Graph API: 矩阵操作

详细说明

函数
GMat	cv::gapi::absDiff (const GMat &src1, const GMat &src2)
	计算两个矩阵之间逐元素的绝对差值。
GMat	cv::gapi::absDiffC (const GMat &src, const GScalar &c)
	计算矩阵元素的绝对值。
GMat	cv::gapi::addWeighted (const GMat &src1, double alpha, const GMat &src2, double beta, double gamma, int ddepth=-1)
	计算两个矩阵的加权和。
GOpaque< int >	cv::gapi::countNonZero (const GMat &src)
	统计非零数组元素的数量。
GMat	cv::gapi::inRange (const GMat &src, const GScalar &threshLow, const GScalar &threshUp)
	对每个矩阵元素应用范围级阈值。
std::tuple< GMat, GMat >	cv::gapi::integral (const GMat &src, int sdepth=-1, int sqdepth=-1)
	计算图像的积分图。
GMat	cv::gapi::max (const GMat &src1, const GMat &src2)
	计算两个矩阵逐元素的最大值。
GMat	cv::gapi::min (const GMat &src1, const GMat &src2)
	计算两个矩阵逐元素的最小值。
GScalar	cv::gapi::normInf (const GMat &src)
	计算矩阵的绝对无穷范数。
GScalar	cv::gapi::normL1 (const GMat &src)
	计算矩阵的绝对 L1 范数。
GScalar	cv::gapi::normL2 (const GMat &src)
	计算矩阵的绝对 L2 范数。
GScalar	cv::gapi::sum (const GMat &src)
	计算所有矩阵元素的和。
std::tuple< GMat, GScalar >	cv::gapi::threshold (const GMat &src, const GScalar &maxval, int type)
GMat	cv::gapi::threshold (const GMat &src, const GScalar &thresh, const GScalar &maxval, int type)
	对每个矩阵元素应用固定级别的阈值。

函数文档 (Function Documentation)

absDiff()

GMat cv::gapi::absDiff	(	const GMat &	src1,
		const GMat &	src2 )

Python
	cv.gapi.absDiff(	src1, src2	) ->	retval

#include <opencv2/gapi/core.hpp>

计算两个矩阵之间逐元素的绝对差值。

函数 absDiff 计算两个相同大小和深度的矩阵的绝对差

\[\texttt{dst}(I) = \texttt{saturate} (| \texttt{src1}(I) - \texttt{src2}(I)|)\]

其中 I 是矩阵元素的多维索引。对于多通道矩阵，每个通道独立处理。输出矩阵必须与输入矩阵具有相同的大小和深度。

支持的矩阵数据类型有 CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1, CV_32FC1。

注意

函数文本 ID 为 "org.opencv.core.matrixop.absdiff"

参数

src1	第一个输入矩阵。
src2	第二个输入矩阵。

另请参阅

绝对值

absDiffC()

GMat cv::gapi::absDiffC	(	const GMat &	src,
		const GScalar &	c )

Python
	cv.gapi.absDiffC(	src, c	) ->	retval

#include <opencv2/gapi/core.hpp>

计算矩阵元素的绝对值。

函数 absDiffC 计算矩阵元素与给定标量值之间的绝对差

\[\texttt{dst}(I) = \texttt{saturate} (| \texttt{src1}(I) - \texttt{matC}(I)|)\]

其中 matC 由给定标量 c 构造，并与输入矩阵 src 具有相同的大小和深度。

输出矩阵必须与 src 具有相同的大小和深度。

支持的矩阵数据类型有 CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1, CV_32FC1。

注意

函数文本 ID 为 "org.opencv.core.matrixop.absdiffC"

参数

src	输入矩阵。
c	要减去的标量。

另请参阅

min, max

addWeighted()

GMat cv::gapi::addWeighted	(	const GMat &	src1,
		double	alpha,
		const GMat &	src2,
		double	beta,
		double	gamma,
		int	ddepth = -1 )

Python
	cv.gapi.addWeighted(	src1, alpha, src2, beta, gamma[, ddepth]	) ->	retval

#include <opencv2/gapi/core.hpp>

计算两个矩阵的加权和。

函数 addWeighted 按如下方式计算两个矩阵的加权和

\[\texttt{dst} (I)= \texttt{saturate} ( \texttt{src1} (I)* \texttt{alpha} + \texttt{src2} (I)* \texttt{beta} + \texttt{gamma} )\]

其中 I 是数组元素的多维索引。对于多通道矩阵，每个通道独立处理。

该函数可以用矩阵表达式代替

\[\texttt{dst}(I) = \texttt{alpha} * \texttt{src1}(I) - \texttt{beta} * \texttt{src2}(I) + \texttt{gamma} \]

支持的矩阵数据类型有 CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1, CV_32FC1。

注意

函数文本 ID 为 "org.opencv.core.matrixop.addweighted"

参数

src1	第一个输入矩阵。
alpha	第一个矩阵元素的权重。
src2	与 src1 具有相同大小和通道数的第二个输入矩阵。
beta	第二个矩阵元素的权重。
gamma	添加到每个和的标量。
ddepth	输出矩阵的可选深度。

另请参阅

add, sub

countNonZero()

GOpaque< int > cv::gapi::countNonZero

(

const GMat &

src

)

Python
	cv.gapi.countNonZero(	src	) ->	retval

#include <opencv2/gapi/core.hpp>

统计非零数组元素的数量。

函数返回 src 中非零元素的数量

\[\sum _{I: \; \texttt{src} (I) \ne0 } 1\]

支持的矩阵数据类型有 CV_8UC1, CV_16UC1, CV_16SC1, CV_32FC1。

注意

函数文本 ID 为 "org.opencv.core.matrixop.countNonZero"

参数

src

输入单通道矩阵。

另请参阅

mean, min, max

inRange()

GMat cv::gapi::inRange	(	const GMat &	src,
		const GScalar &	threshLow,
		const GScalar &	threshUp )

Python
	cv.gapi.inRange(	src, threshLow, threshUp	) ->	retval

#include <opencv2/gapi/core.hpp>

对每个矩阵元素应用范围级阈值。

该函数对单通道或多通道矩阵应用范围级阈值处理。如果输入矩阵的对应像素值在指定范围内，则将输出像素值设置为 0xFF，否则设置为 0。

输入和输出矩阵必须为 CV_8UC1。

注意

函数文本 ID 为 "org.opencv.core.matrixop.inRange"

参数

src	输入矩阵 (CV_8UC1)。
threshLow	下限值。
threshUp	上限值。

另请参阅

阈值 (threshold)

integral()

std::tuple< GMat, GMat > cv::gapi::integral	(	const GMat &	src,
		int	sdepth = -1,
		int	sqdepth = -1 )

Python
	cv.gapi.integral(	src[, sdepth[, sqdepth]]	) ->	retval

#include <opencv2/gapi/core.hpp>

计算图像的积分图。

函数按如下方式计算源图像的一个或多个积分图像

\[\texttt{sum} (X,Y) = \sum _{x<X,y<Y} \texttt{image} (x,y)\]

\[\texttt{sqsum} (X,Y) = \sum _{x<X,y<Y} \texttt{image} (x,y)^2\]

函数返回积分图像为 \((W+1)\times (H+1)\)，32位整数或浮点（32f 或 64f），以及平方像素值的积分图像；它是 \((W+1)\times (H+)\)，双精度浮点（64f）数组。

注意

函数文本 ID 为 "org.opencv.core.matrixop.integral"

参数

src	输入图像。
sdepth	积分图像和倾斜积分图像的所需深度，CV_32S、CV_32F 或 CV_64F。
sqdepth	平方像素值积分图像的所需深度，CV_32F 或 CV_64F。

max()

GMat cv::gapi::max	(	const GMat &	src1,
		const GMat &	src2 )

Python
	cv.gapi.max(	src1, src2	) ->	retval

#include <opencv2/gapi/core.hpp>

计算两个矩阵逐元素的最大值。

函数 max 计算两个相同大小、通道数和深度的矩阵的逐元素最大值

\[\texttt{dst} (I)= \max ( \texttt{src1} (I), \texttt{src2} (I))\]

其中 I 是矩阵元素的多维索引。对于多通道矩阵，每个通道独立处理。输出矩阵必须与 src1 具有相同的大小和深度。

支持的矩阵数据类型有 CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1, CV_32FC1。

注意

函数文本 ID 为 "org.opencv.core.matrixop.max"

参数

src1	第一个输入矩阵。
src2	与 src1 具有相同大小和深度的第二个输入矩阵。

另请参阅

min, compare, cmpEQ, cmpGT, cmpGE

min()

GMat cv::gapi::min	(	const GMat &	src1,
		const GMat &	src2 )

Python
	cv.gapi.min(	src1, src2	) ->	retval

#include <opencv2/gapi/core.hpp>

计算两个矩阵逐元素的最小值。

函数 min 计算两个相同大小、通道数和深度的矩阵的逐元素最小值

\[\texttt{dst} (I)= \min ( \texttt{src1} (I), \texttt{src2} (I))\]

其中 I 是矩阵元素的多维索引。对于多通道矩阵，每个通道独立处理。输出矩阵必须与 src1 具有相同的大小和深度。

支持的输入矩阵数据类型有 CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1, CV_32FC1。

注意

函数文本 ID 为 "org.opencv.core.matrixop.min"

参数

src1	第一个输入矩阵。
src2	与 src1 具有相同大小和深度的第二个输入矩阵。

另请参阅

max, cmpEQ, cmpLT, cmpLE

normInf()

GScalar cv::gapi::normInf

(

const GMat &

src

)

Python
	cv.gapi.normInf(	src	) ->	retval

#include <opencv2/gapi/core.hpp>

计算矩阵的绝对无穷范数。

此版本的 normInf 计算 src 的绝对无限范数。

以一个数组为例，考虑函数 \(r(x)= \begin{pmatrix} x \\ 1-x \end{pmatrix}, x \in [-1;1]\)。样本值 \(r(-1) = \begin{pmatrix} -1 \\ 2 \end{pmatrix}\) 的 \( L_{\infty} \) 范数计算如下

\begin{align*} \| r(-1) \|_{L_\infty} &= \max(|-1|,|2|) = 2 \end{align*}

对于 \(r(0.5) = \begin{pmatrix} 0.5 \\ 0.5 \end{pmatrix}\)，计算如下

\begin{align*} \| r(0.5) \|_{L_\infty} &= \max(|0.5|,|0.5|) = 0.5. \end{align*}

支持的矩阵数据类型有 CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1, CV_32FC1。

注意

函数文本 ID 为 "org.opencv.core.matrixop.norminf"

参数

src

输入矩阵。

另请参阅

normL1, normL2

normL1()

GScalar cv::gapi::normL1

(

const GMat &

src

)

Python
	cv.gapi.normL1(	src	) ->	retval

#include <opencv2/gapi/core.hpp>

计算矩阵的绝对 L1 范数。

此版本的 normL1 计算 src 的绝对 L1 范数。

以一个数组为例，考虑函数 \(r(x)= \begin{pmatrix} x \\ 1-x \end{pmatrix}, x \in [-1;1]\)。样本值 \(r(-1) = \begin{pmatrix} -1 \\ 2 \end{pmatrix}\) 的 \( L_{1} \) 范数计算如下

\begin{align*} \| r(-1) \|_{L_1} &= |-1| + |2| = 3 \\ \end{align*}

对于 \(r(0.5) = \begin{pmatrix} 0.5 \\ 0.5 \end{pmatrix}\)，计算如下

\begin{align*} \| r(0.5) \|_{L_1} &= |0.5| + |0.5| = 1 \\ \end{align*}

支持的矩阵数据类型有 CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1, CV_32FC1。

注意

函数文本 ID 为 "org.opencv.core.matrixop.norml1"

参数

src

输入矩阵。

另请参阅

normL2, normInf

normL2()

GScalar cv::gapi::normL2

(

const GMat &

src

)

Python
	cv.gapi.normL2(	src	) ->	retval

#include <opencv2/gapi/core.hpp>

计算矩阵的绝对 L2 范数。

此版本的 normL2 计算 src 的绝对 L2 范数。

以一个数组为例，考虑函数 \(r(x)= \begin{pmatrix} x \\ 1-x \end{pmatrix}, x \in [-1;1]\)。样本值 \(r(-1) = \begin{pmatrix} -1 \\ 2 \end{pmatrix}\) 的 \( L_{2} \) 范数计算如下

\begin{align*} \| r(-1) \|_{L_2} &= \sqrt{(-1)^{2} + (2)^{2}} = \sqrt{5} \\ \end{align*}

对于 \(r(0.5) = \begin{pmatrix} 0.5 \\ 0.5 \end{pmatrix}\)，计算如下

\begin{align*} \| r(0.5) \|_{L_2} &= \sqrt{(0.5)^{2} + (0.5)^{2}} = \sqrt{0.5} \\ \end{align*}

支持的矩阵数据类型有 CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1, CV_32FC1。

注意

函数文本 ID 为 "org.opencv.core.matrixop.norml2"

参数

src

输入矩阵。

另请参阅

normL1, normInf

sum()

GScalar cv::gapi::sum

(

const GMat &

src

)

Python
	cv.gapi.sum(	src	) ->	retval

#include <opencv2/gapi/core.hpp>

计算所有矩阵元素的和。

函数 sum 计算所有矩阵元素的和，每个通道独立计算。

支持的矩阵数据类型有 CV_8UC1, CV_8UC3, CV_16UC1, CV_16SC1, CV_32FC1。

注意

函数文本 ID 为 "org.opencv.core.matrixop.sum"

参数

src

输入矩阵。

另请参阅

countNonZero, mean, min, max

threshold() [1/2]

std::tuple< GMat, GScalar > cv::gapi::threshold	(	const GMat &	src,
		const GScalar &	最大值 (maxval),
		int	type )

Python
	cv.gapi.threshold(	src, thresh, maxval, type	) ->	retval
	cv.gapi.threshold(	src, maxval, type	) ->	retval

#include <opencv2/gapi/core.hpp>

这是一个重载成员函数，为方便起见而提供。它与上述函数仅在接受的参数上有所不同。此函数适用于除 cv::THRESH_OTSU 和 cv::THRESH_TRIANGLE 之外的所有阈值类型

注意

函数文本 ID 为 "org.opencv.core.matrixop.thresholdOT"

threshold() [2/2]

GMat cv::gapi::threshold	(	const GMat &	src,
		const GScalar &	thresh,
		const GScalar &	最大值 (maxval),
		int	type )

Python
	cv.gapi.threshold(	src, thresh, maxval, type	) ->	retval
	cv.gapi.threshold(	src, maxval, type	) ->	retval

#include <opencv2/gapi/core.hpp>

对每个矩阵元素应用固定级别的阈值。

该函数对单通道或多通道矩阵应用固定级别的阈值处理。该函数通常用于从灰度图像中获取双级（二值）图像（cmp 函数也可用于此目的）或用于去除噪声，即过滤掉值过小或过大的像素。该函数支持多种阈值处理类型，由 type 参数决定。

此外，特殊值 cv::THRESH_OTSU 或 cv::THRESH_TRIANGLE 可以与上述值之一结合使用。在这些情况下，函数使用 Otsu 或 Triangle 算法确定最佳阈值，并使用它而不是指定的 thresh。函数除了阈值化矩阵外，还返回计算出的阈值。Otsu 和 Triangle 方法仅适用于 8 位矩阵。

在 cv::THRESH_OTSU 或 cv::THRESH_TRIANGLE 标志的情况下，输入图像应为单通道。输出矩阵必须与 src 具有相同的大小和深度。

注意

函数文本 ID 为 "org.opencv.core.matrixop.threshold"

参数

src	输入矩阵 (CV_8UC1, CV_8UC3, 或 CV_32FC1)。
thresh	阈值。
最大值 (maxval)	与 cv::THRESH_BINARY 和 cv::THRESH_BINARY_INV 阈值类型一起使用的最大值。
type	阈值类型（参见 cv::ThresholdTypes）。

另请参阅

min, max, cmpGT, cmpLE, cmpGE, cmpLT