java.lang.Object
- org.opencv.photo.Photo

public class Photo
extends java.lang.Object

字段摘要

字段
修饰符和类型	字段	描述
`static int`	`INPAINT_NS`
`static int`	`INPAINT_TELEA`
`static int`	`LDR_SIZE`
`static int`	`MIXED_CLONE`
`static int`	`MIXED_CLONE_WIDE`
`static int`	`MONOCHROME_TRANSFER`
`static int`	`MONOCHROME_TRANSFER_WIDE`
`static int`	`NORMAL_CLONE`
`static int`	`NORMAL_CLONE_WIDE`
`static int`	`NORMCONV_FILTER`
`static int`	`RECURS_FILTER`

构造函数摘要

构造函数
构造函数描述

Photo()

方法摘要

所有方法静态方法具体方法
修饰符和类型	方法	描述
`static void`	`colorChange(Mat src, Mat mask, Mat dst)`	给定原始彩色图像，可以将该图像的两个不同颜色版本无缝混合。
`static void`	`colorChange(Mat src, Mat mask, Mat dst, float red_mul)`	给定原始彩色图像，可以将该图像的两个不同颜色版本无缝混合。
`static void`	`colorChange(Mat src, Mat mask, Mat dst, float red_mul, float green_mul)`	给定原始彩色图像，可以将该图像的两个不同颜色版本无缝混合。
`static void`	`colorChange(Mat src, Mat mask, Mat dst, float red_mul, float green_mul, float blue_mul)`	给定原始彩色图像，可以将该图像的两个不同颜色版本无缝混合。
`static AlignMTB`	`createAlignMTB()`	创建 AlignMTB 对象，通常效果足够好（分别偏移 31 和 63 像素）。
`static AlignMTB`	`createAlignMTB(int max_bits)`	创建 AlignMTB 对象
`static AlignMTB`	`createAlignMTB(int max_bits, int exclude_range)`	创建 AlignMTB 对象
`static AlignMTB`	`createAlignMTB(int max_bits, int exclude_range, boolean cut)`	创建 AlignMTB 对象
`static CalibrateDebevec`	`createCalibrateDebevec()`	创建 CalibrateDebevec 对象响应。
`static CalibrateDebevec`	`createCalibrateDebevec(int samples)`	创建 CalibrateDebevec 对象
`static CalibrateDebevec`	`createCalibrateDebevec(int samples, float lambda)`	创建 CalibrateDebevec 对象
`static CalibrateDebevec`	`createCalibrateDebevec(int samples, float lambda, boolean random)`	创建 CalibrateDebevec 对象
`static CalibrateRobertson`	`createCalibrateRobertson()`	创建 CalibrateRobertson 对象
`static CalibrateRobertson`	`createCalibrateRobertson(int max_iter)`	创建 CalibrateRobertson 对象
`static CalibrateRobertson`	`createCalibrateRobertson(int max_iter, float threshold)`	创建 CalibrateRobertson 对象
`static MergeDebevec`	`createMergeDebevec()`	创建 MergeDebevec 对象
`static MergeMertens`	`createMergeMertens()`	创建 MergeMertens 对象
`static MergeMertens`	`createMergeMertens(float contrast_weight)`	创建 MergeMertens 对象
`static MergeMertens`	`createMergeMertens(float contrast_weight, float saturation_weight)`	创建 MergeMertens 对象
`static MergeMertens`	`createMergeMertens(float contrast_weight, float saturation_weight, float exposure_weight)`	创建 MergeMertens 对象
`static MergeRobertson`	`createMergeRobertson()`	创建 MergeRobertson 对象
`static Tonemap`	`createTonemap()`	创建简单的线性映射器，其伽马校正值为 2.2f，适用于大多数显示器。
`static Tonemap`	`createTonemap(float gamma)`	创建带有伽马校正的简单线性映射器
`static TonemapDrago`	`createTonemapDrago()`	创建 TonemapDrago 对象，其值大于 1 增加饱和度，小于 1 减少饱和度。
`static TonemapDrago`	`createTonemapDrago(float gamma)`	创建 TonemapDrago 对象
`static TonemapDrago`	`createTonemapDrago(float gamma, float saturation)`	创建 TonemapDrago 对象
`static TonemapDrago`	`createTonemapDrago(float gamma, float saturation, float bias)`	创建 TonemapDrago 对象
`static TonemapMantiuk`	`createTonemapMantiuk()`	创建 TonemapMantiuk 对象动态范围。
`static TonemapMantiuk`	`createTonemapMantiuk(float gamma)`	创建 TonemapMantiuk 对象
`static TonemapMantiuk`	`createTonemapMantiuk(float gamma, float scale)`	创建 TonemapMantiuk 对象
`static TonemapMantiuk`	`createTonemapMantiuk(float gamma, float scale, float saturation)`	创建 TonemapMantiuk 对象
`static TonemapReinhard`	`createTonemapReinhard()`	创建 TonemapReinhard 对象值，如果为 0 则是全局的，否则是这两个情况的加权平均。
`static TonemapReinhard`	`createTonemapReinhard(float gamma)`	创建 TonemapReinhard 对象
`static TonemapReinhard`	`createTonemapReinhard(float gamma, float intensity)`	创建 TonemapReinhard 对象
`static TonemapReinhard`	`createTonemapReinhard(float gamma, float intensity, float light_adapt)`	创建 TonemapReinhard 对象
`static TonemapReinhard`	`createTonemapReinhard(float gamma, float intensity, float light_adapt, float color_adapt)`	创建 TonemapReinhard 对象
`static void`	`decolor(Mat src, Mat grayscale, Mat color_boost)`	将彩色图像转换为灰度图像。
`static void`	`denoise_TVL1(java.util.List<Mat> observations, Mat result)`	原始-对偶算法是一种用于解决特殊变分问题（即，找到一个函数来最小化某个泛函）的算法。
`static void`	`denoise_TVL1(java.util.List<Mat> observations, Mat result, double lambda)`	原始-对偶算法是一种用于解决特殊变分问题（即，找到一个函数来最小化某个泛函）的算法。
`static void`	`denoise_TVL1(java.util.List<Mat> observations, Mat result, double lambda, int niters)`	原始-对偶算法是一种用于解决特殊变分问题（即，找到一个函数来最小化某个泛函）的算法。
`static void`	`detailEnhance(Mat src, Mat dst)`	此滤镜可增强特定图像的细节。
`static void`	`detailEnhance(Mat src, Mat dst, float sigma_s)`	此滤镜可增强特定图像的细节。
`static void`	`detailEnhance(Mat src, Mat dst, float sigma_s, float sigma_r)`	此滤镜可增强特定图像的细节。
`static void`	`edgePreservingFilter(Mat src, Mat dst)`	滤波是图像和视频处理中的基本操作。
`static void`	`edgePreservingFilter(Mat src, Mat dst, int flags)`	滤波是图像和视频处理中的基本操作。
`static void`	`edgePreservingFilter(Mat src, Mat dst, int flags, float sigma_s)`	滤波是图像和视频处理中的基本操作。
`static void`	`edgePreservingFilter(Mat src, Mat dst, int flags, float sigma_s, float sigma_r)`	滤波是图像和视频处理中的基本操作。
`static void`	`fastNlMeansDenoising(Mat src, Mat dst)`	使用非局部均值去噪算法并通过多项计算优化来执行图像去噪。
`static void`	`fastNlMeansDenoising(Mat src, Mat dst, float h)`	使用非局部均值去噪算法并通过多项计算优化来执行图像去噪。
`static void`	`fastNlMeansDenoising(Mat src, Mat dst, float h, int templateWindowSize)`	使用非局部均值去噪算法并通过多项计算优化来执行图像去噪。
`static void`	`fastNlMeansDenoising(Mat src, Mat dst, float h, int templateWindowSize, int searchWindowSize)`	使用非局部均值去噪算法并通过多项计算优化来执行图像去噪。
`static void`	`fastNlMeansDenoising(Mat src, Mat dst, MatOfFloat h)`	使用非局部均值去噪算法并通过多项计算优化来执行图像去噪。
`static void`	`fastNlMeansDenoising(Mat src, Mat dst, MatOfFloat h, int templateWindowSize)`	使用非局部均值去噪算法并通过多项计算优化来执行图像去噪。
`static void`	`fastNlMeansDenoising(Mat src, Mat dst, MatOfFloat h, int templateWindowSize, int searchWindowSize)`	使用非局部均值去噪算法并通过多项计算优化来执行图像去噪。
`static void`	`fastNlMeansDenoising(Mat src, Mat dst, MatOfFloat h, int templateWindowSize, int searchWindowSize, int normType)`	使用非局部均值去噪算法并通过多项计算优化来执行图像去噪。
`static void`	`fastNlMeansDenoisingColored(Mat src, Mat dst)`	fastNlMeansDenoising 函数针对彩色图像的修改
`static void`	`fastNlMeansDenoisingColored(Mat src, Mat dst, float h)`	fastNlMeansDenoising 函数针对彩色图像的修改
`static void`	`fastNlMeansDenoisingColored(Mat src, Mat dst, float h, float hColor)`	fastNlMeansDenoising 函数针对彩色图像的修改
`static void`	`fastNlMeansDenoisingColored(Mat src, Mat dst, float h, float hColor, int templateWindowSize)`	fastNlMeansDenoising 函数针对彩色图像的修改
`static void`	`fastNlMeansDenoisingColored(Mat src, Mat dst, float h, float hColor, int templateWindowSize, int searchWindowSize)`	fastNlMeansDenoising 函数针对彩色图像的修改
`static void`	`fastNlMeansDenoisingColoredMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize)`	对彩色图像序列的 fastNlMeansDenoisingMulti 函数的修改
`static void`	`fastNlMeansDenoisingColoredMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, float h)`	对彩色图像序列的 fastNlMeansDenoisingMulti 函数的修改
`static void`	`fastNlMeansDenoisingColoredMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, float h, float hColor)`	对彩色图像序列的 fastNlMeansDenoisingMulti 函数的修改
`static void`	`fastNlMeansDenoisingColoredMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, float h, float hColor, int templateWindowSize)`	对彩色图像序列的 fastNlMeansDenoisingMulti 函数的修改
`static void`	`fastNlMeansDenoisingColoredMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, float h, float hColor, int templateWindowSize, int searchWindowSize)`	对彩色图像序列的 fastNlMeansDenoisingMulti 函数的修改
`static void`	`fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize)`	对 fastNlMeansDenoising 函数的修改，用于在短时间内连续捕获的图像序列。
`static void`	`fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, float h)`	对 fastNlMeansDenoising 函数的修改，用于在短时间内连续捕获的图像序列。
`static void`	`fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, float h, int templateWindowSize)`	对 fastNlMeansDenoising 函数的修改，用于在短时间内连续捕获的图像序列。
`static void`	`fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, float h, int templateWindowSize, int searchWindowSize)`	对 fastNlMeansDenoising 函数的修改，用于在短时间内连续捕获的图像序列。
`static void`	`fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, MatOfFloat h)`	对 fastNlMeansDenoising 函数的修改，用于在短时间内连续捕获的图像序列。
`static void`	`fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, MatOfFloat h, int templateWindowSize)`	对 fastNlMeansDenoising 函数的修改，用于在短时间内连续捕获的图像序列。
`static void`	`fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, MatOfFloat h, int templateWindowSize, int searchWindowSize)`	对 fastNlMeansDenoising 函数的修改，用于在短时间内连续捕获的图像序列。
`static void`	`fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, MatOfFloat h, int templateWindowSize, int searchWindowSize, int normType)`	对 fastNlMeansDenoising 函数的修改，用于在短时间内连续捕获的图像序列。
`static void`	`illuminationChange(Mat src, Mat mask, Mat dst)`	通过对选区内的梯度场应用适当的非线性变换，然后使用泊松求解器进行积分，可以局部修改图像的表观照明。
`static void`	`illuminationChange(Mat src, Mat mask, Mat dst, float alpha)`	通过对选区内的梯度场应用适当的非线性变换，然后使用泊松求解器进行积分，可以局部修改图像的表观照明。
`static void`	`illuminationChange(Mat src, Mat mask, Mat dst, float alpha, float beta)`	通过对选区内的梯度场应用适当的非线性变换，然后使用泊松求解器进行积分，可以局部修改图像的表观照明。
`static void`	`inpaint(Mat src, Mat inpaintMask, Mat dst, double inpaintRadius, int flags)`	使用区域邻域恢复图像中的选定区域。
`static void`	`pencilSketch(Mat src, Mat dst1, Mat dst2)`	铅笔风格的非真实感线条画
`static void`	`pencilSketch(Mat src, Mat dst1, Mat dst2, float sigma_s)`	铅笔风格的非真实感线条画
`static void`	`pencilSketch(Mat src, Mat dst1, Mat dst2, float sigma_s, float sigma_r)`	铅笔风格的非真实感线条画
`static void`	`pencilSketch(Mat src, Mat dst1, Mat dst2, float sigma_s, float sigma_r, float shade_factor)`	铅笔风格的非真实感线条画
`static void`	`seamlessClone(Mat src, Mat dst, Mat mask, Point p, Mat blend, int flags)`	执行无缝克隆，将源图像的一个区域混合到目标图像中。
`static void`	`stylization(Mat src, Mat dst)`	风格化旨在生成具有多种效果的数字图像，而非专注于照片般逼真。
`static void`	`stylization(Mat src, Mat dst, float sigma_s)`	风格化旨在生成具有多种效果的数字图像，而非专注于照片般逼真。
`static void`	`stylization(Mat src, Mat dst, float sigma_s, float sigma_r)`	风格化旨在生成具有多种效果的数字图像，而非专注于照片般逼真。
`static void`	`textureFlattening(Mat src, Mat mask, Mat dst)`	通过在与泊松求解器积分之前仅保留边缘位置的梯度，可以消除选定区域的纹理，使其内容呈现平坦外观。
`static void`	`textureFlattening(Mat src, Mat mask, Mat dst, float low_threshold)`	通过在与泊松求解器积分之前仅保留边缘位置的梯度，可以消除选定区域的纹理，使其内容呈现平坦外观。
`static void`	`textureFlattening(Mat src, Mat mask, Mat dst, float low_threshold, float high_threshold)`	通过在与泊松求解器积分之前仅保留边缘位置的梯度，可以消除选定区域的纹理，使其内容呈现平坦外观。
`static void`	`textureFlattening(Mat src, Mat mask, Mat dst, float low_threshold, float high_threshold, int kernel_size)`	通过在与泊松求解器积分之前仅保留边缘位置的梯度，可以消除选定区域的纹理，使其内容呈现平坦外观。

从类继承的方法 java.lang.Object
clone, equals, finalize, getClass, hashCode, notify, notifyAll, toString, wait, wait, wait

- 字段详细信息
  - INPAINT_NS
```
public static final int INPAINT_NS
```
    参见
    
    常量字段值
  - INPAINT_TELEA
```
public static final int INPAINT_TELEA
```
    参见
    
    常量字段值
  - LDR_SIZE
```
public static final int LDR_SIZE
```
    参见
    
    常量字段值
  - RECURS_FILTER
```
public static final int RECURS_FILTER
```
    参见
    
    常量字段值
  - NORMCONV_FILTER
```
public static final int NORMCONV_FILTER
```
    参见
    
    常量字段值
  - NORMAL_CLONE
```
public static final int NORMAL_CLONE
```
    参见
    
    常量字段值
  - MIXED_CLONE
```
public static final int MIXED_CLONE
```
    参见
    
    常量字段值
  - MONOCHROME_TRANSFER
```
public static final int MONOCHROME_TRANSFER
```
    参见
    
    常量字段值
  - NORMAL_CLONE_WIDE
```
public static final int NORMAL_CLONE_WIDE
```
    参见
    
    常量字段值
  - MIXED_CLONE_WIDE
```
public static final int MIXED_CLONE_WIDE
```
    参见
    
    常量字段值
  - MONOCHROME_TRANSFER_WIDE
```
public static final int MONOCHROME_TRANSFER_WIDE
```
    参见
    
    常量字段值
- 构造函数详细信息
  - Photo
```
public Photo()
```
- 方法详细信息
  - inpaint
```
public static void inpaint(Mat src,
                           Mat inpaintMask,
                           Mat dst,
                           double inpaintRadius,
                           int flags)
```
    使用区域邻域恢复图像中的选定区域。
    参数
    
    src - 输入 8 位、16 位无符号或 32 位浮点 1 通道或 8 位 3 通道图像。
    
    inpaintMask - 修复掩码，8 位 1 通道图像。非零像素指示需要修复的区域。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
    
    inpaintRadius - 算法考虑的每个修复点的圆形邻域半径。
    
    flags - 修复方法，可以是 cv::INPAINT_NS 或 cv::INPAINT_TELEA。该函数从区域边界附近的像素重建选定的图像区域。该函数可用于去除扫描照片上的灰尘和划痕，或从静态图像或视频中去除不需要的对象。更多详细信息请参阅 http://en.wikipedia.org/wiki/Inpainting。注意：
    
    使用修复技术的示例可在 opencv_source_code/samples/cpp/inpaint.cpp 中找到。
    
    (Python) 使用修复技术的示例可在 opencv_source_code/samples/python/inpaint.py 中找到。
  - fastNlMeansDenoising
```
public static void fastNlMeansDenoising(Mat src,
                                        Mat dst,
                                        float h,
                                        int templateWindowSize,
                                        int searchWindowSize)
```
    使用非局部均值去噪算法 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/ 并通过多项计算优化来执行图像去噪。噪声预期为高斯白噪声。
    
    参数
    
    src - 输入 8 位 1 通道、2 通道、3 通道或 4 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
    
    templateWindowSize - 用于计算权重的模板块的像素大小。应为奇数。推荐值为 7 像素。
    
    searchWindowSize - 用于计算给定像素加权平均值的窗口像素大小。应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节滤波强度的参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。此函数预期应用于灰度图像。对于彩色图像，请查看 fastNlMeansDenoisingColored。此函数的进阶用法是对不同色彩空间中的彩色图像进行手动去噪。fastNlMeansDenoisingColored 通过将图像转换为 CIELAB 色彩空间，然后分别使用不同的 h 参数对 L 和 AB 分量进行去噪，从而采用此方法。
  - fastNlMeansDenoising
```
public static void fastNlMeansDenoising(Mat src,
                                        Mat dst,
                                        float h,
                                        int templateWindowSize)
```
    使用非局部均值去噪算法 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/ 并通过多项计算优化来执行图像去噪。噪声预期为高斯白噪声。
    
    参数
    
    src - 输入 8 位 1 通道、2 通道、3 通道或 4 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
    
    templateWindowSize - 用于计算权重的模板块的像素大小。应为奇数。推荐值为 7 像素。给定像素的窗口应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节滤波强度的参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。此函数预期应用于灰度图像。对于彩色图像，请查看 fastNlMeansDenoisingColored。此函数的进阶用法是对不同色彩空间中的彩色图像进行手动去噪。fastNlMeansDenoisingColored 通过将图像转换为 CIELAB 色彩空间，然后分别使用不同的 h 参数对 L 和 AB 分量进行去噪，从而采用此方法。
  - fastNlMeansDenoising
```
public static void fastNlMeansDenoising(Mat src,
                                        Mat dst,
                                        float h)
```
    使用非局部均值去噪算法 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/ 并通过多项计算优化来执行图像去噪。噪声预期为高斯白噪声。
    
    参数
    
    src - 输入 8 位 1 通道、2 通道、3 通道或 4 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。应为奇数。推荐值为 7 像素。给定像素的窗口应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节滤波强度的参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。此函数预期应用于灰度图像。对于彩色图像，请查看 fastNlMeansDenoisingColored。此函数的进阶用法是对不同色彩空间中的彩色图像进行手动去噪。fastNlMeansDenoisingColored 通过将图像转换为 CIELAB 色彩空间，然后分别使用不同的 h 参数对 L 和 AB 分量进行去噪，从而采用此方法。
  - fastNlMeansDenoising
```
public static void fastNlMeansDenoising(Mat src,
                                        Mat dst)
```
    使用非局部均值去噪算法 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/ 并通过多项计算优化来执行图像去噪。噪声预期为高斯白噪声。
    
    参数
    
    src - 输入 8 位 1 通道、2 通道、3 通道或 4 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。应为奇数。推荐值为 7 像素。给定像素的窗口应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。它会去除图像细节，而较小的 h 值则保留细节但也会保留一些噪声。此函数预期应用于灰度图像。对于彩色图像，请查看 fastNlMeansDenoisingColored。此函数的进阶用法是对不同色彩空间中的彩色图像进行手动去噪。fastNlMeansDenoisingColored 通过将图像转换为 CIELAB 色彩空间，然后分别使用不同的 h 参数对 L 和 AB 分量进行去噪，从而采用此方法。
  - fastNlMeansDenoising
```
public static void fastNlMeansDenoising(Mat src,
                                        Mat dst,
                                        MatOfFloat h,
                                        int templateWindowSize,
                                        int searchWindowSize,
                                        int normType)
```
    使用非局部均值去噪算法 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/ 并通过多项计算优化来执行图像去噪。噪声预期为高斯白噪声。
    
    参数
    
    src - 输入 8 位或 16 位（仅限 NORM_L1）1 通道、2 通道、3 通道或 4 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
    
    templateWindowSize - 用于计算权重的模板块的像素大小。应为奇数。推荐值为 7 像素。
    
    searchWindowSize - 用于计算给定像素加权平均值的窗口像素大小。应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节滤波强度的一组参数，可以是应用于所有通道的一个参数，也可以是 dst 中每个通道的一个参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。
    
    normType - 用于权重计算的范数类型。可以是 NORM_L2 或 NORM_L1。此函数预期应用于灰度图像。对于彩色图像，请查看 fastNlMeansDenoisingColored。此函数的进阶用法是对不同色彩空间中的彩色图像进行手动去噪。fastNlMeansDenoisingColored 通过将图像转换为 CIELAB 色彩空间，然后分别使用不同的 h 参数对 L 和 AB 分量进行去噪，从而采用此方法。
  - fastNlMeansDenoising
```
public static void fastNlMeansDenoising(Mat src,
                                        Mat dst,
                                        MatOfFloat h,
                                        int templateWindowSize,
                                        int searchWindowSize)
```
    使用非局部均值去噪算法 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/ 并通过多项计算优化来执行图像去噪。噪声预期为高斯白噪声。
    
    参数
    
    src - 输入 8 位或 16 位（仅限 NORM_L1）1 通道、2 通道、3 通道或 4 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
    
    templateWindowSize - 用于计算权重的模板块的像素大小。应为奇数。推荐值为 7 像素。
    
    searchWindowSize - 用于计算给定像素加权平均值的窗口像素大小。应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节滤波强度的一组参数，可以是应用于所有通道的一个参数，也可以是 dst 中每个通道的一个参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。此函数预期应用于灰度图像。对于彩色图像，请查看 fastNlMeansDenoisingColored。此函数的进阶用法是对不同色彩空间中的彩色图像进行手动去噪。fastNlMeansDenoisingColored 通过将图像转换为 CIELAB 色彩空间，然后分别使用不同的 h 参数对 L 和 AB 分量进行去噪，从而采用此方法。
  - fastNlMeansDenoising
```
public static void fastNlMeansDenoising(Mat src,
                                        Mat dst,
                                        MatOfFloat h,
                                        int templateWindowSize)
```
    使用非局部均值去噪算法 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/ 并通过多项计算优化来执行图像去噪。噪声预期为高斯白噪声。
    
    参数
    
    src - 输入 8 位或 16 位（仅限 NORM_L1）1 通道、2 通道、3 通道或 4 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
    
    templateWindowSize - 用于计算权重的模板块的像素大小。应为奇数。推荐值为 7 像素。给定像素的窗口应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节滤波强度的一组参数，可以是应用于所有通道的一个参数，也可以是 dst 中每个通道的一个参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。此函数预期应用于灰度图像。对于彩色图像，请查看 fastNlMeansDenoisingColored。此函数的进阶用法是对不同色彩空间中的彩色图像进行手动去噪。fastNlMeansDenoisingColored 通过将图像转换为 CIELAB 色彩空间，然后分别使用不同的 h 参数对 L 和 AB 分量进行去噪，从而采用此方法。
  - fastNlMeansDenoising
```
public static void fastNlMeansDenoising(Mat src,
                                        Mat dst,
                                        MatOfFloat h)
```
    使用非局部均值去噪算法 http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/ 并通过多项计算优化来执行图像去噪。噪声预期为高斯白噪声。
    
    参数
    
    src - 输入 8 位或 16 位（仅限 NORM_L1）1 通道、2 通道、3 通道或 4 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。应为奇数。推荐值为 7 像素。给定像素的窗口应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节滤波强度的一组参数，可以是应用于所有通道的一个参数，也可以是 dst 中每个通道的一个参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。此函数预期应用于灰度图像。对于彩色图像，请查看 fastNlMeansDenoisingColored。此函数的进阶用法是对不同色彩空间中的彩色图像进行手动去噪。fastNlMeansDenoisingColored 通过将图像转换为 CIELAB 色彩空间，然后分别使用不同的 h 参数对 L 和 AB 分量进行去噪，从而采用此方法。
  - fastNlMeansDenoisingColored
```
public static void fastNlMeansDenoisingColored(Mat src,
                                               Mat dst,
                                               float h,
                                               float hColor,
                                               int templateWindowSize,
                                               int searchWindowSize)
```
    fastNlMeansDenoising 函数针对彩色图像的修改
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
    
    templateWindowSize - 用于计算权重的模板块的像素大小。应为奇数。推荐值为 7 像素。
    
    searchWindowSize - 用于计算给定像素加权平均值的窗口像素大小。应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节亮度分量滤波强度的参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。
    
    hColor - 与 h 相同，但用于颜色分量。对于大多数图像，值等于 10 足以去除彩色噪声且不失真颜色。该函数将图像转换为 CIELAB 色彩空间，然后使用 fastNlMeansDenoising 函数，通过给定的 h 参数分别对 L 和 AB 分量进行去噪。
  - fastNlMeansDenoisingColored
```
public static void fastNlMeansDenoisingColored(Mat src,
                                               Mat dst,
                                               float h,
                                               float hColor,
                                               int templateWindowSize)
```
    fastNlMeansDenoising 函数针对彩色图像的修改
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
    
    templateWindowSize - 用于计算权重的模板块的像素大小。应为奇数。推荐值为 7 像素。给定像素的窗口应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节亮度分量滤波强度的参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。
    
    hColor - 与 h 相同，但用于颜色分量。对于大多数图像，值等于 10 足以去除彩色噪声且不失真颜色。该函数将图像转换为 CIELAB 色彩空间，然后使用 fastNlMeansDenoising 函数，通过给定的 h 参数分别对 L 和 AB 分量进行去噪。
  - fastNlMeansDenoisingColored
```
public static void fastNlMeansDenoisingColored(Mat src,
                                               Mat dst,
                                               float h,
                                               float hColor)
```
    fastNlMeansDenoising 函数针对彩色图像的修改
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。应为奇数。推荐值为 7 像素。给定像素的窗口应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节亮度分量滤波强度的参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。
    
    hColor - 与 h 相同，但用于颜色分量。对于大多数图像，值等于 10 足以去除彩色噪声且不失真颜色。该函数将图像转换为 CIELAB 色彩空间，然后使用 fastNlMeansDenoising 函数，通过给定的 h 参数分别对 L 和 AB 分量进行去噪。
  - fastNlMeansDenoisingColored
```
public static void fastNlMeansDenoisingColored(Mat src,
                                               Mat dst,
                                               float h)
```
    fastNlMeansDenoising 函数针对彩色图像的修改
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。应为奇数。推荐值为 7 像素。给定像素的窗口应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节亮度分量滤波强度的参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。这将足以去除彩色噪声且不失真颜色。该函数将图像转换为 CIELAB 色彩空间，然后使用 fastNlMeansDenoising 函数，通过给定的 h 参数分别对 L 和 AB 分量进行去噪。
  - fastNlMeansDenoisingColored
```
public static void fastNlMeansDenoisingColored(Mat src,
                                               Mat dst)
```
    fastNlMeansDenoising 函数针对彩色图像的修改
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。应为奇数。推荐值为 7 像素。给定像素的窗口应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。它会去除噪声，但也会去除图像细节；较小的 h 值保留细节，但也会保留一些噪声。这将足以去除彩色噪声且不失真颜色。该函数将图像转换为 CIELAB 色彩空间，然后使用 fastNlMeansDenoising 函数，通过给定的 h 参数分别对 L 和 AB 分量进行去噪。
  - fastNlMeansDenoisingMulti
```
public static void fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs,
                                             Mat dst,
                                             int imgToDenoiseIndex,
                                             int temporalWindowSize,
                                             float h,
                                             int templateWindowSize,
                                             int searchWindowSize)
```
    对 fastNlMeansDenoising 函数的修改，用于在短时间内连续捕获的图像序列。例如视频。此版本的函数适用于灰度图像或手动颜色空间操作。更多详细信息请参阅 CITE: Buades2005DenoisingIS（可在此处开放获取）。
    
    参数
    
    srcImgs - 输入 8 位 1 通道、2 通道、3 通道或 4 通道图像序列。所有图像应具有相同的类型和大小。
    
    imgToDenoiseIndex - 在 srcImgs 序列中要进行去噪的目标图像索引。
    
    temporalWindowSize - 用于目标图像去噪的周围图像数量。应为奇数。将使用 srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 输出图像，与 srcImgs 图像具有相同的大小和类型。
    
    templateWindowSize - 用于计算权重的模板块的像素大小。应为奇数。推荐值为 7 像素。
    
    searchWindowSize - 用于计算给定像素加权平均值的窗口像素大小。应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节滤波强度的参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。
  - fastNlMeansDenoisingMulti
```
public static void fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs,
                                             Mat dst,
                                             int imgToDenoiseIndex,
                                             int temporalWindowSize,
                                             float h,
                                             int templateWindowSize)
```
    对 fastNlMeansDenoising 函数的修改，用于在短时间内连续捕获的图像序列。例如视频。此版本的函数适用于灰度图像或手动颜色空间操作。更多详细信息请参阅 CITE: Buades2005DenoisingIS（可在此处开放获取）。
    
    参数
    
    srcImgs - 输入 8 位 1 通道、2 通道、3 通道或 4 通道图像序列。所有图像应具有相同的类型和大小。
    
    imgToDenoiseIndex - 在 srcImgs 序列中要进行去噪的目标图像索引。
    
    temporalWindowSize - 用于目标图像去噪的周围图像数量。应为奇数。将使用 srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 输出图像，与 srcImgs 图像具有相同的大小和类型。
    
    templateWindowSize - 用于计算权重的模板块的像素大小。应为奇数。推荐值为 7 像素。给定像素的窗口应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节滤波强度的参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。
  - fastNlMeansDenoisingMulti
```
public static void fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs,
                                             Mat dst,
                                             int imgToDenoiseIndex,
                                             int temporalWindowSize,
                                             float h)
```
    对 fastNlMeansDenoising 函数的修改，用于在短时间内连续捕获的图像序列。例如视频。此版本的函数适用于灰度图像或手动颜色空间操作。更多详细信息请参阅 CITE: Buades2005DenoisingIS（可在此处开放获取）。
    
    参数
    
    srcImgs - 输入 8 位 1 通道、2 通道、3 通道或 4 通道图像序列。所有图像应具有相同的类型和大小。
    
    imgToDenoiseIndex - 在 srcImgs 序列中要进行去噪的目标图像索引。
    
    temporalWindowSize - 用于目标图像去噪的周围图像数量。应为奇数。将使用 srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 输出图像，与 srcImgs 图像具有相同的大小和类型。应为奇数。推荐值为 7 像素。给定像素的窗口应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节滤波强度的参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。
  - fastNlMeansDenoisingMulti
```
public static void fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs,
                                             Mat dst,
                                             int imgToDenoiseIndex,
                                             int temporalWindowSize)
```
    对 fastNlMeansDenoising 函数的修改，用于在短时间内连续捕获的图像序列。例如视频。此版本的函数适用于灰度图像或手动颜色空间操作。更多详细信息请参阅 CITE: Buades2005DenoisingIS（可在此处开放获取）。
    
    参数
    
    srcImgs - 输入 8 位 1 通道、2 通道、3 通道或 4 通道图像序列。所有图像应具有相同的类型和大小。
    
    imgToDenoiseIndex - 在 srcImgs 序列中要进行去噪的目标图像索引。
    
    temporalWindowSize - 用于目标图像去噪的周围图像数量。应为奇数。将使用 srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 输出图像，与 srcImgs 图像具有相同的大小和类型。应为奇数。推荐值为 7 像素。给定像素的窗口应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。它完美地去除噪声，但也会去除图像细节；较小的 h 值保留细节，但也会保留一些噪声。
  - fastNlMeansDenoisingMulti
```
public static void fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs,
                                             Mat dst,
                                             int imgToDenoiseIndex,
                                             int temporalWindowSize,
                                             MatOfFloat h,
                                             int templateWindowSize,
                                             int searchWindowSize,
                                             int normType)
```
    对 fastNlMeansDenoising 函数的修改，用于在短时间内连续捕获的图像序列。例如视频。此版本的函数适用于灰度图像或手动颜色空间操作。更多详细信息请参阅 CITE: Buades2005DenoisingIS（可在此处开放获取）。
    
    参数
    
    srcImgs - 输入 8 位或 16 位（仅限 NORM_L1）1 通道、2 通道、3 通道或 4 通道图像序列。所有图像应具有相同的类型和大小。
    
    imgToDenoiseIndex - 在 srcImgs 序列中要进行去噪的目标图像索引。
    
    temporalWindowSize - 用于目标图像去噪的周围图像数量。应为奇数。将使用 srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 输出图像，与 srcImgs 图像具有相同的大小和类型。
    
    templateWindowSize - 用于计算权重的模板块的像素大小。应为奇数。推荐值为 7 像素。
    
    searchWindowSize - 用于计算给定像素加权平均值的窗口像素大小。应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节滤波强度的一组参数，可以是应用于所有通道的一个参数，也可以是 dst 中每个通道的一个参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。
    
    normType - 用于权重计算的范数类型。可以是 NORM_L2 或 NORM_L1。
  - fastNlMeansDenoisingMulti
```
public static void fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs,
                                             Mat dst,
                                             int imgToDenoiseIndex,
                                             int temporalWindowSize,
                                             MatOfFloat h,
                                             int templateWindowSize,
                                             int searchWindowSize)
```
    对 fastNlMeansDenoising 函数的修改，用于在短时间内连续捕获的图像序列。例如视频。此版本的函数适用于灰度图像或手动颜色空间操作。更多详细信息请参阅 CITE: Buades2005DenoisingIS（可在此处开放获取）。
    
    参数
    
    srcImgs - 输入 8 位或 16 位（仅限 NORM_L1）1 通道、2 通道、3 通道或 4 通道图像序列。所有图像应具有相同的类型和大小。
    
    imgToDenoiseIndex - 在 srcImgs 序列中要进行去噪的目标图像索引。
    
    temporalWindowSize - 用于目标图像去噪的周围图像数量。应为奇数。将使用 srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 输出图像，与 srcImgs 图像具有相同的大小和类型。
    
    templateWindowSize - 用于计算权重的模板块的像素大小。应为奇数。推荐值为 7 像素。
    
    searchWindowSize - 用于计算给定像素加权平均值的窗口像素大小。应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节滤波强度的一组参数，可以是应用于所有通道的一个参数，也可以是 dst 中每个通道的一个参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。
  - fastNlMeansDenoisingMulti
```
public static void fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs,
                                             Mat dst,
                                             int imgToDenoiseIndex,
                                             int temporalWindowSize,
                                             MatOfFloat h,
                                             int templateWindowSize)
```
    对 fastNlMeansDenoising 函数的修改，用于在短时间内连续捕获的图像序列。例如视频。此版本的函数适用于灰度图像或手动颜色空间操作。更多详细信息请参阅 CITE: Buades2005DenoisingIS（可在此处开放获取）。
    
    参数
    
    srcImgs - 输入 8 位或 16 位（仅限 NORM_L1）1 通道、2 通道、3 通道或 4 通道图像序列。所有图像应具有相同的类型和大小。
    
    imgToDenoiseIndex - 在 srcImgs 序列中要进行去噪的目标图像索引。
    
    temporalWindowSize - 用于目标图像去噪的周围图像数量。应为奇数。将使用 srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 输出图像，与 srcImgs 图像具有相同的大小和类型。
    
    templateWindowSize - 用于计算权重的模板块的像素大小。应为奇数。推荐值为 7 像素。给定像素的窗口应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节滤波强度的一组参数，可以是应用于所有通道的一个参数，也可以是 dst 中每个通道的一个参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。
  - fastNlMeansDenoisingMulti
```
public static void fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs,
                                             Mat dst,
                                             int imgToDenoiseIndex,
                                             int temporalWindowSize,
                                             MatOfFloat h)
```
    对 fastNlMeansDenoising 函数的修改，用于在短时间内连续捕获的图像序列。例如视频。此版本的函数适用于灰度图像或手动颜色空间操作。更多详细信息请参阅 CITE: Buades2005DenoisingIS（可在此处开放获取）。
    
    参数
    
    srcImgs - 输入 8 位或 16 位（仅限 NORM_L1）1 通道、2 通道、3 通道或 4 通道图像序列。所有图像应具有相同的类型和大小。
    
    imgToDenoiseIndex - 在 srcImgs 序列中要进行去噪的目标图像索引。
    
    temporalWindowSize - 用于目标图像去噪的周围图像数量。应为奇数。将使用 srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 输出图像，与 srcImgs 图像具有相同的大小和类型。应为奇数。推荐值为 7 像素。给定像素的窗口应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节滤波强度的一组参数，可以是应用于所有通道的一个参数，也可以是 dst 中每个通道的一个参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。
  - fastNlMeansDenoisingColoredMulti
```
public static void fastNlMeansDenoisingColoredMulti(java.util.List<Mat> srcImgs,
                                                    Mat dst,
                                                    int imgToDenoiseIndex,
                                                    int temporalWindowSize,
                                                    float h,
                                                    float hColor,
                                                    int templateWindowSize,
                                                    int searchWindowSize)
```
    对彩色图像序列的 fastNlMeansDenoisingMulti 函数的修改
    
    参数
    
    srcImgs - 输入 8 位 3 通道图像序列。所有图像应具有相同的类型和大小。
    
    imgToDenoiseIndex - 在 srcImgs 序列中要进行去噪的目标图像索引。
    
    temporalWindowSize - 用于目标图像去噪的周围图像数量。应为奇数。将使用 srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 输出图像，与 srcImgs 图像具有相同的大小和类型。
    
    templateWindowSize - 用于计算权重的模板块的像素大小。应为奇数。推荐值为 7 像素。
    
    searchWindowSize - 用于计算给定像素加权平均值的窗口像素大小。应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节亮度分量滤波强度的参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。
    
    hColor - 与 h 相同，但用于颜色分量。该函数将图像转换为 CIELAB 色彩空间，然后使用 fastNlMeansDenoisingMulti 函数，通过给定的 h 参数分别对 L 和 AB 分量进行去噪。
  - fastNlMeansDenoisingColoredMulti
```
public static void fastNlMeansDenoisingColoredMulti(java.util.List<Mat> srcImgs,
                                                    Mat dst,
                                                    int imgToDenoiseIndex,
                                                    int temporalWindowSize,
                                                    float h,
                                                    float hColor,
                                                    int templateWindowSize)
```
    对彩色图像序列的 fastNlMeansDenoisingMulti 函数的修改
    
    参数
    
    srcImgs - 输入 8 位 3 通道图像序列。所有图像应具有相同的类型和大小。
    
    imgToDenoiseIndex - 在 srcImgs 序列中要进行去噪的目标图像索引。
    
    temporalWindowSize - 用于目标图像去噪的周围图像数量。应为奇数。将使用 srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 输出图像，与 srcImgs 图像具有相同的大小和类型。
    
    templateWindowSize - 用于计算权重的模板块的像素大小。应为奇数。推荐值为 7 像素。给定像素的窗口应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节亮度分量滤波强度的参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。
    
    hColor - 与 h 相同，但用于颜色分量。该函数将图像转换为 CIELAB 色彩空间，然后使用 fastNlMeansDenoisingMulti 函数，通过给定的 h 参数分别对 L 和 AB 分量进行去噪。
  - fastNlMeansDenoisingColoredMulti
```
public static void fastNlMeansDenoisingColoredMulti(java.util.List<Mat> srcImgs,
                                                    Mat dst,
                                                    int imgToDenoiseIndex,
                                                    int temporalWindowSize,
                                                    float h,
                                                    float hColor)
```
    对彩色图像序列的 fastNlMeansDenoisingMulti 函数的修改
    
    参数
    
    srcImgs - 输入 8 位 3 通道图像序列。所有图像应具有相同的类型和大小。
    
    imgToDenoiseIndex - 在 srcImgs 序列中要进行去噪的目标图像索引。
    
    temporalWindowSize - 用于目标图像去噪的周围图像数量。应为奇数。将使用 srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 输出图像，与 srcImgs 图像具有相同的大小和类型。应为奇数。推荐值为 7 像素。给定像素的窗口应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节亮度分量滤波强度的参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。
    
    hColor - 与 h 相同，但用于颜色分量。该函数将图像转换为 CIELAB 色彩空间，然后使用 fastNlMeansDenoisingMulti 函数，通过给定的 h 参数分别对 L 和 AB 分量进行去噪。
  - fastNlMeansDenoisingColoredMulti
```
public static void fastNlMeansDenoisingColoredMulti(java.util.List<Mat> srcImgs,
                                                    Mat dst,
                                                    int imgToDenoiseIndex,
                                                    int temporalWindowSize,
                                                    float h)
```
    对彩色图像序列的 fastNlMeansDenoisingMulti 函数的修改
    
    参数
    
    srcImgs - 输入 8 位 3 通道图像序列。所有图像应具有相同的类型和大小。
    
    imgToDenoiseIndex - 在 srcImgs 序列中要进行去噪的目标图像索引。
    
    temporalWindowSize - 用于目标图像去噪的周围图像数量。应为奇数。将使用 srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 输出图像，与 srcImgs 图像具有相同的大小和类型。应为奇数。推荐值为 7 像素。给定像素的窗口应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。
    
    h - 调节亮度分量滤波强度的参数。大的 h 值能完美去除噪声，但也会去除图像细节；小的 h 值保留细节，但也会保留一些噪声。该函数将图像转换为 CIELAB 色彩空间，然后使用 fastNlMeansDenoisingMulti 函数，通过给定的 h 参数分别对 L 和 AB 分量进行去噪。
  - fastNlMeansDenoisingColoredMulti
```
public static void fastNlMeansDenoisingColoredMulti(java.util.List<Mat> srcImgs,
                                                    Mat dst,
                                                    int imgToDenoiseIndex,
                                                    int temporalWindowSize)
```
    对彩色图像序列的 fastNlMeansDenoisingMulti 函数的修改
    
    参数
    
    srcImgs - 输入 8 位 3 通道图像序列。所有图像应具有相同的类型和大小。
    
    imgToDenoiseIndex - 在 srcImgs 序列中要进行去噪的目标图像索引。
    
    temporalWindowSize - 用于目标图像去噪的周围图像数量。应为奇数。将使用 srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 输出图像，与 srcImgs 图像具有相同的大小和类型。应为奇数。推荐值为 7 像素。给定像素的窗口应为奇数。线性影响性能：`searchWindowsSize` 越大 - 去噪时间越长。推荐值为 21 像素。它会去除噪声，但也会去除图像细节；较小的 h 值保留细节，但也会保留一些噪声。该函数将图像转换为 CIELAB 色彩空间，然后使用 fastNlMeansDenoisingMulti 函数，通过给定的 h 参数分别对 L 和 AB 分量进行去噪。
  - denoise_TVL1
```
public static void denoise_TVL1(java.util.List<Mat> observations,
                                Mat result,
                                double lambda,
                                int niters)
```
    原始-对偶算法是一种用于解决特殊变分问题（即，找到一个函数来最小化某个泛函）的算法。图像去噪，特别是，可以被视为一个变分问题，因此原始-对偶算法可以用于执行去噪，这正是此处实现的。值得注意的是，此实现取自 2013 年 7 月的博客条目 CITE: MA13，其中还包含（稍微更通用）可用的 Python 源代码。随后，该代码于 2013 年 7 月底由 Vadim Pisarevsky 使用 OpenCV 用 C++ 重写，最后由后来的作者稍作修改。尽管所涉及算法的详细讨论和论证可在 CITE: ChambolleEtAl 中找到，但在此处根据 CITE: MA13 简要介绍一下可能更有意义。首先，我们将 1 字节灰度图像视为像素矩形域中的函数（可以看作是对于某些 \(m,\;n\in\mathbb{N}\) 的集合 \(\left\{(x,y)\in\mathbb{N}\times\mathbb{N}\mid 1\leq x\leq n,\;1\leq y\leq m\right\}\) 到 \(\{0,1,\dots,255\}\)）。我们将噪声图像表示为 \(f_i\)，基于此观点，给定一个相同大小的图像 \(x\)，我们可以通过公式 \(\left\|\left\|\nabla x\right\|\right\| + \lambda\sum_i\left\|\left\|x-f_i\right\|\right\|\) 来衡量它的“坏”程度。这里的 \(\|\|\cdot\|\|\) 表示 \(L_2\)-范数，如您所见，第一项表示我们希望图像平滑（理想情况下，梯度为零，因此是常数），第二项表示我们希望结果接近我们获得的观测值。如果我们将 \(x\) 视为一个函数，这正是我们寻求最小化的泛函，而原始-对偶算法在此处发挥作用。
    
    参数
    
    observations - 此数组应包含一个或多个待恢复图像的噪声版本。
    
    result - 去噪后的图像将存储在此处。无需预先分配存储空间，因为在必要时会自动分配。
    
    lambda - 对应于上述公式中的 \(\lambda\)。当其值增大时，平滑（模糊）图像比细节丰富（但可能噪声更大）的图像更受青睐。粗略地说，当其值变小时，结果会更模糊，但会去除更严重的异常值。
    
    niters - 算法将运行的迭代次数。当然，迭代次数越多越好，但很难量化地细化此陈述，因此只需使用默认值并在结果不佳时增加它。
  - denoise_TVL1
```
public static void denoise_TVL1(java.util.List<Mat> observations,
                                Mat result,
                                double lambda)
```
    原始-对偶算法是一种用于解决特殊变分问题（即，找到一个函数来最小化某个泛函）的算法。图像去噪，特别是，可以被视为一个变分问题，因此原始-对偶算法可以用于执行去噪，这正是此处实现的。值得注意的是，此实现取自 2013 年 7 月的博客条目 CITE: MA13，其中还包含（稍微更通用）可用的 Python 源代码。随后，该代码于 2013 年 7 月底由 Vadim Pisarevsky 使用 OpenCV 用 C++ 重写，最后由后来的作者稍作修改。尽管所涉及算法的详细讨论和论证可在 CITE: ChambolleEtAl 中找到，但在此处根据 CITE: MA13 简要介绍一下可能更有意义。首先，我们将 1 字节灰度图像视为像素矩形域中的函数（可以看作是对于某些 \(m,\;n\in\mathbb{N}\) 的集合 \(\left\{(x,y)\in\mathbb{N}\times\mathbb{N}\mid 1\leq x\leq n,\;1\leq y\leq m\right\}\) 到 \(\{0,1,\dots,255\}\)）。我们将噪声图像表示为 \(f_i\)，基于此观点，给定一个相同大小的图像 \(x\)，我们可以通过公式 \(\left\|\left\|\nabla x\right\|\right\| + \lambda\sum_i\left\|\left\|x-f_i\right\|\right\|\) 来衡量它的“坏”程度。这里的 \(\|\|\cdot\|\|\) 表示 \(L_2\)-范数，如您所见，第一项表示我们希望图像平滑（理想情况下，梯度为零，因此是常数），第二项表示我们希望结果接近我们获得的观测值。如果我们将 \(x\) 视为一个函数，这正是我们寻求最小化的泛函，而原始-对偶算法在此处发挥作用。
    
    参数
    
    observations - 此数组应包含一个或多个待恢复图像的噪声版本。
    
    result - 去噪后的图像将存储在此处。无需预先分配存储空间，因为在必要时会自动分配。
    
    lambda - 对应于上述公式中的 \(\lambda\)。当其值增大时，平滑（模糊）图像比细节丰富（但可能噪声更大）的图像更受青睐。粗略地说，当其值变小时，结果会更模糊，但会去除更严重的异常值。更好的是，但很难量化地细化此陈述，因此只需使用默认值并在结果不佳时增加它。
  - denoise_TVL1
```
public static void denoise_TVL1(java.util.List<Mat> observations,
                                Mat result)
```
    原始-对偶算法是一种用于解决特殊变分问题（即，找到一个函数来最小化某个泛函）的算法。图像去噪，特别是，可以被视为一个变分问题，因此原始-对偶算法可以用于执行去噪，这正是此处实现的。值得注意的是，此实现取自 2013 年 7 月的博客条目 CITE: MA13，其中还包含（稍微更通用）可用的 Python 源代码。随后，该代码于 2013 年 7 月底由 Vadim Pisarevsky 使用 OpenCV 用 C++ 重写，最后由后来的作者稍作修改。尽管所涉及算法的详细讨论和论证可在 CITE: ChambolleEtAl 中找到，但在此处根据 CITE: MA13 简要介绍一下可能更有意义。首先，我们将 1 字节灰度图像视为像素矩形域中的函数（可以看作是对于某些 \(m,\;n\in\mathbb{N}\) 的集合 \(\left\{(x,y)\in\mathbb{N}\times\mathbb{N}\mid 1\leq x\leq n,\;1\leq y\leq m\right\}\) 到 \(\{0,1,\dots,255\}\)）。我们将噪声图像表示为 \(f_i\)，基于此观点，给定一个相同大小的图像 \(x\)，我们可以通过公式 \(\left\|\left\|\nabla x\right\|\right\| + \lambda\sum_i\left\|\left\|x-f_i\right\|\right\|\) 来衡量它的“坏”程度。这里的 \(\|\|\cdot\|\|\) 表示 \(L_2\)-范数，如您所见，第一项表示我们希望图像平滑（理想情况下，梯度为零，因此是常数），第二项表示我们希望结果接近我们获得的观测值。如果我们将 \(x\) 视为一个函数，这正是我们寻求最小化的泛函，而原始-对偶算法在此处发挥作用。
    
    参数
    
    observations - 此数组应包含一个或多个待恢复图像的噪声版本。
    
    result - 去噪后的图像将存储在此处。无需预先分配存储空间，因为在必要时会自动分配。模糊图像比细节丰富（但可能噪声更大）的图像更受青睐。粗略地说，当其值变小时，结果会更模糊，但会去除更严重的异常值。更好的是，但很难量化地细化此陈述，因此只需使用默认值并在结果不佳时增加它。
  - createTonemap
```
public static Tonemap createTonemap(float gamma)
```
    创建带有伽马校正的简单线性映射器
    
    参数
    
    gamma - 伽马校正的正值。伽马值为 1.0 表示没有校正，伽马值等于 2.2f 适用于大多数显示器。通常，伽马 > 1 会使图像变亮，伽马 < 1 会使图像变暗。
    
    返回
    
    自动生成
  - createTonemap
```
public static Tonemap createTonemap()
```
    创建简单的线性映射器，其伽马校正值为 2.2f，适用于大多数显示器。通常，伽马 > 1 会使图像变亮，伽马 < 1 会使图像变暗。
    
    返回
    
    自动生成
  - createTonemapDrago
```
public static TonemapDrago createTonemapDrago(float gamma,
                                              float saturation,
                                              float bias)
```
    创建 TonemapDrago 对象
    
    参数
    
    gamma - 伽马校正的伽马值。请参阅 createTonemap。
    
    saturation - 正的饱和度增强值。1.0 保留饱和度，大于 1 的值增加饱和度，小于 1 的值减少饱和度。
    
    bias - 偏差函数在 [0, 1] 范围内的值。0.7 到 0.9 的值通常能产生最佳结果，默认值为 0.85。
    
    返回
    
    自动生成
  - createTonemapDrago
```
public static TonemapDrago createTonemapDrago(float gamma,
                                              float saturation)
```
    创建 TonemapDrago 对象
    
    参数
    
    gamma - 伽马校正的伽马值。请参阅 createTonemap。
    
    saturation - 正的饱和度增强值。1.0 保留饱和度，大于 1 的值增加饱和度，小于 1 的值减少饱和度。结果，默认值为 0.85。
    
    返回
    
    自动生成
  - createTonemapDrago
```
public static TonemapDrago createTonemapDrago(float gamma)
```
    创建 TonemapDrago 对象
    
    参数
    
    gamma - 伽马校正的伽马值。请参阅 createTonemap，其值大于 1 增加饱和度，小于 1 减少饱和度。结果，默认值为 0.85。
    
    返回
    
    自动生成
  - createTonemapDrago
```
public static TonemapDrago createTonemapDrago()
```
    创建 TonemapDrago 对象，其值大于 1 增加饱和度，小于 1 减少饱和度。结果，默认值为 0.85。
    
    返回
    
    自动生成
  - createTonemapReinhard
```
public static TonemapReinhard createTonemapReinhard(float gamma,
                                                    float intensity,
                                                    float light_adapt,
                                                    float color_adapt)
```
    创建 TonemapReinhard 对象
    
    参数
    
    gamma - 伽马校正的伽马值。请参阅 createTonemap。
    
    intensity - 结果强度在 [-8, 8] 范围内。更大的强度产生更亮的结果。
    
    light_adapt - 光适应在 [0, 1] 范围内。如果为 1，适应仅基于像素值；如果为 0，则为全局适应；否则是这两种情况的加权平均值。
    
    color_adapt - 色度适应在 [0, 1] 范围内。如果为 1，通道独立处理；如果为 0，每个通道的适应级别相同。
    
    返回
    
    自动生成
  - createTonemapReinhard
```
public static TonemapReinhard createTonemapReinhard(float gamma,
                                                    float intensity,
                                                    float light_adapt)
```
    创建 TonemapReinhard 对象
    
    参数
    
    gamma - 伽马校正的伽马值。请参阅 createTonemap。
    
    intensity - 结果强度在 [-8, 8] 范围内。更大的强度产生更亮的结果。
    
    light_adapt - 光适应在 [0, 1] 范围内。如果为 1，适应仅基于像素值；如果为 0，则为全局适应；否则是这两种情况的加权平均值。如果为 0，每个通道的适应级别相同。
    
    返回
    
    自动生成
  - createTonemapReinhard
```
public static TonemapReinhard createTonemapReinhard(float gamma,
                                                    float intensity)
```
    创建 TonemapReinhard 对象
    
    参数
    
    gamma - 伽马校正的伽马值。请参阅 createTonemap。
    
    intensity - 结果强度在 [-8, 8] 范围内。更大的强度产生更亮的结果。值，如果为 0 则是全局的，否则是这两个情况的加权平均。如果为 0，每个通道的适应级别相同。
    
    返回
    
    自动生成
  - createTonemapReinhard
```
public static TonemapReinhard createTonemapReinhard(float gamma)
```
    创建 TonemapReinhard 对象
    
    参数
    
    gamma - 伽马校正的伽马值。请参阅 createTonemap 值，如果为 0 则是全局的，否则是这两个情况的加权平均。如果为 0，每个通道的适应级别相同。
    
    返回
    
    自动生成
  - createTonemapReinhard
```
public static TonemapReinhard createTonemapReinhard()
```
    创建 TonemapReinhard 对象值，如果为 0 则是全局的，否则是这两个情况的加权平均。如果为 0，每个通道的适应级别相同。
    
    返回
    
    自动生成
  - createTonemapMantiuk
```
public static TonemapMantiuk createTonemapMantiuk(float gamma,
                                                  float scale,
                                                  float saturation)
```
    创建 TonemapMantiuk 对象
    
    参数
    
    gamma - 伽马校正的伽马值。请参阅 createTonemap。
    
    scale - 对比度缩放因子。HVS 响应乘以该参数，从而压缩动态范围。0.6 到 0.9 的值产生最佳结果。
    
    saturation - 饱和度增强值。请参阅 createTonemapDrago。
    
    返回
    
    自动生成
  - createTonemapMantiuk
```
public static TonemapMantiuk createTonemapMantiuk(float gamma,
                                                  float scale)
```
    创建 TonemapMantiuk 对象
    
    参数
    
    gamma - 伽马校正的伽马值。请参阅 createTonemap。
    
    scale - 对比度缩放因子。HVS 响应乘以该参数，从而压缩动态范围。0.6 到 0.9 的值产生最佳结果。
    
    返回
    
    自动生成
  - createTonemapMantiuk
```
public static TonemapMantiuk createTonemapMantiuk(float gamma)
```
    创建 TonemapMantiuk 对象
    
    参数
    
    gamma - 伽马校正的伽马值。请参阅 createTonemap 动态范围。0.6 到 0.9 的值产生最佳结果。
    
    返回
    
    自动生成
  - createTonemapMantiuk
```
public static TonemapMantiuk createTonemapMantiuk()
```
    创建 TonemapMantiuk 对象动态范围。0.6 到 0.9 的值产生最佳结果。
    
    返回
    
    自动生成
  - createAlignMTB
```
public static AlignMTB createAlignMTB(int max_bits,
                                      int exclude_range,
                                      boolean cut)
```
    创建 AlignMTB 对象
    
    参数
    
    max_bits - 各维度最大偏移量以 2 为底的对数。值为 5 和 6 通常足够好（分别对应 31 和 63 像素偏移）。
    
    exclude_range - 用于排除位图的范围，该位图用于抑制中值附近的噪声。
    
    cut - 如果为 true，则裁剪图像；否则，用零填充新区域。
    
    返回
    
    自动生成
  - createAlignMTB
```
public static AlignMTB createAlignMTB(int max_bits,
                                      int exclude_range)
```
    创建 AlignMTB 对象
    
    参数
    
    max_bits - 各维度最大偏移量以 2 为底的对数。值为 5 和 6 通常足够好（分别对应 31 和 63 像素偏移）。
    
    exclude_range - 用于排除位图的范围，该位图用于抑制中值附近的噪声。
    
    返回
    
    自动生成
  - createAlignMTB
```
public static AlignMTB createAlignMTB(int max_bits)
```
    创建 AlignMTB 对象
    
    参数
    
    max_bits - 各维度最大偏移量以 2 为底的对数。值为 5 和 6 通常足够好（分别对应 31 和 63 像素偏移）。中值。
    
    返回
    
    自动生成
  - createAlignMTB
```
public static AlignMTB createAlignMTB()
```
    创建 AlignMTB 对象，通常效果足够好（分别偏移 31 和 63 像素）。中值。
    
    返回
    
    自动生成
  - createCalibrateDebevec
```
public static CalibrateDebevec createCalibrateDebevec(int samples,
                                                      float lambda,
                                                      boolean random)
```
    创建 CalibrateDebevec 对象
    
    参数
    
    samples - 要使用的像素位置数量。
    
    lambda - 平滑项权重。值越大，结果越平滑，但可能改变响应。
    
    random - 如果为 true，则随机选择采样像素位置；否则，它们形成一个矩形网格。
    
    返回
    
    自动生成
  - createCalibrateDebevec
```
public static CalibrateDebevec createCalibrateDebevec(int samples,
                                                      float lambda)
```
    创建 CalibrateDebevec 对象
    
    参数
    
    samples - 要使用的像素位置数量。
    
    lambda - 平滑项权重。值越大，结果越平滑，但可能改变响应。矩形网格。
    
    返回
    
    自动生成
  - createCalibrateDebevec
```
public static CalibrateDebevec createCalibrateDebevec(int samples)
```
    创建 CalibrateDebevec 对象
    
    参数
    
    samples - 要使用的像素位置数量响应。矩形网格。
    
    返回
    
    自动生成
  - createCalibrateDebevec
```
public static CalibrateDebevec createCalibrateDebevec()
```
    创建 CalibrateDebevec 对象响应。矩形网格。
    
    返回
    
    自动生成
  - createCalibrateRobertson
```
public static CalibrateRobertson createCalibrateRobertson(int max_iter,
                                                          float threshold)
```
    创建 CalibrateRobertson 对象
    
    参数
    
    max_iter - 高斯-赛德尔求解器最大迭代次数。
    
    threshold - 最小化两次连续步骤结果之间的目标差异。
    
    返回
    
    自动生成
  - createCalibrateRobertson
```
public static CalibrateRobertson createCalibrateRobertson(int max_iter)
```
    创建 CalibrateRobertson 对象
    
    参数
    
    max_iter - 高斯-赛德尔求解器最大迭代次数。
    
    返回
    
    自动生成
  - createCalibrateRobertson
```
public static CalibrateRobertson createCalibrateRobertson()
```
    创建 CalibrateRobertson 对象
    
    返回
    
    自动生成
  - createMergeDebevec
```
public static MergeDebevec createMergeDebevec()
```
    创建 MergeDebevec 对象
    
    返回
    
    自动生成
  - createMergeMertens
```
public static MergeMertens createMergeMertens(float contrast_weight,
                                              float saturation_weight,
                                              float exposure_weight)
```
    创建 MergeMertens 对象
    
    参数
    
    contrast_weight - 对比度度量权重。请参阅 MergeMertens。
    
    saturation_weight - 饱和度度量权重。
    
    exposure_weight - 曝光良好度度量权重。
    
    返回
    
    自动生成
  - createMergeMertens
```
public static MergeMertens createMergeMertens(float contrast_weight,
                                              float saturation_weight)
```
    创建 MergeMertens 对象
    
    参数
    
    contrast_weight - 对比度度量权重。请参阅 MergeMertens。
    
    saturation_weight - 饱和度度量权重。
    
    返回
    
    自动生成
  - createMergeMertens
```
public static MergeMertens createMergeMertens(float contrast_weight)
```
    创建 MergeMertens 对象
    
    参数
    
    contrast_weight - 对比度度量权重。请参阅 MergeMertens。
    
    返回
    
    自动生成
  - createMergeMertens
```
public static MergeMertens createMergeMertens()
```
    创建 MergeMertens 对象
    
    返回
    
    自动生成
  - createMergeRobertson
```
public static MergeRobertson createMergeRobertson()
```
    创建 MergeRobertson 对象
    
    返回
    
    自动生成
  - decolor
```
public static void decolor(Mat src,
                           Mat grayscale,
                           Mat color_boost)
```
    将彩色图像转换为灰度图像。它是数字印刷、风格化黑白照片渲染以及许多单通道图像处理应用中的基本工具 CITE: CL12。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    grayscale - 输出 8 位 1 通道图像。
    
    color_boost - 输出 8 位 3 通道图像。此函数应用于彩色图像。
  - seamlessClone
```
public static void seamlessClone(Mat src,
                                 Mat dst,
                                 Mat mask,
                                 Point p,
                                 Mat blend,
                                 int flags)
```
    执行无缝克隆，将源图像的一个区域混合到目标图像中。此函数专为局部图像编辑而设计，允许将限制在某个区域（手动选择为 ROI）的更改轻松无缝地应用。这些更改可以从轻微的扭曲到完全替换为新内容 CITE: PM03。
    
    参数
    
    src - 源图像（8 位 3 通道），其区域将被混合到目标图像中。
    
    dst - 目标图像（8 位 3 通道），src 图像将在此处混合。
    
    mask - 一个二进制掩码（8 位，1、3 或 4 通道），指定源图像中要混合的区域。非零像素表示要混合的区域。如果提供了空的 Mat，则会在内部创建一个所有像素非零的掩码。
    
    p - src 图像中心在 dst 图像中的放置点。
    
    blend - 存储无缝克隆结果的输出图像。它与 dst 具有相同的大小和类型。
    
    flags - 控制克隆方法类型的标志，可以取 cv::SeamlessCloneFlags 的值。
  - colorChange
```
public static void colorChange(Mat src,
                               Mat mask,
                               Mat dst,
                               float red_mul,
                               float green_mul,
                               float blue_mul)
```
    给定原始彩色图像，可以将该图像的两个不同颜色版本无缝混合。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    mask - 输入 8 位 1 或 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
    
    red_mul - R 通道乘法因子。
    
    green_mul - G 通道乘法因子。
    
    blue_mul - B 通道乘法因子。乘法因子范围在 0.5 到 2.5 之间。
  - colorChange
```
public static void colorChange(Mat src,
                               Mat mask,
                               Mat dst,
                               float red_mul,
                               float green_mul)
```
    给定原始彩色图像，可以将该图像的两个不同颜色版本无缝混合。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    mask - 输入 8 位 1 或 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
    
    red_mul - R 通道乘法因子。
    
    green_mul - G 通道乘法因子。乘法因子范围在 0.5 到 2.5 之间。
  - colorChange
```
public static void colorChange(Mat src,
                               Mat mask,
                               Mat dst,
                               float red_mul)
```
    给定原始彩色图像，可以将该图像的两个不同颜色版本无缝混合。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    mask - 输入 8 位 1 或 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
    
    red_mul - R 通道乘法因子。乘法因子范围在 0.5 到 2.5 之间。
  - colorChange
```
public static void colorChange(Mat src,
                               Mat mask,
                               Mat dst)
```
    给定原始彩色图像，可以将该图像的两个不同颜色版本无缝混合。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    mask - 输入 8 位 1 或 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。乘法因子范围在 0.5 到 2.5 之间。
  - illuminationChange
```
public static void illuminationChange(Mat src,
                                      Mat mask,
                                      Mat dst,
                                      float alpha,
                                      float beta)
```
    通过对选区内的梯度场应用适当的非线性变换，然后使用泊松求解器进行积分，可以局部修改图像的表观照明。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    mask - 输入 8 位 1 或 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
    
    alpha - 值范围在 0-2 之间。
    
    beta - 值范围在 0-2 之间。这对于突出曝光不足的前景对象或减少镜面反射很有用。
  - illuminationChange
```
public static void illuminationChange(Mat src,
                                      Mat mask,
                                      Mat dst,
                                      float alpha)
```
    通过对选区内的梯度场应用适当的非线性变换，然后使用泊松求解器进行积分，可以局部修改图像的表观照明。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    mask - 输入 8 位 1 或 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
    
    alpha - 值范围在 0-2 之间。这对于突出曝光不足的前景对象或减少镜面反射很有用。
  - illuminationChange
```
public static void illuminationChange(Mat src,
                                      Mat mask,
                                      Mat dst)
```
    通过对选区内的梯度场应用适当的非线性变换，然后使用泊松求解器进行积分，可以局部修改图像的表观照明。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    mask - 输入 8 位 1 或 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。这对于突出曝光不足的前景对象或减少镜面反射很有用。
  - textureFlattening
```
public static void textureFlattening(Mat src,
                                     Mat mask,
                                     Mat dst,
                                     float low_threshold,
                                     float high_threshold,
                                     int kernel_size)
```
    通过在与泊松求解器积分之前仅保留边缘位置的梯度，可以消除选定区域的纹理，使其内容呈现平坦外观。此处使用了 Canny 边缘检测器。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    mask - 输入 8 位 1 或 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
    
    low_threshold - 范围从 0 到 100。
    
    high_threshold - 值 > 100。
    
    kernel_size - 要使用的 Sobel 核的大小。注意：该算法假设源图像的颜色与目标图像的颜色接近。此假设意味着当颜色不匹配时，源图像的颜色会偏向目标图像的颜色。
  - textureFlattening
```
public static void textureFlattening(Mat src,
                                     Mat mask,
                                     Mat dst,
                                     float low_threshold,
                                     float high_threshold)
```
    通过在与泊松求解器积分之前仅保留边缘位置的梯度，可以消除选定区域的纹理，使其内容呈现平坦外观。此处使用了 Canny 边缘检测器。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    mask - 输入 8 位 1 或 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
    
    low_threshold - 范围从 0 到 100。
    
    high_threshold - 值 > 100。注意：该算法假设源图像的颜色与目标图像的颜色接近。此假设意味着当颜色不匹配时，源图像的颜色会偏向目标图像的颜色。
  - textureFlattening
```
public static void textureFlattening(Mat src,
                                     Mat mask,
                                     Mat dst,
                                     float low_threshold)
```
    通过在与泊松求解器积分之前仅保留边缘位置的梯度，可以消除选定区域的纹理，使其内容呈现平坦外观。此处使用了 Canny 边缘检测器。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    mask - 输入 8 位 1 或 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
    
    low_threshold - 范围从 0 到 100。注意：该算法假设源图像的颜色与目标图像的颜色接近。此假设意味着当颜色不匹配时，源图像的颜色会偏向目标图像的颜色。
  - textureFlattening
```
public static void textureFlattening(Mat src,
                                     Mat mask,
                                     Mat dst)
```
    通过在与泊松求解器积分之前仅保留边缘位置的梯度，可以消除选定区域的纹理，使其内容呈现平坦外观。此处使用了 Canny 边缘检测器。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    mask - 输入 8 位 1 或 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。注意：该算法假设源图像的颜色与目标图像的颜色接近。此假设意味着当颜色不匹配时，源图像的颜色会偏向目标图像的颜色。
  - edgePreservingFilter
```
public static void edgePreservingFilter(Mat src,
                                        Mat dst,
                                        int flags,
                                        float sigma_s,
                                        float sigma_r)
```
    滤波是图像和视频处理中的基本操作。边缘保留平滑滤波器在许多不同的应用中都有使用 CITE: EM11。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst - 输出 8 位 3 通道图像。
    
    flags - 边缘保留滤波器：cv::RECURS_FILTER 或 cv::NORMCONV_FILTER。
    
    sigma_s - 范围在 0 到 200 之间。
    
    sigma_r - 范围在 0 到 1 之间。
  - edgePreservingFilter
```
public static void edgePreservingFilter(Mat src,
                                        Mat dst,
                                        int flags,
                                        float sigma_s)
```
    滤波是图像和视频处理中的基本操作。边缘保留平滑滤波器在许多不同的应用中都有使用 CITE: EM11。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst - 输出 8 位 3 通道图像。
    
    flags - 边缘保留滤波器：cv::RECURS_FILTER 或 cv::NORMCONV_FILTER。
    
    sigma_s - 范围在 0 到 200 之间。
  - edgePreservingFilter
```
public static void edgePreservingFilter(Mat src,
                                        Mat dst,
                                        int flags)
```
    滤波是图像和视频处理中的基本操作。边缘保留平滑滤波器在许多不同的应用中都有使用 CITE: EM11。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst - 输出 8 位 3 通道图像。
    
    flags - 边缘保留滤波器：cv::RECURS_FILTER 或 cv::NORMCONV_FILTER。
  - edgePreservingFilter
```
public static void edgePreservingFilter(Mat src,
                                        Mat dst)
```
    滤波是图像和视频处理中的基本操作。边缘保留平滑滤波器在许多不同的应用中都有使用 CITE: EM11。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst - 输出 8 位 3 通道图像。
  - detailEnhance
```
public static void detailEnhance(Mat src,
                                 Mat dst,
                                 float sigma_s,
                                 float sigma_r)
```
    此滤镜可增强特定图像的细节。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
    
    sigma_s - 范围在 0 到 200 之间。
    
    sigma_r - 范围在 0 到 1 之间。
  - detailEnhance
```
public static void detailEnhance(Mat src,
                                 Mat dst,
                                 float sigma_s)
```
    此滤镜可增强特定图像的细节。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
    
    sigma_s - 范围在 0 到 200 之间。
  - detailEnhance
```
public static void detailEnhance(Mat src,
                                 Mat dst)
```
    此滤镜可增强特定图像的细节。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
  - pencilSketch
```
public static void pencilSketch(Mat src,
                                Mat dst1,
                                Mat dst2,
                                float sigma_s,
                                float sigma_r,
                                float shade_factor)
```
    铅笔风格的非真实感线条画
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst1 - 输出 8 位 1 通道图像。
    
    dst2 - 输出图像，与 src 具有相同的大小和类型。
    
    sigma_s - 范围在 0 到 200 之间。
    
    sigma_r - 范围在 0 到 1 之间。
    
    shade_factor - 范围在 0 到 0.1 之间。
  - pencilSketch
```
public static void pencilSketch(Mat src,
                                Mat dst1,
                                Mat dst2,
                                float sigma_s,
                                float sigma_r)
```
    铅笔风格的非真实感线条画
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst1 - 输出 8 位 1 通道图像。
    
    dst2 - 输出图像，与 src 具有相同的大小和类型。
    
    sigma_s - 范围在 0 到 200 之间。
    
    sigma_r - 范围在 0 到 1 之间。
  - pencilSketch
```
public static void pencilSketch(Mat src,
                                Mat dst1,
                                Mat dst2,
                                float sigma_s)
```
    铅笔风格的非真实感线条画
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst1 - 输出 8 位 1 通道图像。
    
    dst2 - 输出图像，与 src 具有相同的大小和类型。
    
    sigma_s - 范围在 0 到 200 之间。
  - pencilSketch
```
public static void pencilSketch(Mat src,
                                Mat dst1,
                                Mat dst2)
```
    铅笔风格的非真实感线条画
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst1 - 输出 8 位 1 通道图像。
    
    dst2 - 输出图像，与 src 具有相同的大小和类型。
  - stylization
```
public static void stylization(Mat src,
                               Mat dst,
                               float sigma_s,
                               float sigma_r)
```
    风格化旨在生成具有多种效果的数字图像，而非专注于照片般逼真。边缘感知滤波器是风格化的理想选择，因为它们可以抽象化低对比度区域，同时保留或增强高对比度特征。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
    
    sigma_s - 范围在 0 到 200 之间。
    
    sigma_r - 范围在 0 到 1 之间。
  - stylization
```
public static void stylization(Mat src,
                               Mat dst,
                               float sigma_s)
```
    风格化旨在生成具有多种效果的数字图像，而非专注于照片般逼真。边缘感知滤波器是风格化的理想选择，因为它们可以抽象化低对比度区域，同时保留或增强高对比度特征。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。
    
    sigma_s - 范围在 0 到 200 之间。
  - stylization
```
public static void stylization(Mat src,
                               Mat dst)
```
    风格化旨在生成具有多种效果的数字图像，而非专注于照片般逼真。边缘感知滤波器是风格化的理想选择，因为它们可以抽象化低对比度区域，同时保留或增强高对比度特征。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst - 输出图像，与 src 具有相同的大小和类型。

类 Photo

字段摘要

构造函数摘要

方法摘要

从类继承的方法 java.lang.Object

字段详细信息

INPAINT_NS

INPAINT_TELEA

LDR_SIZE

RECURS_FILTER

NORMCONV_FILTER

NORMAL_CLONE

MIXED_CLONE

MONOCHROME_TRANSFER

NORMAL_CLONE_WIDE

MIXED_CLONE_WIDE

MONOCHROME_TRANSFER_WIDE

构造函数详细信息

Photo

方法详细信息

inpaint

fastNlMeansDenoising

fastNlMeansDenoising

fastNlMeansDenoising

fastNlMeansDenoising

fastNlMeansDenoising

fastNlMeansDenoising

fastNlMeansDenoising

fastNlMeansDenoising

fastNlMeansDenoisingColored

fastNlMeansDenoisingColored

fastNlMeansDenoisingColored

fastNlMeansDenoisingColored

fastNlMeansDenoisingColored

fastNlMeansDenoisingMulti

fastNlMeansDenoisingMulti

fastNlMeansDenoisingMulti

fastNlMeansDenoisingMulti

fastNlMeansDenoisingMulti

fastNlMeansDenoisingMulti

fastNlMeansDenoisingMulti

fastNlMeansDenoisingMulti

fastNlMeansDenoisingColoredMulti

fastNlMeansDenoisingColoredMulti

fastNlMeansDenoisingColoredMulti

fastNlMeansDenoisingColoredMulti

fastNlMeansDenoisingColoredMulti

denoise_TVL1

denoise_TVL1

denoise_TVL1

createTonemap

createTonemap

createTonemapDrago

createTonemapDrago

createTonemapDrago

createTonemapDrago

createTonemapReinhard

createTonemapReinhard

createTonemapReinhard

createTonemapReinhard

createTonemapReinhard

createTonemapMantiuk

createTonemapMantiuk

createTonemapMantiuk

createTonemapMantiuk

createAlignMTB

createAlignMTB

createAlignMTB

createAlignMTB

createCalibrateDebevec

createCalibrateDebevec

createCalibrateDebevec

createCalibrateDebevec

createCalibrateRobertson

createCalibrateRobertson

createCalibrateRobertson

createMergeDebevec

createMergeMertens

createMergeMertens

createMergeMertens