扩展图像处理

主题
	用于快速边缘检测的结构化森林
	边缘框
	滤波器
	超像素
	图像分割
	快速直线检测器
	边缘绘制
	傅里叶描述子
	基于游程编码图像的二值形态学

详细说明

枚举
enum	cv::ximgproc::LocalBinarizationMethods {   cv::ximgproc::BINARIZATION_NIBLACK = 0 ,   cv::ximgproc::BINARIZATION_SAUVOLA = 1 ,   cv::ximgproc::BINARIZATION_WOLF = 2 ,   cv::ximgproc::BINARIZATION_NICK = 3 }
	指定在 cv::ximgproc::niBlackThreshold 中使用的二值化方法。 更多...
enum	cv::ximgproc::ThinningTypes {   cv::ximgproc::THINNING_ZHANGSUEN = 0 ,   cv::ximgproc::THINNING_GUOHALL = 1 }

函数
void	cv::ximgproc::anisotropicDiffusion (InputArray src, OutputArray dst, float alpha, float K, int niters)
	对图像执行各向异性扩散。
void	cv::ximgproc::edgePreservingFilter (InputArray src, OutputArray dst, int d, double threshold)
	使用边缘保留滤波器平滑图像。
void	cv::ximgproc::findEllipses (InputArray image, OutputArray ellipses, float scoreThreshold=0.7f, float reliabilityThreshold=0.5f, float centerDistanceThreshold=0.05f)
	使用投影不变修剪 (projective invariant pruning) 快速查找图像中的椭圆。
void	cv::ximgproc::niBlackThreshold (InputArray _src, OutputArray _dst, double maxValue, int type, int blockSize, double k, int binarizationMethod=BINARIZATION_NIBLACK, double r=128)
	使用 Niblack 技术或其启发的一些流行变体对输入图像执行二值化。
Matx23d	cv::ximgproc::PeiLinNormalization (InputArray I)
	使用裴-林归一化计算归一化给定图像的仿射变换。
void	cv::ximgproc::PeiLinNormalization (InputArray I, OutputArray T)
void	cv::ximgproc::thinning (InputArray src, OutputArray dst, int thinningType=THINNING_ZHANGSUEN)
	应用二值斑点细化操作，以实现输入图像的骨架化。

枚举类型文档 (Enumeration Type Documentation)

LocalBinarizationMethods

enum cv::ximgproc::LocalBinarizationMethods

#include <opencv2/ximgproc.hpp>

指定在 cv::ximgproc::niBlackThreshold 中使用的二值化方法。

枚举值 (Enumerator)
BINARIZATION_NIBLACK  Python: cv.ximgproc.BINARIZATION_NIBLACK	经典的 Niblack 二值化。参见 [212]。
BINARIZATION_SAUVOLA  Python: cv.ximgproc.BINARIZATION_SAUVOLA	Sauvola 技术。参见 [241]。
BINARIZATION_WOLF  Python: cv.ximgproc.BINARIZATION_WOLF	Wolf 技术。参见 [305]。
BINARIZATION_NICK  Python: cv.ximgproc.BINARIZATION_NICK	NICK 技术。参见 [151]。

ThinningTypes

enum cv::ximgproc::ThinningTypes

#include <opencv2/ximgproc.hpp>

枚举值 (Enumerator)
THINNING_ZHANGSUEN  Python: cv.ximgproc.THINNING_ZHANGSUEN
THINNING_GUOHALL  Python: cv.ximgproc.THINNING_GUOHALL

函数文档 (Function Documentation)

anisotropicDiffusion()

void cv::ximgproc::anisotropicDiffusion	(	InputArray	src,
		OutputArray	dst,
		float	alpha,
		float	K,
		int	niters )

Python
	cv.ximgproc.anisotropicDiffusion(	src, alpha, K, niters[, dst]	) ->	dst

#include <opencv2/ximgproc.hpp>

对图像执行各向异性扩散。

该函数将 Perona-Malik 各向异性扩散应用于图像。这是偏微分方程的解

\[{\frac {\partial I}{\partial t}}={\mathrm {div}}\left(c(x,y,t)\nabla I\right)=\nabla c\cdot \nabla I+c(x,y,t)\Delta I\]

建议的 c(x,y,t) 函数为

\[c\left(\|\nabla I\|\right)=e^{{-\left(\|\nabla I\|/K\right)^{2}}}\]

或者

\[ c\left(\|\nabla I\|\right)={\frac {1}{1+\left({\frac {\|\nabla I\|}{K}}\right)^{2}}} \]

参数

src	具有 3 个通道的源图像。
dst	与 src 具有相同大小和相同通道数的目的图像。
alpha	每次迭代向前推进的时间量（通常在 0 到 1 之间）。
K	对边缘的敏感度
niters	迭代次数

edgePreservingFilter()

void cv::ximgproc::edgePreservingFilter	(	InputArray	src,
		OutputArray	dst,
		int	d,
		double	阈值 (threshold) )

Python
	cv.ximgproc.edgePreservingFilter(	src, d, threshold[, dst]	) ->	dst

#include <opencv2/ximgproc/edgepreserving_filter.hpp>

使用边缘保留滤波器平滑图像。

该函数可以平滑高斯噪声以及椒盐噪声。有关此实现的更多详细信息，请参阅 [ReiWoe18] Reich, S. and Wörgötter, F. and Dellen, B. (2018). A Real-Time Edge-Preserving Denoising Filter. Proceedings of the 13th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISIGRAPP): Visapp, 85-94, 4. DOI: 10.5220/0006509000850094。

参数

src	源 8 位 3 通道图像。
dst	与源图像大小和类型相同的目标图像。
d	滤波过程中使用的每个像素邻域的直径。必须大于或等于 3。
阈值 (threshold)	区分噪声、异常值和数据的阈值。

findEllipses()

void cv::ximgproc::findEllipses	(	InputArray	图像,
		OutputArray	ellipses,
		float	scoreThreshold = 0.7f,
		float	reliabilityThreshold = 0.5f,
		float	centerDistanceThreshold = 0.05f )

Python
	cv.ximgproc.findEllipses(	image[, ellipses[, scoreThreshold[, reliabilityThreshold[, centerDistanceThreshold]]]]	) ->	ellipses

#include <opencv2/ximgproc/find_ellipses.hpp>

使用投影不变修剪 (projective invariant pruning) 快速查找图像中的椭圆。

该函数使用投影不变性剪枝来检测图像中的椭圆。有关此实现的更多详细信息，请参阅 [142] Jia, Qi et al, (2017). A Fast Ellipse Detector using Projective Invariant Pruning. IEEE Transactions on Image Processing。

参数

图像	输入图像，可以是灰度或彩色。
ellipses	输出找到的椭圆向量。每个向量编码为五个浮点数 $x, y, a, b, radius, score$。
scoreThreshold	float，椭圆分数的阈值。
reliabilityThreshold	float，可靠性阈值。
centerDistanceThreshold	float，中心距离阈值。

niBlackThreshold()

void cv::ximgproc::niBlackThreshold	(	InputArray	_src,
		OutputArray	_dst,
		double	maxValue,
		int	type,
		int	blockSize,
		double	k,
		int	binarizationMethod = BINARIZATION_NIBLACK,
		double	r = 128 )

Python
	cv.ximgproc.niBlackThreshold(	_src, maxValue, type, blockSize, k[, _dst[, binarizationMethod[, r]]]	) ->	_dst

#include <opencv2/ximgproc.hpp>

使用 Niblack 技术或其启发的一些流行变体对输入图像执行二值化。

该函数根据以下公式将灰度图像转换为二值图像

• THRESH_BINARY

  \[dst(x,y) = \fork{\texttt{maxValue}}{if \(src(x,y) > T(x,y)\)}{0}{otherwise}\]

• THRESH_BINARY_INV

  \[dst(x,y) = \fork{0}{if \(src(x,y) > T(x,y)\)}{\texttt{maxValue}}{otherwise}\]

  其中 \(T(x,y)\) 是为每个像素单独计算的阈值。

阈值 \(T(x, y)\) 根据选择的二值化方法确定。对于经典的 Niblack 方法，它等于均值减去 \( k \) 倍的标准差，其中标准差是在 \((x, y)\) 的 \(\texttt{blockSize} \times\texttt{blockSize}\) 邻域内计算的。

该函数无法就地处理图像。

参数

_src	源 8 位单通道图像。
_dst	与 src 具有相同大小和相同类型的目的图像。
maxValue	分配给满足条件的像素的非零值，用于 THRESH_BINARY 和 THRESH_BINARY_INV 阈值类型。
type	阈值类型，请参阅 cv::ThresholdTypes。
blockSize	用于计算像素阈值的像素邻域大小：3、5、7 等。
k	Niblack 及其衍生技术使用的用户可调参数。对于 Niblack，它通常是介于 0 和 1 之间的值，乘以标准差并从均值中减去。
binarizationMethod	要使用的二值化方法。默认情况下使用 Niblack 技术。可以指定其他技术，请参阅 cv::ximgproc::LocalBinarizationMethods。
r	Sauvola 技术使用的用户可调参数。这是标准差的动态范围。

另请参阅

threshold, adaptiveThreshold

PeiLinNormalization() [1/2]

Matx23d cv::ximgproc::PeiLinNormalization

(

InputArray

I

)

Python
	cv.ximgproc.PeiLinNormalization(	I[, T]	) ->	T

#include <opencv2/ximgproc/peilin.hpp>

使用裴-林归一化计算归一化给定图像的仿射变换。

假设给定图像 \(I=T(\bar{I})\)，其中 \(\bar{I}\) 是归一化图像，而 \(T\) 是通过平移、旋转、缩放和倾斜扭曲该图像的仿射变换。该函数返回一个与 [PeiLin95] 中描述的变换 \(T^{-1}\) 对应的仿射变换矩阵。有关此实现的更多详细信息，请参阅 [PeiLin95] Soo-Chang Pei 和 Chao-Nan Lin。Image normalization for pattern recognition. Image and Vision Computing, Vol. 13, N.10, pp. 711-723, 1995。

参数

I

给定的变换图像。

返回

对应于逆图像变换的变换矩阵

PeiLinNormalization() [2/2]

void cv::ximgproc::PeiLinNormalization	(	InputArray	I,
		OutputArray	T )

Python
	cv.ximgproc.PeiLinNormalization(	I[, T]	) ->	T

#include <opencv2/ximgproc/peilin.hpp>

这是一个重载的成员函数，为方便起见而提供。它与上述函数的区别仅在于所接受的参数不同。

thinning()

void cv::ximgproc::thinning	(	InputArray	src,
		OutputArray	dst,
		int	thinningType = THINNING_ZHANGSUEN )

Python
	cv.ximgproc.thinning(	src[, dst[, thinningType]]	) ->	dst

#include <opencv2/ximgproc.hpp>

应用二值斑点细化操作，以实现输入图像的骨架化。

该函数使用 Zhang-Suen 技术将二值斑块图像转换为骨架化形式。

参数

src	源 8 位单通道图像，包含二值斑块，斑块具有 255 像素值。
dst	与 src 具有相同大小和相同类型的目的图像。该函数可以就地工作。
thinningType	定义应使用哪种细化算法的值。请参阅 cv::ximgproc::ThinningTypes