorsMB &	setGradientMagnitudeMaxLimit (float gradient_magnitude_threshold_max=0.0f)
	指定梯度幅度最大值阈值。
IntelligentScissorsMB &	setWeights (float weight_non_edge, float weight_gradient_direction, float weight_gradient_magnitude)
	指定特征函数的权重。

详细描述

智能剪刀图像分割。

此类用于查找两点之间的路径（轮廓），该路径可用于图像分割。

使用示例

    segmentation::IntelligentScissorsMB 工具;
tool.setEdgeFeatureCannyParameters(16, 100) // 使用 Canny() 作为边缘特征提取器
.setGradientMagnitudeMaxLimit(200);
 
    // 计算图像特征
tool.applyImage(image);
 
    // 计算指定源点的地图
    Point source_point(200, 100);
tool.buildMap(source_point);
 
    // 快速获取轮廓
    // 对于指定的目标点和预先计算的地图（内部存储）
    Point target_point(400, 300);
std::vector<Point> pts;
tool.getContour(target_point, pts);

参考文献： "用于图像合成的智能剪刀" 由 Eric N. Mortensen 和 William A. Barrett 设计的算法，杨百翰大学 [202]

构造函数 & 析构函数文档

IntelligentScissorsMB()

cv::segmentation::IntelligentScissorsMB::IntelligentScissorsMB

(

)

Python
	cv.segmentation.IntelligentScissorsMB(		) ->	<segmentation_IntelligentScissorsMB 对象>

成员函数文档

applyImage()

IntelligentScissorsMB & cv::segmentation::IntelligentScissorsMB::applyImage

(

InputArray

image

)

Python
	cv.segmentation.IntelligentScissorsMB.applyImage(	image	) ->	retval

指定输入图像并提取图像特征。

参数

image

输入图像。类型为 CV_8UC1 / CV_8UC3

applyImageFeatures()

IntelligentScissorsMB & cv::segmentation::IntelligentScissorsMB::applyImageFeatures	(	InputArray	non_edge,
		InputArray	gradient_direction,
		InputArray	gradient_magnitude,
		InputArray	image = noArray() )

Python
	cv.segmentation.IntelligentScissorsMB.applyImageFeatures(	non_edge, gradient_direction, gradient_magnitude[, image]	) ->	retval

指定输入图像的自定义特征。

applyImage() 调用的自定义高级变体。

参数

non_edge	指定非边缘像素的成本。类型为 CV_8UC1。期望值为 {0, 1}。
gradient_direction	指定梯度方向特征。类型为 CV_32FC2。值应标准化： x^2 + y^2 == 1
gradient_magnitude	指定梯度幅度函数的成本：类型为 CV_32FC1。值应在范围 [0, 1] 内。
image	可选参数。如果指定了特征的子集，则必须指定（未指定的特征在内部计算）

此函数的调用图如下

buildMap()

void cv::segmentation::IntelligentScissorsMB::buildMap

(

const Point &

sourcePt

)

Python
	cv.segmentation.IntelligentScissorsMB.buildMap(	sourcePt	) ->	无

为图像上给定的源点准备最佳路径的地图。

注意

applyImage() / applyImageFeatures() 必须在此调用之前调用

参数

sourcePt

用于查找路径的源点

getContour()

void cv::segmentation::IntelligentScissorsMB::getContour	(	const Point &	targetPt,
		OutputArray	contour,
		bool	backward = false ) const

Python
	cv.segmentation.IntelligentScissorsMB.getContour(	targetPt[, contour[, backward]]	) ->	contour

提取图像上给定目标点的最佳轮廓。

注意

buildMap() 必须在此调用之前调用

参数

	targetPt	目标点
[输出]	contour	像素列表，其中包含图像的源点和目标点之间的最佳路径。类型为 CV_32SC2（与 std::vector<Point> 兼容）
	backward	指示检索到的像素的反向顺序的标志（使用“true”值从目标点获取到源点的点）

setEdgeFeatureCannyParameters()

IntelligentScissorsMB & cv::segmentation::IntelligentScissorsMB::setEdgeFeatureCannyParameters	(	double	threshold1,
		double	threshold2,
		int	apertureSize = 3,
		bool	L2gradient = false )

Python
	cv.segmentation.IntelligentScissorsMB.setEdgeFeatureCannyParameters(	threshold1, threshold2[, apertureSize[, L2gradient]]	) ->	retval

切换边缘特征提取器以使用 Canny 边缘检测器。

注意

默认使用“拉普拉斯过零点”特征提取器（遵循原始文章）

另请参见

Canny

setEdgeFeatureZeroCrossingParameters()

IntelligentScissorsMB & cv::segmentation::IntelligentScissorsMB::setEdgeFeatureZeroCrossingParameters

(

float

gradient_magnitude_min_value = 0.0f

)

Python
	cv.segmentation.IntelligentScissorsMB.setEdgeFeatureZeroCrossingParameters(	[, gradient_magnitude_min_value]	) ->	retval

切换到“拉普拉斯过零点”边缘特征提取器并指定其参数。

根据文章，默认使用此特征提取器。

此实现对低振幅噪声的区域进行了额外的过滤。此过滤通过最小梯度振幅参数启用（使用一些小值 4、8、16）。

注意

此特征提取器的当前实现基于灰度图像的处理（彩色图像首先转换为灰度图像）。

Canny 边缘检测器稍慢，但提供更好的结果（尤其是在彩色图像上）：使用 setEdgeFeatureCannyParameters()。

参数

gradient_magnitude_min_value

边缘像素的最小梯度幅度值（默认值：0，禁用检查）

setGradientMagnitudeMaxLimit()

IntelligentScissorsMB & cv::segmentation::IntelligentScissorsMB::setGradientMagnitudeMaxLimit

(

float

gradient_magnitude_threshold_max = 0.0f

)

Python
	cv.segmentation.IntelligentScissorsMB.setGradientMagnitudeMaxLimit(	[, gradient_magnitude_threshold_max]	) ->	retval

指定梯度幅度最大值阈值。

零限制值用于禁用梯度幅度阈值处理（默认行为，如原始文章中所述）。否则，梯度幅度 >= 阈值的像素具有零成本。

注意

阈值处理应该用于具有不规则区域的图像（以避免卡在高对比度区域的参数上，如嵌入式徽标）。

参数

gradient_magnitude_threshold_max

指定梯度幅度最大值阈值（默认值：0，禁用）

setWeights()

IntelligentScissorsMB & cv::segmentation::IntelligentScissorsMB::setWeights	(	float	weight_non_edge,
		float	weight_gradient_direction,
		float	weight_gradient_magnitude )

Python
	cv.segmentation.IntelligentScissorsMB.setWeights(	weight_non_edge, weight_gradient_direction, weight_gradient_magnitude	) ->	retval

指定特征函数的权重。

考虑保持权重标准化（权重之和等于 1.0）离散动态规划 (DP) 的目标是最小化像素之间的成本。

参数

weight_non_edge	指定非边缘像素的成本（默认值：0.43f）
weight_gradient_direction	指定梯度方向函数的成本（默认值：0.43f）
weight_gradient_magnitude	指定梯度幅度函数的成本（默认值：0.14f）

---

此类文档由以下文件生成

• opencv2/imgproc/segmentation.hpp