cv::saliency::Saliencyを継承しています。
cv::saliency::StaticSaliencyFineGrained,
cv::saliency::StaticSaliencySpectralResidualに継承されています。
|
template<typename _Tp >
|
static
Ptr< _Tp > |
read
(const
FileNode
&fn) |
|
ファイル・ノードからアルゴリズムを読み込む[【詳解】(英語]
|
|
template<typename _Tp >
|
static
Ptr< _Tp > |
load
(const String &filename, const String &objname=String()) |
|
ファイルからアルゴリズムを読み込む[【詳解】(英語]
|
|
template<typename _Tp >
|
static
Ptr< _Tp > |
loadFromString
(const String &strModel, const String &objname=String()) |
|
文字列からアルゴリズムを読み込む[【詳解】(英語]
|
|
String |
className
|
|
◆
computeBinaryMap()
CV_WRAP bool cv::saliency::StaticSaliency::computeBinaryMap
|
( |
InputArray |
_saliencyMap,
|
|
|
OutputArray |
_binaryMap |
|
) |
|
|
この関数は,与えられた saliency マップのバイナリマップを作成します.これは,このようにして得られます.
最初のステップでは,関心領域の定義を改善し,ターゲットの識別を容易にするために,次のようなクラスタリングによるセグメンテーションが行われます.K-means アルゴリズム. 次に、クラスタ化された saliency マップのバイナリ表現を得るために、マップの値は解析対象のフレームの特性に応じて変化するため、固定の閾値を使用するのは不便です。そこで、大津のアルゴリズム*を使用します。このアルゴリズムでは、閾値処理の対象となる画像に、2つのクラスのピクセルまたはバイモーダルなヒストグラム(例えば、前景のピクセルと後景のピクセル)が含まれていると仮定し、クラス内の分散が最小となるように、これら2つのクラスを分離する最適な閾値を計算します。
- 引数
-
_saliencyMap |
特化したアルゴリズムの1つで得られた顕著性マップ |
_binaryMap |
バイナリマップ |
◆
computeSaliencyImpl()
virtual bool cv::saliency::StaticSaliency::computeSaliencyImpl
|
( |
InputArray |
image,
|
|
|
OutputArray |
saliencyMap |
|
) |
|
|
|
protected
pure virtual
|
このクラス詳解は次のファイルから抽出されました: