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)`	给定一张原始彩色图像，可以无缝混合该图像的两个不同颜色版本。
`static void`	`colorChange(Mat src, Mat mask, Mat dst, float red_mul)`	给定一张原始彩色图像，可以无缝混合该图像的两个不同颜色版本。
`static void`	`colorChange(Mat src, Mat mask, Mat dst, float red_mul, float green_mul)`	给定一张原始彩色图像，可以无缝混合该图像的两个不同颜色版本。
`static void`	`colorChange(Mat src, Mat mask, Mat dst, float red_mul, float green_mul, float blue_mul)`	给定一张原始彩色图像，可以无缝混合该图像的两个不同颜色版本。
`static AlignMTB`	`createAlignMTB()`	创建 AlignMTB 对象，通常效果足够好（位移分别为 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 响应对象。
`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()`	创建一个简单的线性映射器，伽马校正等于 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。大于 1 的值增加饱和度，小于 1 的值降低饱和度。
`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()`	创建用于动态范围压缩的 TonemapMantiuk 对象。
`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。如果值为 0 则为全局，否则为这两种情况的加权平均值。
`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-对偶算法是一种求解特殊类型变分问题的算法（即寻找最小化某个泛函的函数）。
`static void`	`denoise_TVL1(java.util.List<Mat> observations, Mat result, double lambda)`	原始-对偶算法是一种求解特殊类型变分问题的算法（即寻找最小化某个泛函的函数）。
`static void`	`denoise_TVL1(java.util.List<Mat> observations, Mat result, double lambda, int niters)`	原始-对偶算法是一种求解特殊类型变分问题的算法（即寻找最小化某个泛函的函数）。
`static void`	`detailEnhance(Mat src, Mat dst)`	该滤波器增强特定图像的细节。
`static void`	`detailEnhance(Mat src, Mat dst, float sigma_s)`	该滤波器增强特定图像的细节。
`static void`	`detailEnhance(Mat src, Mat dst, float sigma_s, float sigma_r)`	该滤波器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础操作。
`static void`	`edgePreservingFilter(Mat src, Mat dst, int flags)`	滤波是图像和视频处理中的基础操作。
`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础操作。
`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础操作。
`static void`	`fastNlMeansDenoising(Mat src, Mat dst)`	使用经过多项计算优化的非局部均值去噪算法 <http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/> 执行图像去噪。
`static void`	`fastNlMeansDenoising(Mat src, Mat dst, float h)`	使用经过多项计算优化的非局部均值去噪算法 <http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/> 执行图像去噪。
`static void`	`fastNlMeansDenoising(Mat src, Mat dst, float h, int templateWindowSize)`	使用经过多项计算优化的非局部均值去噪算法 <http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/> 执行图像去噪。
`static void`	`fastNlMeansDenoising(Mat src, Mat dst, float h, int templateWindowSize, int searchWindowSize)`	使用经过多项计算优化的非局部均值去噪算法 <http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/> 执行图像去噪。
`static void`	`fastNlMeansDenoising(Mat src, Mat dst, MatOfFloat h)`	使用经过多项计算优化的非局部均值去噪算法 <http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/> 执行图像去噪。
`static void`	`fastNlMeansDenoising(Mat src, Mat dst, MatOfFloat h, int templateWindowSize)`	使用经过多项计算优化的非局部均值去噪算法 <http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/> 执行图像去噪。
`static void`	`fastNlMeansDenoising(Mat src, Mat dst, MatOfFloat h, int templateWindowSize, int searchWindowSize)`	使用经过多项计算优化的非局部均值去噪算法 <http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/> 执行图像去噪。
`static void`	`fastNlMeansDenoising(Mat src, Mat dst, MatOfFloat h, int templateWindowSize, int searchWindowSize, int normType)`	使用经过多项计算优化的非局部均值去噪算法 <http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/> 执行图像去噪。
`static void`	`fastNlMeansDenoisingColored(Mat src, Mat dst)`	针对彩色图像修改的 fastNlMeansDenoising 函数
`static void`	`fastNlMeansDenoisingColored(Mat src, Mat dst, float h)`	针对彩色图像修改的 fastNlMeansDenoising 函数
`static void`	`fastNlMeansDenoisingColored(Mat src, Mat dst, float h, float hColor)`	针对彩色图像修改的 fastNlMeansDenoising 函数
`static void`	`fastNlMeansDenoisingColored(Mat src, Mat dst, float h, float hColor, int templateWindowSize)`	针对彩色图像修改的 fastNlMeansDenoising 函数
`static void`	`fastNlMeansDenoisingColored(Mat src, Mat dst, float h, float hColor, int templateWindowSize, int searchWindowSize)`	针对彩色图像修改的 fastNlMeansDenoising 函数
`static void`	`fastNlMeansDenoisingColoredMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize)`	针对彩色图像序列修改的 fastNlMeansDenoisingMulti 函数
`static void`	`fastNlMeansDenoisingColoredMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, float h)`	针对彩色图像序列修改的 fastNlMeansDenoisingMulti 函数
`static void`	`fastNlMeansDenoisingColoredMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, float h, float hColor)`	针对彩色图像序列修改的 fastNlMeansDenoisingMulti 函数
`static void`	`fastNlMeansDenoisingColoredMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, float h, float hColor, int templateWindowSize)`	针对彩色图像序列修改的 fastNlMeansDenoisingMulti 函数
`static void`	`fastNlMeansDenoisingColoredMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, float h, float hColor, int templateWindowSize, int searchWindowSize)`	针对彩色图像序列修改的 fastNlMeansDenoisingMulti 函数
`static void`	`fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize)`	针对短时间内拍摄的连续图像序列修改的 fastNlMeansDenoising 函数。
`static void`	`fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, float h)`	针对短时间内拍摄的连续图像序列修改的 fastNlMeansDenoising 函数。
`static void`	`fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, float h, int templateWindowSize)`	针对短时间内拍摄的连续图像序列修改的 fastNlMeansDenoising 函数。
`static void`	`fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, float h, int templateWindowSize, int searchWindowSize)`	针对短时间内拍摄的连续图像序列修改的 fastNlMeansDenoising 函数。
`static void`	`fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, MatOfFloat h)`	针对短时间内拍摄的连续图像序列修改的 fastNlMeansDenoising 函数。
`static void`	`fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, MatOfFloat h, int templateWindowSize)`	针对短时间内拍摄的连续图像序列修改的 fastNlMeansDenoising 函数。
`static void`	`fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, MatOfFloat h, int templateWindowSize, int searchWindowSize)`	针对短时间内拍摄的连续图像序列修改的 fastNlMeansDenoising 函数。
`static void`	`fastNlMeansDenoisingMulti(java.util.List<Mat> srcImgs, Mat dst, int imgToDenoiseIndex, int temporalWindowSize, MatOfFloat h, int templateWindowSize, int searchWindowSize, int normType)`	针对短时间内拍摄的连续图像序列修改的 fastNlMeansDenoising 函数。
`static void`	`illuminationChange(Mat src, Mat mask, Mat dst)`	通过对所选区域内的梯度场应用适当的非线性变换，然后使用泊松求解器重新积分，局部修改图像的视照明。
`static void`	`illuminationChange(Mat src, Mat mask, Mat dst, float alpha)`	通过对所选区域内的梯度场应用适当的非线性变换，然后使用泊松求解器重新积分，局部修改图像的视照明。
`static void`	`illuminationChange(Mat src, Mat mask, Mat dst, float alpha, float beta)`	通过对所选区域内的梯度场应用适当的非线性变换，然后使用泊松求解器重新积分，局部修改图像的视照明。
`static void`	`inpaint(Mat src, Mat inpaintMask, Mat dst, double inpaintRadius, int flags)`	使用区域邻域修复图像中的选定区域。
`static void`	`pencilSketch(Mat src, Mat dst1, Mat dst2)`	铅笔画风格的非写实线条画
`static void`	`pencilSketch(Mat src, Mat dst1, Mat dst2, float sigma_s)`	铅笔画风格的非写实线条画
`static void`	`pencilSketch(Mat src, Mat dst1, Mat dst2, float sigma_s, float sigma_r)`	铅笔画风格的非写实线条画
`static void`	`pencilSketch(Mat src, Mat dst1, Mat dst2, float sigma_s, float sigma_r, float shade_factor)`	铅笔画风格的非写实线条画
`static void`	`seamlessClone(Mat src, Mat dst, Mat mask, Point p, Mat blend, int flags)`	执行无缝克隆，将源图像中的一个区域混合到目标图像中。
`static void`	`stylization(Mat src, Mat dst)`	风格化旨在产生具有多种效果的数字图像，重点不在于写实主义。
`static void`	`stylization(Mat src, Mat dst, float sigma_s)`	风格化旨在产生具有多种效果的数字图像，重点不在于写实主义。
`static void`	`stylization(Mat src, Mat dst, float sigma_s, float sigma_r)`	风格化旨在产生具有多种效果的数字图像，重点不在于写实主义。
`static void`	`textureFlattening(Mat src, Mat mask, Mat dst)`	通过在与泊松求解器集成之前仅保留边缘位置的梯度，可以冲掉所选区域的纹理，使其内容具有平坦的外观。
`static void`	`textureFlattening(Mat src, Mat mask, Mat dst, float low_threshold)`	通过在与泊松求解器集成之前仅保留边缘位置的梯度，可以冲掉所选区域的纹理，使其内容具有平坦的外观。
`static void`	`textureFlattening(Mat src, Mat mask, Mat dst, float low_threshold, float high_threshold)`	通过在与泊松求解器集成之前仅保留边缘位置的梯度，可以冲掉所选区域的纹理，使其内容具有平坦的外观。
`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集成之前仅保留边缘位置的梯度，可以冲掉所选区域的纹理，使其内容具有平坦的外观。

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

- 字段详情
  - INPAINT_NS
```
public static final int INPAINT_NS
```
    另请参阅
    
    常量字段值
  - INPAINT_TELEA
```
public static final int INPAINT_TELEA
```
    另请参阅
    
    常量字段值
  - LDR_SIZE
```
public static final int LDR_SIZE
```
    另请参阅
    
    常量字段值
  - RECURS_FILTER
```
public static final int RECURS_FILTER
```
    另请参阅
    
    常量字段值
  - NORMCONV_FILTER
```
public static final int NORMCONV_FILTER
```
    另请参阅
    
    常量字段值
  - NORMAL_CLONE
```
public static final int NORMAL_CLONE
```
    另请参阅
    
    常量字段值
  - MIXED_CLONE
```
public static final int MIXED_CLONE
```
    另请参阅
    
    常量字段值
  - MONOCHROME_TRANSFER
```
public static final int MONOCHROME_TRANSFER
```
    另请参阅
    
    常量字段值
  - NORMAL_CLONE_WIDE
```
public static final int NORMAL_CLONE_WIDE
```
    另请参阅
    
    常量字段值
  - MIXED_CLONE_WIDE
```
public static final int MIXED_CLONE_WIDE
```
    另请参阅
    
    常量字段值
  - MONOCHROME_TRANSFER_WIDE
```
public static final int MONOCHROME_TRANSFER_WIDE
```
    另请参阅
    
    常量字段值
- 构造函数详情
  - Photo
```
public Photo()
```
- 方法详情
  - inpaint
```
public static void inpaint(Mat src,
                           Mat inpaintMask,
                           Mat dst,
                           double inpaintRadius,
                           int flags)
```
    使用区域邻域修复图像中的选定区域。
    参数
    
    src - 输入 8 位、16 位无符号或 32 位浮点单通道或 8 位 3 通道图像。
    
    inpaintMask - 修复掩码，8 位单通道图像。非零像素表示需要修复的区域。
    
    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。该函数根据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中的灰尘和划痕，或去除静态图像或视频中不需要的对象。有关更多详细信息，请参阅 <http://en.wikipedia.org/wiki/Inpainting>。注意：
    
    使用修复技术的示例可以在 opencv_source_code/samples/cpp/inpaint.cpp 中找到
    
    (Python) 使用修复技术的示例可以在 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)
```
    使用经过多项计算优化的非局部均值去噪算法 <http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/> 执行图像去噪。噪声预期为高斯白噪声
    
    参数
    
    src - 输入 8 位单通道、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补丁像素大小。应为奇数。建议值为 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。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节滤波器强度的参数。大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能保留细节但也会保留一些噪声。该函数预期应用于灰度图像。对于彩色图像，请查看 fastNlMeansDenoisingColored。这些函数的高级用法是在不同颜色空间中手动对彩色图像进行去噪。fastNlMeansDenoisingColored 中使用了这种方法，即将图像转换为 CIELAB 颜色空间，然后使用不同的 h 参数分别对 L 和 AB 分量进行去噪。
  - fastNlMeansDenoising
```
public static void fastNlMeansDenoising(Mat src,
                                        Mat dst,
                                        float h,
                                        int templateWindowSize)
```
    使用经过多项计算优化的非局部均值去噪算法 <http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/> 执行图像去噪。噪声预期为高斯白噪声
    
    参数
    
    src - 输入 8 位单通道、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补丁像素大小。应为奇数。给定像素建议值为 7 像素。应为奇数。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节滤波器强度的参数。大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能保留细节但也会保留一些噪声。该函数预期应用于灰度图像。对于彩色图像，请查看 fastNlMeansDenoisingColored。这些函数的高级用法是在不同颜色空间中手动对彩色图像进行去噪。fastNlMeansDenoisingColored 中使用了这种方法，即将图像转换为 CIELAB 颜色空间，然后使用不同的 h 参数分别对 L 和 AB 分量进行去噪。
  - fastNlMeansDenoising
```
public static void fastNlMeansDenoising(Mat src,
                                        Mat dst,
                                        float h)
```
    使用经过多项计算优化的非局部均值去噪算法 <http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/> 执行图像去噪。噪声预期为高斯白噪声
    
    参数
    
    src - 输入 8 位单通道、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。给定像素建议值为 7 像素。应为奇数。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节滤波器强度的参数。大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能保留细节但也会保留一些噪声。该函数预期应用于灰度图像。对于彩色图像，请查看 fastNlMeansDenoisingColored。这些函数的高级用法是在不同颜色空间中手动对彩色图像进行去噪。fastNlMeansDenoisingColored 中使用了这种方法，即将图像转换为 CIELAB 颜色空间，然后使用不同的 h 参数分别对 L 和 AB 分量进行去噪。
  - fastNlMeansDenoising
```
public static void fastNlMeansDenoising(Mat src,
                                        Mat dst)
```
    使用经过多项计算优化的非局部均值去噪算法 <http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/> 执行图像去噪。噪声预期为高斯白噪声
    
    参数
    
    src - 输入 8 位单通道、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。给定像素建议值为 7 像素。应为奇数。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素。大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能保留细节但也会保留一些噪声。该函数预期应用于灰度图像。对于彩色图像，请查看 fastNlMeansDenoisingColored。这些函数的高级用法是在不同颜色空间中手动对彩色图像进行去噪。fastNlMeansDenoisingColored 中使用了这种方法，即将图像转换为 CIELAB 颜色空间，然后使用不同的 h 参数分别对 L 和 AB 分量进行去噪。
  - fastNlMeansDenoising
```
public static void fastNlMeansDenoising(Mat src,
                                        Mat dst,
                                        MatOfFloat h,
                                        int templateWindowSize,
                                        int searchWindowSize,
                                        int normType)
```
    使用经过多项计算优化的非局部均值去噪算法 <http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/> 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）单通道、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补丁像素大小。应为奇数。建议值为 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。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节滤波器强度的参数数组，可以是应用于所有通道的一个参数，也可以是 dst 中每个通道各一个。大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能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。该函数预期应用于灰度图像。对于彩色图像，请查看 fastNlMeansDenoisingColored。这些函数的高级用法是在不同颜色空间中手动对彩色图像进行去噪。fastNlMeansDenoisingColored 中使用了这种方法，即将图像转换为 CIELAB 颜色空间，然后使用不同的 h 参数分别对 L 和 AB 分量进行去噪。
  - fastNlMeansDenoising
```
public static void fastNlMeansDenoising(Mat src,
                                        Mat dst,
                                        MatOfFloat h,
                                        int templateWindowSize,
                                        int searchWindowSize)
```
    使用经过多项计算优化的非局部均值去噪算法 <http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/> 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）单通道、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补丁像素大小。应为奇数。建议值为 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。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节滤波器强度的参数数组，可以是应用于所有通道的一个参数，也可以是 dst 中每个通道各一个。大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能保留细节但也会保留一些噪声。该函数预期应用于灰度图像。对于彩色图像，请查看 fastNlMeansDenoisingColored。这些函数的高级用法是在不同颜色空间中手动对彩色图像进行去噪。fastNlMeansDenoisingColored 中使用了这种方法，即将图像转换为 CIELAB 颜色空间，然后使用不同的 h 参数分别对 L 和 AB 分量进行去噪。
  - fastNlMeansDenoising
```
public static void fastNlMeansDenoising(Mat src,
                                        Mat dst,
                                        MatOfFloat h,
                                        int templateWindowSize)
```
    使用经过多项计算优化的非局部均值去噪算法 <http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/> 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）单通道、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补丁像素大小。应为奇数。给定像素建议值为 7 像素。应为奇数。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节滤波器强度的参数数组，可以是应用于所有通道的一个参数，也可以是 dst 中每个通道各一个。大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能保留细节但也会保留一些噪声。该函数预期应用于灰度图像。对于彩色图像，请查看 fastNlMeansDenoisingColored。这些函数的高级用法是在不同颜色空间中手动对彩色图像进行去噪。fastNlMeansDenoisingColored 中使用了这种方法，即将图像转换为 CIELAB 颜色空间，然后使用不同的 h 参数分别对 L 和 AB 分量进行去噪。
  - fastNlMeansDenoising
```
public static void fastNlMeansDenoising(Mat src,
                                        Mat dst,
                                        MatOfFloat h)
```
    使用经过多项计算优化的非局部均值去噪算法 <http://www.ipol.im/pub/algo/bcm_non_local_means_denoising/> 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）单通道、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。给定像素建议值为 7 像素。应为奇数。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节滤波器强度的参数数组，可以是应用于所有通道的一个参数，也可以是 dst 中每个通道各一个。大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能保留细节但也会保留一些噪声。该函数预期应用于灰度图像。对于彩色图像，请查看 fastNlMeansDenoisingColored。这些函数的高级用法是在不同颜色空间中手动对彩色图像进行去噪。fastNlMeansDenoisingColored 中使用了这种方法，即将图像转换为 CIELAB 颜色空间，然后使用不同的 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,
                                               int searchWindowSize)
```
    针对彩色图像修改的 fastNlMeansDenoising 函数
    
    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补丁像素大小。应为奇数。建议值为 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。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节亮度分量滤波器强度的参数。较大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能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，值为 10 即可消除彩色噪声且不扭曲颜色。该函数将图像转换为 CIELAB 颜色空间，然后使用 fastNlMeansDenoising 函数和给定的 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)
```
    针对彩色图像修改的 fastNlMeansDenoising 函数
    
    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补丁像素大小。应为奇数。给定像素建议值为 7 像素。应为奇数。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节亮度分量滤波器强度的参数。较大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能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，值为 10 即可消除彩色噪声且不扭曲颜色。该函数将图像转换为 CIELAB 颜色空间，然后使用 fastNlMeansDenoising 函数和给定的 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)
```
    针对彩色图像修改的 fastNlMeansDenoising 函数
    
    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。给定像素建议值为 7 像素。应为奇数。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节亮度分量滤波器强度的参数。较大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能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，值为 10 即可消除彩色噪声且不扭曲颜色。该函数将图像转换为 CIELAB 颜色空间，然后使用 fastNlMeansDenoising 函数和给定的 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)
```
    针对彩色图像修改的 fastNlMeansDenoising 函数
    
    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。给定像素建议值为 7 像素。应为奇数。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节亮度分量滤波器强度的参数。较大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能保留细节但也会保留一些噪声。该值足以去除彩色噪声且不扭曲颜色。该函数将图像转换为 CIELAB 颜色空间，然后使用 fastNlMeansDenoising 函数和给定的 h 参数分别对 L 和 AB 分量进行去噪。
  - fastNlMeansDenoisingColored
```
public static void fastNlMeansDenoisingColored(Mat src,
                                               Mat dst)
```
    针对彩色图像修改的 fastNlMeansDenoising 函数
    
    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。给定像素建议值为 7 像素。应为奇数。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素。大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能保留细节但也会保留一些噪声。该值足以去除彩色噪声且不扭曲颜色。该函数将图像转换为 CIELAB 颜色空间，然后使用 fastNlMeansDenoising 函数和给定的 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)
```
    针对短时间内拍摄的连续图像序列修改的 fastNlMeansDenoising 函数。例如视频。此版本的函数适用于灰度图像或手动处理颜色空间。有关更多详细信息，请参阅 CITE: Buades2005DenoisingIS（可在此处获取开放访问权限 [here](https://static.aminer.org/pdf/PDF/000/317/196/spatio_temporal_wiener_filtering_of_image_sequences_using_a_parametric.pdf)）。
    
    参数
    
    srcImgs - 输入 8 位单通道、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 - srcImgs 序列中要执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。srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像将用于对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 与 srcImgs 图像具有相同大小和类型的输出图像。
    
    templateWindowSize - 用于计算权重的模板补丁像素大小。应为奇数。建议值为 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。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节滤波器强度的参数。较大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能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)
```
    针对短时间内拍摄的连续图像序列修改的 fastNlMeansDenoising 函数。例如视频。此版本的函数适用于灰度图像或手动处理颜色空间。有关更多详细信息，请参阅 CITE: Buades2005DenoisingIS（可在此处获取开放访问权限 [here](https://static.aminer.org/pdf/PDF/000/317/196/spatio_temporal_wiener_filtering_of_image_sequences_using_a_parametric.pdf)）。
    
    参数
    
    srcImgs - 输入 8 位单通道、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 - srcImgs 序列中要执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。srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像将用于对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 与 srcImgs 图像具有相同大小和类型的输出图像。
    
    templateWindowSize - 用于计算权重的模板补丁像素大小。应为奇数。给定像素建议值为 7 像素。应为奇数。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节滤波器强度的参数。较大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能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)
```
    针对短时间内拍摄的连续图像序列修改的 fastNlMeansDenoising 函数。例如视频。此版本的函数适用于灰度图像或手动处理颜色空间。有关更多详细信息，请参阅 CITE: Buades2005DenoisingIS（可在此处获取开放访问权限 [here](https://static.aminer.org/pdf/PDF/000/317/196/spatio_temporal_wiener_filtering_of_image_sequences_using_a_parametric.pdf)）。
    
    参数
    
    srcImgs - 输入 8 位单通道、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 - srcImgs 序列中要执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。srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像将用于对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 与 srcImgs 图像具有相同大小和类型的输出图像。应为奇数。给定像素建议值为 7 像素。应为奇数。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节滤波器强度的参数。较大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能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)
```
    针对短时间内拍摄的连续图像序列修改的 fastNlMeansDenoising 函数。例如视频。此版本的函数适用于灰度图像或手动处理颜色空间。有关更多详细信息，请参阅 CITE: Buades2005DenoisingIS（可在此处获取开放访问权限 [here](https://static.aminer.org/pdf/PDF/000/317/196/spatio_temporal_wiener_filtering_of_image_sequences_using_a_parametric.pdf)）。
    
    参数
    
    srcImgs - 输入 8 位单通道、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 - srcImgs 序列中要执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。srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像将用于对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 与 srcImgs 图像具有相同大小和类型的输出图像。应为奇数。给定像素建议值为 7 像素。应为奇数。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素。大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能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)
```
    针对短时间内拍摄的连续图像序列修改的 fastNlMeansDenoising 函数。例如视频。此版本的函数适用于灰度图像或手动处理颜色空间。有关更多详细信息，请参阅 CITE: Buades2005DenoisingIS（可在此处获取开放访问权限 [here](https://static.aminer.org/pdf/PDF/000/317/196/spatio_temporal_wiener_filtering_of_image_sequences_using_a_parametric.pdf)）。
    
    参数
    
    srcImgs - 输入 8 位或 16 位（仅限 NORM_L1）单通道、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 - srcImgs 序列中要执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。srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像将用于对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 与 srcImgs 图像具有相同大小和类型的输出图像。
    
    templateWindowSize - 用于计算权重的模板补丁像素大小。应为奇数。建议值为 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。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节滤波器强度的参数数组，可以是应用于所有通道的一个参数，也可以是 dst 中每个通道各一个。大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能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)
```
    针对短时间内拍摄的连续图像序列修改的 fastNlMeansDenoising 函数。例如视频。此版本的函数适用于灰度图像或手动处理颜色空间。有关更多详细信息，请参阅 CITE: Buades2005DenoisingIS（可在此处获取开放访问权限 [here](https://static.aminer.org/pdf/PDF/000/317/196/spatio_temporal_wiener_filtering_of_image_sequences_using_a_parametric.pdf)）。
    
    参数
    
    srcImgs - 输入 8 位或 16 位（仅限 NORM_L1）单通道、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 - srcImgs 序列中要执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。srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像将用于对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 与 srcImgs 图像具有相同大小和类型的输出图像。
    
    templateWindowSize - 用于计算权重的模板补丁像素大小。应为奇数。建议值为 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。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节滤波器强度的参数数组，可以是应用于所有通道的一个参数，也可以是 dst 中每个通道各一个。大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能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)
```
    针对短时间内拍摄的连续图像序列修改的 fastNlMeansDenoising 函数。例如视频。此版本的函数适用于灰度图像或手动处理颜色空间。有关更多详细信息，请参阅 CITE: Buades2005DenoisingIS（可在此处获取开放访问权限 [here](https://static.aminer.org/pdf/PDF/000/317/196/spatio_temporal_wiener_filtering_of_image_sequences_using_a_parametric.pdf)）。
    
    参数
    
    srcImgs - 输入 8 位或 16 位（仅限 NORM_L1）单通道、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 - srcImgs 序列中要执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。srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像将用于对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 与 srcImgs 图像具有相同大小和类型的输出图像。
    
    templateWindowSize - 用于计算权重的模板补丁像素大小。应为奇数。给定像素建议值为 7 像素。应为奇数。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节滤波器强度的参数数组，可以是应用于所有通道的一个参数，也可以是 dst 中每个通道各一个。大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能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)
```
    针对短时间内拍摄的连续图像序列修改的 fastNlMeansDenoising 函数。例如视频。此版本的函数适用于灰度图像或手动处理颜色空间。有关更多详细信息，请参阅 CITE: Buades2005DenoisingIS（可在此处获取开放访问权限 [here](https://static.aminer.org/pdf/PDF/000/317/196/spatio_temporal_wiener_filtering_of_image_sequences_using_a_parametric.pdf)）。
    
    参数
    
    srcImgs - 输入 8 位或 16 位（仅限 NORM_L1）单通道、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 - srcImgs 序列中要执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。srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像将用于对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 与 srcImgs 图像具有相同大小和类型的输出图像。应为奇数。给定像素建议值为 7 像素。应为奇数。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节滤波器强度的参数数组，可以是应用于所有通道的一个参数，也可以是 dst 中每个通道各一个。大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能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)
```
    针对彩色图像序列修改的 fastNlMeansDenoisingMulti 函数
    
    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 - srcImgs 序列中要执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。srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像将用于对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 与 srcImgs 图像具有相同大小和类型的输出图像。
    
    templateWindowSize - 用于计算权重的模板补丁像素大小。应为奇数。建议值为 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。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节亮度分量滤波器强度的参数。较大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能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 颜色空间，然后使用 fastNlMeansDenoisingMulti 函数和给定的 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)
```
    针对彩色图像序列修改的 fastNlMeansDenoisingMulti 函数
    
    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 - srcImgs 序列中要执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。srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像将用于对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 与 srcImgs 图像具有相同大小和类型的输出图像。
    
    templateWindowSize - 用于计算权重的模板补丁像素大小。应为奇数。给定像素建议值为 7 像素。应为奇数。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节亮度分量滤波器强度的参数。较大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能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 颜色空间，然后使用 fastNlMeansDenoisingMulti 函数和给定的 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)
```
    针对彩色图像序列修改的 fastNlMeansDenoisingMulti 函数
    
    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 - srcImgs 序列中要执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。srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像将用于对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 与 srcImgs 图像具有相同大小和类型的输出图像。应为奇数。给定像素建议值为 7 像素。应为奇数。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节亮度分量滤波器强度的参数。较大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能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 颜色空间，然后使用 fastNlMeansDenoisingMulti 函数和给定的 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)
```
    针对彩色图像序列修改的 fastNlMeansDenoisingMulti 函数
    
    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 - srcImgs 序列中要执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。srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像将用于对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 与 srcImgs 图像具有相同大小和类型的输出图像。应为奇数。给定像素建议值为 7 像素。应为奇数。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素
    
    h - 调节亮度分量滤波器强度的参数。较大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能保留细节但也会保留一些噪声。该函数将图像转换为 CIELAB 颜色空间，然后使用 fastNlMeansDenoisingMulti 函数和给定的 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)
```
    针对彩色图像序列修改的 fastNlMeansDenoisingMulti 函数
    
    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 - srcImgs 序列中要执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。srcImgs 中从 imgToDenoiseIndex - temporalWindowSize / 2 到 imgToDenoiseIndex + temporalWindowSize / 2 的图像将用于对 srcImgs[imgToDenoiseIndex] 图像进行去噪。
    
    dst - 与 srcImgs 图像具有相同大小和类型的输出图像。应为奇数。给定像素建议值为 7 像素。应为奇数。对性能有线性影响：较大的 searchWindowSize 意味着较长的去噪时间。建议值为 21 像素。大的 h 值能完美去除噪声但也会去除图像细节，较小的 h 值能保留细节但也会保留一些噪声。该函数将图像转换为 CIELAB 颜色空间，然后使用 fastNlMeansDenoisingMulti 函数和给定的 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-对偶算法是一种求解特殊类型变分问题的算法（即寻找最小化某个泛函的函数）。由于图像去噪特别地可以被视为变分问题，因此原始-对偶算法可以用于执行去噪，而这正是所实现的功能。应当指出，此实现取自 2013 年 7 月的博客文章 CITE: MA13，其中还包含（稍微更通用）可以直接使用的 Python 源代码。随后，该代码由 Vadim Pisarevsky 在 2013 年 7 月底使用 OpenCV 改写为 C++，最后由后来的作者进行了细微调整。虽然有关所涉及算法的透彻讨论和证明可以在 CITE: ChambolleEtAl 中找到，但在遵循 CITE: MA13 的前提下在此处大致浏览一下是有意义的。首先，我们将 1 字节灰度级图像视为从像素矩形域（对于某些 \(m,\;n\in\mathbb{N}\)，可以看作集合 \(\left\{(x,y)\in\mathbb{N}\times\mathbb{N}\mid 1\leq x\leq n,\;1\leq y\leq m\right\}\)）到 \(\{0,1,\dots,255\}\) 的函数。我们将噪点图像表示为 \(f_i\)，在此视图下，给定一些相同大小的图像 \(x\)，我们可以通过公式 \(\left\|\left\|\nabla x\right\|\right\| + \lambda\sum_i\left\|\left\|x-f_i\right\|\right\|\) 来衡量它的糟糕程度。此处的 \(\|\|\cdot\|\|\) 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，从而为常数），第二项表示我们希望结果接近我们得到的观测值。如果我们把 \(x\) 当作一个函数，这正是我们要寻找的最小化泛函，此时原始-对偶算法就开始发挥作用了。
    
    参数
    
    observations - 此数组应包含要恢复图像的一个或多个噪点版本。
    
    result - 在此存储去噪后的图像。无需预先分配存储空间，如有必要将自动分配。
    
    lambda - 对应上述公式中的 \(\lambda\)。随着它的增大，平滑（模糊）的图像比详细的（但可能噪声更多）图像更受欢迎。粗略地说，随着它变小，结果会更模糊，但更严重的异常值会被去除。
    
    niters - 算法运行的迭代次数。当然，迭代次数越多越好，但很难定量地细化这一说法，因此只需使用默认值，如果结果不理想再增加即可。
  - denoise_TVL1
```
public static void denoise_TVL1(java.util.List<Mat> observations,
                                Mat result,
                                double lambda)
```
    原始-对偶算法是一种求解特殊类型变分问题的算法（即寻找最小化某个泛函的函数）。由于图像去噪特别地可以被视为变分问题，因此原始-对偶算法可以用于执行去噪，而这正是所实现的功能。应当指出，此实现取自 2013 年 7 月的博客文章 CITE: MA13，其中还包含（稍微更通用）可以直接使用的 Python 源代码。随后，该代码由 Vadim Pisarevsky 在 2013 年 7 月底使用 OpenCV 改写为 C++，最后由后来的作者进行了细微调整。虽然有关所涉及算法的透彻讨论和证明可以在 CITE: ChambolleEtAl 中找到，但在遵循 CITE: MA13 的前提下在此处大致浏览一下是有意义的。首先，我们将 1 字节灰度级图像视为从像素矩形域（对于某些 \(m,\;n\in\mathbb{N}\)，可以看作集合 \(\left\{(x,y)\in\mathbb{N}\times\mathbb{N}\mid 1\leq x\leq n,\;1\leq y\leq m\right\}\)）到 \(\{0,1,\dots,255\}\) 的函数。我们将噪点图像表示为 \(f_i\)，在此视图下，给定一些相同大小的图像 \(x\)，我们可以通过公式 \(\left\|\left\|\nabla x\right\|\right\| + \lambda\sum_i\left\|\left\|x-f_i\right\|\right\|\) 来衡量它的糟糕程度。此处的 \(\|\|\cdot\|\|\) 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，从而为常数），第二项表示我们希望结果接近我们得到的观测值。如果我们把 \(x\) 当作一个函数，这正是我们要寻找的最小化泛函，此时原始-对偶算法就开始发挥作用了。
    
    参数
    
    observations - 此数组应包含要恢复图像的一个或多个噪点版本。
    
    result - 在此存储去噪后的图像。无需预先分配存储空间，如有必要将自动分配。
    
    lambda - 对应上述公式中的 \(\lambda\)。随着它的增大，平滑（模糊）的图像比详细的（但可能噪声更多）图像更受欢迎。粗略地说，随着它变小，结果会更模糊，但更严重的异常值会被去除。更好，但很难定量地细化这一说法，因此只需使用默认值，如果结果不理想再增加即可。
  - denoise_TVL1
```
public static void denoise_TVL1(java.util.List<Mat> observations,
                                Mat result)
```
    原始-对偶算法是一种求解特殊类型变分问题的算法（即寻找最小化某个泛函的函数）。由于图像去噪特别地可以被视为变分问题，因此原始-对偶算法可以用于执行去噪，而这正是所实现的功能。应当指出，此实现取自 2013 年 7 月的博客文章 CITE: MA13，其中还包含（稍微更通用）可以直接使用的 Python 源代码。随后，该代码由 Vadim Pisarevsky 在 2013 年 7 月底使用 OpenCV 改写为 C++，最后由后来的作者进行了细微调整。虽然有关所涉及算法的透彻讨论和证明可以在 CITE: ChambolleEtAl 中找到，但在遵循 CITE: MA13 的前提下在此处大致浏览一下是有意义的。首先，我们将 1 字节灰度级图像视为从像素矩形域（对于某些 \(m,\;n\in\mathbb{N}\)，可以看作集合 \(\left\{(x,y)\in\mathbb{N}\times\mathbb{N}\mid 1\leq x\leq n,\;1\leq y\leq m\right\}\)）到 \(\{0,1,\dots,255\}\) 的函数。我们将噪点图像表示为 \(f_i\)，在此视图下，给定一些相同大小的图像 \(x\)，我们可以通过公式 \(\left\|\left\|\nabla x\right\|\right\| + \lambda\sum_i\left\|\left\|x-f_i\right\|\right\|\) 来衡量它的糟糕程度。此处的 \(\|\|\cdot\|\|\) 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，从而为常数），第二项表示我们希望结果接近我们得到的观测值。如果我们把 \(x\) 当作一个函数，这正是我们要寻找的最小化泛函，此时原始-对偶算法就开始发挥作用了。
    
    参数
    
    observations - 此数组应包含要恢复图像的一个或多个噪点版本。
    
    result - 在此存储去噪后的图像。无需预先分配存储空间，如有必要将自动分配。（模糊）图像比详细的（但可能噪声更多）图像更受欢迎。粗略地说，随着它变小，结果会更模糊，但更严重的异常值会被去除。更好，但很难定量地细化这一说法，因此只需使用默认值，如果结果不理想再增加即可。
  - 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 1.0 表示不校正，伽马值等于 2.2f 适用于大多数显示器。通常 gamma > 1 会使图像变亮，gamma < 1 会使图像变暗。
    
    返回
    
    自动生成
  - createTonemap
```
public static Tonemap createTonemap()
```
    创建一个简单的线性映射器，其伽马校正等于 2.2f，适用于大多数显示器。通常 gamma > 1 会使图像变亮，gamma < 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。参见 createTonemap
    
    saturation - 正饱和度增强值。1.0 保留饱和度，大于 1 的值增加饱和度，小于 1 的值降低饱和度。
    
    bias - [0, 1] 范围内的偏差函数值。0.7 到 0.9 的值通常能产生最佳效果，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。参见 createTonemap
    
    saturation - 正饱和度增强值。1.0 保留饱和度，大于 1 的值增加饱和度，小于 1 的值降低饱和度。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。参见 createTonemap。大于 1 增加饱和度，小于 1 降低饱和度。结果，默认值为 0.85。
    
    返回
    
    自动生成
  - createTonemapDrago
```
public static TonemapDrago createTonemapDrago()
```
    创建 TonemapDrago 对象。大于 1 增加饱和度，小于 1 降低饱和度。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。参见 createTonemap
    
    intensity - [-8, 8] 范围内的结果强度。强度越大，结果越亮。
    
    light_adapt - [0, 1] 范围内的光照适应。如果是 1，适应仅基于像素值；如果是 0，则是全局适应；否则是这两种情况的加权平均值。
    
    color_adapt - [0, 1] 范围内的色彩适应。如果是 1，则独立处理通道；如果是 0，则每个通道的适应水平相同。
    
    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。参见 createTonemap
    
    intensity - [-8, 8] 范围内的结果强度。强度越大，结果越亮。
    
    light_adapt - [0, 1] 范围内的光照适应。如果是 1，适应仅基于像素值；如果是 0，则是全局适应；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。参见 createTonemap
    
    intensity - [-8, 8] 范围内的结果强度。强度越大，结果越亮。如果值为 0 则为全局，否则为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)
```
    创建 TonemapReinhard 对象
    
    参数
    
    gamma - 伽马校正的伽马值。参见 createTonemap。如果值为 0 则为全局，否则为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()
```
    创建 TonemapReinhard 对象。如果值为 0 则为全局，否则为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
  - 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。参见 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 的值效果最佳。
    
    saturation - 饱和度增强值。参见 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。参见 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 的值效果最佳。
    
    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。参见 createTonemap 动态范围。0.6 到 0.9 的值效果最佳。
    
    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 的值效果最佳。
    
    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 - 每个维度中最大位移的以 2 为底的对数。值 5 和 6 通常效果足够好（位移分别为 31 和 63 像素）。
    
    exclude_range - 用于抑制中值附近噪声而构建的排除位图范围。
    
    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 - 每个维度中最大位移的以 2 为底的对数。值 5 和 6 通常效果足够好（位移分别为 31 和 63 像素）。
    
    exclude_range - 用于抑制中值附近噪声而构建的排除位图范围。
    
    返回
    
    自动生成
  - createAlignMTB
```
public static AlignMTB createAlignMTB(int max_bits)
```
    创建 AlignMTB 对象
    
    参数
    
    max_bits - 每个维度中最大位移的以 2 为底的对数。值 5 和 6 通常效果足够好（位移分别为 31 和 63 像素）。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（位移分别为 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。较大的值会产生更平滑的结果，但可能会改变响应。
    
    random - 如果为 true，则随机选择样本像素位置，否则它们形成矩形网格。
    
    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。较大的值会产生更平滑的结果，但可能会改变响应。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 响应对象。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 - Gauss-Seidel 求解器最大迭代次数。
    
    threshold - 最小化两个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 - Gauss-Seidel 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 - 对比度测量权重。参见 MergeMertens。
    
    saturation_weight - 饱和度测量权重
    
    exposure_weight - 良好曝光度测量权重
    
    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 - 对比度测量权重。参见 MergeMertens。
    
    saturation_weight - 饱和度测量权重
    
    返回
    
    自动生成
  - createMergeMertens
```
public static MergeMertens createMergeMertens(float contrast_weight)
```
    创建 MergeMertens 对象
    
    参数
    
    contrast_weight - 对比度测量权重。参见 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 CITE: CL12 中的基本工具。
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    grayscale - 输出 8 位单通道图像。
    
    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，将源图像中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，允许轻松且无缝地应用仅限于某个区域（手动选为 ROI）的更改。这些更改范围可以从轻微的扭曲到被新内容完全替换 CITE: PM03。
    
    参数
    
    src - 源图像（8 位 3 通道），其区域将混合到目标图像中。
    
    dst - 目标图像（8 位 3 通道），src 图像将在此混合。
    
    mask - 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，内部会创建一个所有像素均为非零的掩码。
    
    p - src 图像中心放置在 dst 图像中的位置点。
    
    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)
```
    给定一张原始彩色图像，可以无缝混合该图像的两个不同颜色版本。
    
    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)
```
    给定一张原始彩色图像，可以无缝混合该图像的两个不同颜色版本。
    
    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。乘法因子在 0.5 到 2.5 之间。
  - colorChange
```
public static void colorChange(Mat src,
                               Mat mask,
                               Mat dst,
                               float red_mul)
```
    给定一张原始彩色图像，可以无缝混合该图像的两个不同颜色版本。
    
    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。乘法因子在 0.5 到 2.5 之间。
  - colorChange
```
public static void colorChange(Mat src,
                               Mat mask,
                               Mat dst)
```
    给定一张原始彩色图像，可以无缝混合该图像的两个不同颜色版本。
    
    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)
```
    通过对所选区域内的梯度场应用适当的非线性变换，然后使用泊松求解器重新积分，局部修改图像的视照明。
    
    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非常有用。
  - illuminationChange
```
public static void illuminationChange(Mat src,
                                      Mat mask,
                                      Mat dst,
                                      float alpha)
```
    通过对所选区域内的梯度场应用适当的非线性变换，然后使用泊松求解器重新积分，局部修改图像的视照明。
    
    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非常有用。
  - illuminationChange
```
public static void illuminationChange(Mat src,
                                      Mat mask,
                                      Mat dst)
```
    通过对所选区域内的梯度场应用适当的非线性变换，然后使用泊松求解器重新积分，局部修改图像的视照明。
    
    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非常有用。
  - 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集成之前仅保留边缘位置的梯度，可以冲掉所选区域的纹理，使其内容具有平坦的外观。这里使用了 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。这种假设意味着当颜色不匹配时，源图像的颜色会向目标图像的颜色偏色。
  - 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集成之前仅保留边缘位置的梯度，可以冲掉所选区域的纹理，使其内容具有平坦的外观。这里使用了 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。这种假设意味着当颜色不匹配时，源图像的颜色会向目标图像的颜色偏色。
  - textureFlattening
```
public static void textureFlattening(Mat src,
                                     Mat mask,
                                     Mat dst,
                                     float low_threshold)
```
    通过在与泊松求解器集成之前仅保留边缘位置的梯度，可以冲掉所选区域的纹理，使其内容具有平坦的外观。这里使用了 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。这种假设意味着当颜色不匹配时，源图像的颜色会向目标图像的颜色偏色。
  - textureFlattening
```
public static void textureFlattening(Mat src,
                                     Mat mask,
                                     Mat dst)
```
    通过在与泊松求解器集成之前仅保留边缘位置的梯度，可以冲掉所选区域的纹理，使其内容具有平坦的外观。这里使用了 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。这种假设意味着当颜色不匹配时，源图像的颜色会向目标图像的颜色偏色。
  - 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础操作。边缘保留平滑滤波器被用于许多不同的应用中 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础操作。边缘保留平滑滤波器被用于许多不同的应用中 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础操作。边缘保留平滑滤波器被用于许多不同的应用中 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础操作。边缘保留平滑滤波器被用于许多不同的应用中 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)
```
    该滤波器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)
```
    该滤波器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)
```
    该滤波器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)
```
    铅笔画风格的非写实线条画
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst1 - 输出 8 位单通道图像。
    
    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)
```
    铅笔画风格的非写实线条画
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst1 - 输出 8 位单通道图像。
    
    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)
```
    铅笔画风格的非写实线条画
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst1 - 输出 8 位单通道图像。
    
    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)
```
    铅笔画风格的非写实线条画
    
    参数
    
    src - 输入 8 位 3 通道图像。
    
    dst1 - 输出 8 位单通道图像。
    
    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)
```
    风格化旨在产生具有多种效果的数字图像，重点不在于写实主义。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)
```
    风格化旨在产生具有多种效果的数字图像，重点不在于写实主义。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)
```
    风格化旨在产生具有多种效果的数字图像，重点不在于写实主义。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 java.lang.Object 继承的方法

字段详情

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

构造函数详情

Photo

方法详情

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