OpenCV 图形API(13)用于执行两个矩阵(或图像)逐元素乘法操作的函数mul()

  • 操作系统:ubuntu22.04
  • OpenCV版本:OpenCV4.9
  • IDE:Visual Studio Code
  • 编程语言:C++11

描述

计算两个矩阵的每个元素的缩放乘积。

mul函数计算两个矩阵的逐元素乘积:
dst ( I ) = saturate ( scale ⋅ src1 ( I ) ⋅ src2 ( I ) ) \texttt{dst} (I)= \texttt{saturate} ( \texttt{scale} \cdot \texttt{src1} (I) \cdot \texttt{src2} (I)) dst(I)=saturate(scale⋅src1(I)⋅src2(I))

如果 src1.depth() == src2.depth(),ddepth 可以设置为默认值 -1。在这种情况下,输出矩阵将具有与输入矩阵相同的深度。矩阵可以是单通道或多通道。输出矩阵必须与输入矩阵具有相同的大小。

支持的矩阵数据类型包括:CV_8UC1、CV_8UC3、CV_16UC1、CV_16SC1、CV_32FC1。

注意:

该函数的文本ID是 "org.opencv.core.math.mul"。

函数原型

cpp 复制代码
GMat cv::gapi::mul
(
 	const GMat &  	src1,
	const GMat &  	src2,
	double  	scale = 1.0,
	int  	ddepth = -1 
) 		

参数

  • 参数src1:第一个输入矩阵。
  • 参数src2:与 src1 大小和深度相同的第二个输入矩阵。
  • 参数scale:可选的比例因子。
  • 参数ddepth:输出矩阵的可选深度。

代码示例

cpp 复制代码
#include <opencv2/gapi.hpp>
#include <opencv2/gapi/core.hpp>
#include <opencv2/gapi/imgproc.hpp>
#include <opencv2/opencv.hpp>

int main()
{
    // 创建G-API网络编译器
    cv::GComputation comp( []() {
        // 定义输入
        cv::GMat src1, src2;
        // 计算src1和src2的逐元素乘积,并应用比例因子
        cv::GMat dst = cv::gapi::mul( src1, src2, 1.5, -1 );  // 使用1.5作为scale因子,深度与输入相同
        // 返回计算图
        return cv::GComputation( cv::GIn( src1, src2 ), cv::GOut( dst ) );
    } );

    // 创建一些示例数据
    cv::Mat mat1 = ( cv::Mat_< uchar >( 2, 2 ) << 1, 2, 3, 4 );
    cv::Mat mat2 = ( cv::Mat_< uchar >( 2, 2 ) << 5, 6, 7, 8 );

    // 输出矩阵
    cv::Mat result;

    // 在CPU上运行计算图
    comp.apply( cv::gin( mat1, mat2 ), cv::gout( result ) );

    // 打印结果
    std::cout << "Result: \n" << result << std::endl;

    return 0;
}

运行结果

bash 复制代码
Result: 
[  8,  18;
  32,  48]
相关推荐
池央18 分钟前
调用蓝耘API打造AI 智能客服系统实践教程
人工智能
TomatoSCI26 分钟前
TomatoSCI数据分析实战:探索社交媒体成瘾
人工智能·机器学习
stay night482 小时前
DAY40 训练和测试
人工智能·深度学习
SSH_55233 小时前
【大模型】情绪对话模型项目研发
人工智能·python·语言模型
love530love3 小时前
【笔记】在 MSYS2(MINGW64)中安装 python-maturin 的记录
运维·开发语言·人工智能·windows·笔记·python
清醒的兰3 小时前
OpenCV 图像像素的算术操作
人工智能·opencv·计算机视觉
拾忆-eleven4 小时前
NLP学习路线图(十四):词袋模型(Bag of Words)
人工智能·学习·自然语言处理·nlp
sbc-study5 小时前
精英-探索双群协同优化(Elite-Exploration Dual Swarm Cooperative Optimization, EEDSCO)
人工智能
白熊1885 小时前
【机器学习基础】机器学习入门核心算法:XGBoost 和 LightGBM
人工智能·算法·机器学习
微学AI6 小时前
智能穿戴新标杆:SD NAND (贴片式SD卡)与 SOC 如何定义 AI 眼镜未来技术路径
人工智能·ai·sd