modules/gpu/include/opencv2/gpu/gpu.hpp

   1 /*M///////////////////////////////////////////////////////////////////////////////////////\r
   2 //\r
   3 //  IMPORTANT: READ BEFORE DOWNLOADING, COPYING, INSTALLING OR USING.\r
   4 //\r
   5 //  By downloading, copying, installing or using the software you agree to this license.\r
   6 //  If you do not agree to this license, do not download, install,\r
   7 //  copy or use the software.\r
   8 //\r
   9 //\r
  10 //                           License Agreement\r
  11 //                For Open Source Computer Vision Library\r
  12 //\r
  13 // Copyright (C) 2000-2008, Intel Corporation, all rights reserved.\r
  14 // Copyright (C) 2009, Willow Garage Inc., all rights reserved.\r
  15 // Third party copyrights are property of their respective owners.\r
  16 //\r
  17 // Redistribution and use in source and binary forms, with or without modification,\r
  18 // are permitted provided that the following conditions are met:\r
  19 //\r
  20 //   * Redistribution's of source code must retain the above copyright notice,\r
  21 //     this list of conditions and the following disclaimer.\r
  22 //\r
  23 //   * Redistribution's in binary form must reproduce the above copyright notice,\r
  24 //     this list of conditions and the following disclaimer in the documentation\r
  25 //     and/or other GpuMaterials provided with the distribution.\r
  26 //\r
  27 //   * The name of the copyright holders may not be used to endorse or promote products\r
  28 //     derived from this software without specific prior written permission.\r
  29 //\r
  30 // This software is provided by the copyright holders and contributors "as is" and\r
  31 // any express or implied warranties, including, but not limited to, the implied\r
  32 // warranties of merchantability and fitness for a particular purpose are disclaimed.\r
  33 // In no event shall the Intel Corporation or contributors be liable for any direct,\r
  34 // indirect, incidental, special, exemplary, or consequential damages\r
  35 // (including, but not limited to, procurement of substitute goods or services;\r
  36 // loss of use, data, or profits; or business interruption) however caused\r
  37 // and on any theory of liability, whether in contract, strict liability,\r
  38 // or tort (including negligence or otherwise) arising in any way out of\r
  39 // the use of this software, even if advised of the possibility of such damage.\r
  40 //\r
  41 //M*/\r
  42 \r
  43 #ifndef __OPENCV_GPU_HPP__\r
  44 #define __OPENCV_GPU_HPP__\r
  45 \r
  46 #include <vector>\r
  47 #include "opencv2/core/core.hpp"\r
  48 #include "opencv2/imgproc/imgproc.hpp"\r
  49 #include "opencv2/objdetect/objdetect.hpp"\r
  50 #include "opencv2/features2d/features2d.hpp"\r
  51 #include "opencv2/gpu/gpumat.hpp"\r
  52 \r
  53 namespace cv\r
  54 {\r
  55     namespace gpu\r
  56     {\r
  57         //////////////////////////////// Initialization & Info ////////////////////////\r
  58 \r
  59         //! This is the only function that do not throw exceptions if the library is compiled without Cuda.\r
  60         CV_EXPORTS int getCudaEnabledDeviceCount();\r
  61 \r
  62         //! Functions below throw cv::Expception if the library is compiled without Cuda.\r
  63 \r
  64         CV_EXPORTS void setDevice(int device);\r
  65         CV_EXPORTS int getDevice();\r
  66 \r
  67         //! Explicitly destroys and cleans up all resources associated with the current device in the current process. \r
  68         //! Any subsequent API call to this device will reinitialize the device.\r
  69         CV_EXPORTS void resetDevice();\r
  70 \r
  71         enum FeatureSet\r
  72         {\r
  73             FEATURE_SET_COMPUTE_10 = 10,\r
  74             FEATURE_SET_COMPUTE_11 = 11,\r
  75             FEATURE_SET_COMPUTE_12 = 12,\r
  76             FEATURE_SET_COMPUTE_13 = 13,\r
  77             FEATURE_SET_COMPUTE_20 = 20,\r
  78             FEATURE_SET_COMPUTE_21 = 21,\r
  79             GLOBAL_ATOMICS = FEATURE_SET_COMPUTE_11,\r
  80             SHARED_ATOMICS = FEATURE_SET_COMPUTE_12,\r
  81             NATIVE_DOUBLE = FEATURE_SET_COMPUTE_13\r
  82         };\r
  83 \r
  84         // Gives information about what GPU archs this OpenCV GPU module was \r
  85         // compiled for\r
  86         class CV_EXPORTS TargetArchs\r
  87         {\r
  88         public:\r
  89             static bool builtWith(FeatureSet feature_set);\r
  90             static bool has(int major, int minor);\r
  91             static bool hasPtx(int major, int minor);\r
  92             static bool hasBin(int major, int minor);\r
  93             static bool hasEqualOrLessPtx(int major, int minor);\r
  94             static bool hasEqualOrGreater(int major, int minor);\r
  95             static bool hasEqualOrGreaterPtx(int major, int minor);\r
  96             static bool hasEqualOrGreaterBin(int major, int minor);\r
  97         private:\r
  98             TargetArchs();\r
  99         };\r
 100 \r
 101         // Gives information about the given GPU\r
 102         class CV_EXPORTS DeviceInfo\r
 103         {\r
 104         public:\r
 105             // Creates DeviceInfo object for the current GPU\r
 106             DeviceInfo() : device_id_(getDevice()) { query(); }\r
 107 \r
 108             // Creates DeviceInfo object for the given GPU\r
 109             DeviceInfo(int device_id) : device_id_(device_id) { query(); }\r
 110 \r
 111             string name() const { return name_; }\r
 112 \r
 113             // Return compute capability versions\r
 114             int majorVersion() const { return majorVersion_; }\r
 115             int minorVersion() const { return minorVersion_; }\r
 116 \r
 117             int multiProcessorCount() const { return multi_processor_count_; }\r
 118 \r
 119             size_t freeMemory() const;\r
 120             size_t totalMemory() const;\r
 121 \r
 122             // Checks whether device supports the given feature\r
 123             bool supports(FeatureSet feature_set) const;\r
 124 \r
 125             // Checks whether the GPU module can be run on the given device\r
 126             bool isCompatible() const;\r
 127 \r
 128             int deviceID() const { return device_id_; }\r
 129 \r
 130         private:\r
 131             void query();\r
 132             void queryMemory(size_t& free_memory, size_t& total_memory) const;\r
 133 \r
 134             int device_id_;\r
 135 \r
 136             string name_;\r
 137             int multi_processor_count_;\r
 138             int majorVersion_;\r
 139             int minorVersion_;\r
 140         };\r
 141 \r
 142         //////////////////////////////// Error handling ////////////////////////\r
 143 \r
 144         CV_EXPORTS void error(const char *error_string, const char *file, const int line, const char *func);\r
 145         CV_EXPORTS void nppError( int err, const char *file, const int line, const char *func);\r
 146 \r
 147         //////////////////////////////// CudaMem ////////////////////////////////\r
 148         // CudaMem is limited cv::Mat with page locked memory allocation.\r
 149         // Page locked memory is only needed for async and faster coping to GPU.\r
 150         // It is convertable to cv::Mat header without reference counting\r
 151         // so you can use it with other opencv functions.\r
 152 \r
 153         // Page-locks the matrix m memory and maps it for the device(s)\r
 154         CV_EXPORTS void registerPageLocked(Mat& m);\r
 155         // Unmaps the memory of matrix m, and makes it pageable again.\r
 156         CV_EXPORTS void unregisterPageLocked(Mat& m);\r
 157 \r
 158         class CV_EXPORTS CudaMem\r
 159         {\r
 160         public:\r
 161             enum  { ALLOC_PAGE_LOCKED = 1, ALLOC_ZEROCOPY = 2, ALLOC_WRITE_COMBINED = 4 };\r
 162 \r
 163             CudaMem();\r
 164             CudaMem(const CudaMem& m);\r
 165 \r
 166             CudaMem(int rows, int cols, int type, int _alloc_type = ALLOC_PAGE_LOCKED);\r
 167             CudaMem(Size size, int type, int alloc_type = ALLOC_PAGE_LOCKED);\r
 168 \r
 169 \r
 170             //! creates from cv::Mat with coping data\r
 171             explicit CudaMem(const Mat& m, int alloc_type = ALLOC_PAGE_LOCKED);\r
 172 \r
 173             ~CudaMem();\r
 174 \r
 175             CudaMem& operator = (const CudaMem& m);\r
 176 \r
 177             //! returns deep copy of the matrix, i.e. the data is copied\r
 178             CudaMem clone() const;\r
 179 \r
 180             //! allocates new matrix data unless the matrix already has specified size and type.\r
 181             void create(int rows, int cols, int type, int alloc_type = ALLOC_PAGE_LOCKED);\r
 182             void create(Size size, int type, int alloc_type = ALLOC_PAGE_LOCKED);\r
 183 \r
 184             //! decrements reference counter and released memory if needed.\r
 185             void release();\r
 186 \r
 187             //! returns matrix header with disabled reference counting for CudaMem data.\r
 188             Mat createMatHeader() const;\r
 189             operator Mat() const;\r
 190 \r
 191             //! maps host memory into device address space and returns GpuMat header for it. Throws exception if not supported by hardware.\r
 192             GpuMat createGpuMatHeader() const;\r
 193             operator GpuMat() const;\r
 194 \r
 195             //returns if host memory can be mapperd to gpu address space;\r
 196             static bool canMapHostMemory();\r
 197 \r
 198             // Please see cv::Mat for descriptions\r
 199             bool isContinuous() const;\r
 200             size_t elemSize() const;\r
 201             size_t elemSize1() const;\r
 202             int type() const;\r
 203             int depth() const;\r
 204             int channels() const;\r
 205             size_t step1() const;\r
 206             Size size() const;\r
 207             bool empty() const;\r
 208 \r
 209 \r
 210             // Please see cv::Mat for descriptions\r
 211             int flags;\r
 212             int rows, cols;\r
 213             size_t step;\r
 214 \r
 215             uchar* data;\r
 216             int* refcount;\r
 217 \r
 218             uchar* datastart;\r
 219             uchar* dataend;\r
 220 \r
 221             int alloc_type;\r
 222         };\r
 223 \r
 224         //////////////////////////////// CudaStream ////////////////////////////////\r
 225         // Encapculates Cuda Stream. Provides interface for async coping.\r
 226         // Passed to each function that supports async kernel execution.\r
 227         // Reference counting is enabled\r
 228 \r
 229         class CV_EXPORTS Stream\r
 230         {\r
 231         public:\r
 232             Stream();\r
 233             ~Stream();\r
 234 \r
 235             Stream(const Stream&);\r
 236             Stream& operator=(const Stream&);\r
 237 \r
 238             bool queryIfComplete();\r
 239             void waitForCompletion();\r
 240 \r
 241             //! downloads asynchronously.\r
 242             // Warning! cv::Mat must point to page locked memory (i.e. to CudaMem data or to its subMat)\r
 243             void enqueueDownload(const GpuMat& src, CudaMem& dst);\r
 244             void enqueueDownload(const GpuMat& src, Mat& dst);\r
 245 \r
 246             //! uploads asynchronously.\r
 247             // Warning! cv::Mat must point to page locked memory (i.e. to CudaMem data or to its ROI)\r
 248             void enqueueUpload(const CudaMem& src, GpuMat& dst);\r
 249             void enqueueUpload(const Mat& src, GpuMat& dst);\r
 250 \r
 251             void enqueueCopy(const GpuMat& src, GpuMat& dst);\r
 252 \r
 253             void enqueueMemSet(GpuMat& src, Scalar val);\r
 254             void enqueueMemSet(GpuMat& src, Scalar val, const GpuMat& mask);\r
 255 \r
 256             // converts matrix type, ex from float to uchar depending on type\r
 257             void enqueueConvert(const GpuMat& src, GpuMat& dst, int type, double a = 1, double b = 0);\r
 258 \r
 259             static Stream& Null();\r
 260 \r
 261             operator bool() const;\r
 262 \r
 263         private:\r
 264             void create();\r
 265             void release();\r
 266 \r
 267             struct Impl;\r
 268             Impl *impl;\r
 269 \r
 270             friend struct StreamAccessor;\r
 271             \r
 272             explicit Stream(Impl* impl);\r
 273         };\r
 274         \r
 275 \r
 276         //////////////////////////////// Filter Engine ////////////////////////////////\r
 277 \r
 278         /*!\r
 279         The Base Class for 1D or Row-wise Filters\r
 280 \r
 281         This is the base class for linear or non-linear filters that process 1D data.\r
 282         In particular, such filters are used for the "horizontal" filtering parts in separable filters.\r
 283         */\r
 284         class CV_EXPORTS BaseRowFilter_GPU\r
 285         {\r
 286         public:\r
 287             BaseRowFilter_GPU(int ksize_, int anchor_) : ksize(ksize_), anchor(anchor_) {}\r
 288             virtual ~BaseRowFilter_GPU() {}\r
 289             virtual void operator()(const GpuMat& src, GpuMat& dst, Stream& stream = Stream::Null()) = 0;\r
 290             int ksize, anchor;\r
 291         };\r
 292 \r
 293         /*!\r
 294         The Base Class for Column-wise Filters\r
 295 \r
 296         This is the base class for linear or non-linear filters that process columns of 2D arrays.\r
 297         Such filters are used for the "vertical" filtering parts in separable filters.\r
 298         */\r
 299         class CV_EXPORTS BaseColumnFilter_GPU\r
 300         {\r
 301         public:\r
 302             BaseColumnFilter_GPU(int ksize_, int anchor_) : ksize(ksize_), anchor(anchor_) {}\r
 303             virtual ~BaseColumnFilter_GPU() {}\r
 304             virtual void operator()(const GpuMat& src, GpuMat& dst, Stream& stream = Stream::Null()) = 0;\r
 305             int ksize, anchor;\r
 306         };\r
 307 \r
 308         /*!\r
 309         The Base Class for Non-Separable 2D Filters.\r
 310 \r
 311         This is the base class for linear or non-linear 2D filters.\r
 312         */\r
 313         class CV_EXPORTS BaseFilter_GPU\r
 314         {\r
 315         public:\r
 316             BaseFilter_GPU(const Size& ksize_, const Point& anchor_) : ksize(ksize_), anchor(anchor_) {}\r
 317             virtual ~BaseFilter_GPU() {}\r
 318             virtual void operator()(const GpuMat& src, GpuMat& dst, Stream& stream = Stream::Null()) = 0;\r
 319             Size ksize;\r
 320             Point anchor;\r
 321         };\r
 322 \r
 323         /*!\r
 324         The Base Class for Filter Engine.\r
 325 \r
 326         The class can be used to apply an arbitrary filtering operation to an image.\r
 327         It contains all the necessary intermediate buffers.\r
 328         */\r
 329         class CV_EXPORTS FilterEngine_GPU\r
 330         {\r
 331         public:\r
 332             virtual ~FilterEngine_GPU() {}\r
 333 \r
 334             virtual void apply(const GpuMat& src, GpuMat& dst, Rect roi = Rect(0,0,-1,-1), Stream& stream = Stream::Null()) = 0;\r
 335         };\r
 336 \r
 337         //! returns the non-separable filter engine with the specified filter\r
 338         CV_EXPORTS Ptr<FilterEngine_GPU> createFilter2D_GPU(const Ptr<BaseFilter_GPU>& filter2D, int srcType, int dstType);\r
 339 \r
 340         //! returns the separable filter engine with the specified filters\r
 341         CV_EXPORTS Ptr<FilterEngine_GPU> createSeparableFilter_GPU(const Ptr<BaseRowFilter_GPU>& rowFilter,\r
 342             const Ptr<BaseColumnFilter_GPU>& columnFilter, int srcType, int bufType, int dstType);\r
 343 \r
 344         //! returns horizontal 1D box filter\r
 345         //! supports only CV_8UC1 source type and CV_32FC1 sum type\r
 346         CV_EXPORTS Ptr<BaseRowFilter_GPU> getRowSumFilter_GPU(int srcType, int sumType, int ksize, int anchor = -1);\r
 347 \r
 348         //! returns vertical 1D box filter\r
 349         //! supports only CV_8UC1 sum type and CV_32FC1 dst type\r
 350         CV_EXPORTS Ptr<BaseColumnFilter_GPU> getColumnSumFilter_GPU(int sumType, int dstType, int ksize, int anchor = -1);\r
 351 \r
 352         //! returns 2D box filter\r
 353         //! supports CV_8UC1 and CV_8UC4 source type, dst type must be the same as source type\r
 354         CV_EXPORTS Ptr<BaseFilter_GPU> getBoxFilter_GPU(int srcType, int dstType, const Size& ksize, Point anchor = Point(-1, -1));\r
 355 \r
 356         //! returns box filter engine\r
 357         CV_EXPORTS Ptr<FilterEngine_GPU> createBoxFilter_GPU(int srcType, int dstType, const Size& ksize,\r
 358             const Point& anchor = Point(-1,-1));\r
 359 \r
 360         //! returns 2D morphological filter\r
 361         //! only MORPH_ERODE and MORPH_DILATE are supported\r
 362         //! supports CV_8UC1 and CV_8UC4 types\r
 363         //! kernel must have CV_8UC1 type, one rows and cols == ksize.width * ksize.height\r
 364         CV_EXPORTS Ptr<BaseFilter_GPU> getMorphologyFilter_GPU(int op, int type, const Mat& kernel, const Size& ksize,\r
 365             Point anchor=Point(-1,-1));\r
 366 \r
 367         //! returns morphological filter engine. Only MORPH_ERODE and MORPH_DILATE are supported.\r
 368         CV_EXPORTS Ptr<FilterEngine_GPU> createMorphologyFilter_GPU(int op, int type, const Mat& kernel,\r
 369             const Point& anchor = Point(-1,-1), int iterations = 1);\r
 370 \r
 371         //! returns 2D filter with the specified kernel\r
 372         //! supports CV_8UC1 and CV_8UC4 types\r
 373         CV_EXPORTS Ptr<BaseFilter_GPU> getLinearFilter_GPU(int srcType, int dstType, const Mat& kernel, const Size& ksize,\r
 374             Point anchor = Point(-1, -1));\r
 375 \r
 376         //! returns the non-separable linear filter engine\r
 377         CV_EXPORTS Ptr<FilterEngine_GPU> createLinearFilter_GPU(int srcType, int dstType, const Mat& kernel,\r
 378             const Point& anchor = Point(-1,-1));\r
 379 \r
 380         //! returns the primitive row filter with the specified kernel.\r
 381         //! supports only CV_8UC1, CV_8UC4, CV_16SC1, CV_16SC2, CV_32SC1, CV_32FC1 source type.\r
 382         //! there are two version of algorithm: NPP and OpenCV.\r
 383         //! NPP calls when srcType == CV_8UC1 or srcType == CV_8UC4 and bufType == srcType,\r
 384         //! otherwise calls OpenCV version.\r
 385         //! NPP supports only BORDER_CONSTANT border type.\r
 386         //! OpenCV version supports only CV_32F as buffer depth and\r
 387         //! BORDER_REFLECT101, BORDER_REPLICATE and BORDER_CONSTANT border types.\r
 388         CV_EXPORTS Ptr<BaseRowFilter_GPU> getLinearRowFilter_GPU(int srcType, int bufType, const Mat& rowKernel,\r
 389             int anchor = -1, int borderType = BORDER_CONSTANT);\r
 390 \r
 391         //! returns the primitive column filter with the specified kernel.\r
 392         //! supports only CV_8UC1, CV_8UC4, CV_16SC1, CV_16SC2, CV_32SC1, CV_32FC1 dst type.\r
 393         //! there are two version of algorithm: NPP and OpenCV.\r
 394         //! NPP calls when dstType == CV_8UC1 or dstType == CV_8UC4 and bufType == dstType,\r
 395         //! otherwise calls OpenCV version.\r
 396         //! NPP supports only BORDER_CONSTANT border type.\r
 397         //! OpenCV version supports only CV_32F as buffer depth and\r
 398         //! BORDER_REFLECT101, BORDER_REPLICATE and BORDER_CONSTANT border types.\r
 399         CV_EXPORTS Ptr<BaseColumnFilter_GPU> getLinearColumnFilter_GPU(int bufType, int dstType, const Mat& columnKernel,\r
 400             int anchor = -1, int borderType = BORDER_CONSTANT);\r
 401 \r
 402         //! returns the separable linear filter engine\r
 403         CV_EXPORTS Ptr<FilterEngine_GPU> createSeparableLinearFilter_GPU(int srcType, int dstType, const Mat& rowKernel,\r
 404             const Mat& columnKernel, const Point& anchor = Point(-1,-1), int rowBorderType = BORDER_DEFAULT,\r
 405             int columnBorderType = -1);\r
 406 \r
 407         //! returns filter engine for the generalized Sobel operator\r
 408         CV_EXPORTS Ptr<FilterEngine_GPU> createDerivFilter_GPU(int srcType, int dstType, int dx, int dy, int ksize,\r
 409             int rowBorderType = BORDER_DEFAULT, int columnBorderType = -1);\r
 410 \r
 411         //! returns the Gaussian filter engine\r
 412         CV_EXPORTS Ptr<FilterEngine_GPU> createGaussianFilter_GPU(int type, Size ksize, double sigma1, double sigma2 = 0,\r
 413             int rowBorderType = BORDER_DEFAULT, int columnBorderType = -1);\r
 414 \r
 415         //! returns maximum filter\r
 416         CV_EXPORTS Ptr<BaseFilter_GPU> getMaxFilter_GPU(int srcType, int dstType, const Size& ksize, Point anchor = Point(-1,-1));\r
 417 \r
 418         //! returns minimum filter\r
 419         CV_EXPORTS Ptr<BaseFilter_GPU> getMinFilter_GPU(int srcType, int dstType, const Size& ksize, Point anchor = Point(-1,-1));\r
 420 \r
 421         //! smooths the image using the normalized box filter\r
 422         //! supports CV_8UC1, CV_8UC4 types\r
 423         CV_EXPORTS void boxFilter(const GpuMat& src, GpuMat& dst, int ddepth, Size ksize, Point anchor = Point(-1,-1), Stream& stream = Stream::Null());\r
 424 \r
 425         //! a synonym for normalized box filter\r
 426         static inline void blur(const GpuMat& src, GpuMat& dst, Size ksize, Point anchor = Point(-1,-1), Stream& stream = Stream::Null()) { boxFilter(src, dst, -1, ksize, anchor, stream); }\r
 427 \r
 428         //! erodes the image (applies the local minimum operator)\r
 429         CV_EXPORTS void erode( const GpuMat& src, GpuMat& dst, const Mat& kernel, Point anchor = Point(-1, -1), int iterations = 1, Stream& stream = Stream::Null());\r
 430 \r
 431         //! dilates the image (applies the local maximum operator)\r
 432         CV_EXPORTS void dilate( const GpuMat& src, GpuMat& dst, const Mat& kernel, Point anchor = Point(-1, -1), int iterations = 1, Stream& stream = Stream::Null());\r
 433 \r
 434         //! applies an advanced morphological operation to the image\r
 435         CV_EXPORTS void morphologyEx( const GpuMat& src, GpuMat& dst, int op, const Mat& kernel, Point anchor = Point(-1, -1), int iterations = 1, Stream& stream = Stream::Null());\r
 436 \r
 437         //! applies non-separable 2D linear filter to the image\r
 438         CV_EXPORTS void filter2D(const GpuMat& src, GpuMat& dst, int ddepth, const Mat& kernel, Point anchor=Point(-1,-1), Stream& stream = Stream::Null());\r
 439 \r
 440         //! applies separable 2D linear filter to the image\r
 441         CV_EXPORTS void sepFilter2D(const GpuMat& src, GpuMat& dst, int ddepth, const Mat& kernelX, const Mat& kernelY,\r
 442             Point anchor = Point(-1,-1), int rowBorderType = BORDER_DEFAULT, int columnBorderType = -1, Stream& stream = Stream::Null());\r
 443 \r
 444         //! applies generalized Sobel operator to the image\r
 445         CV_EXPORTS void Sobel(const GpuMat& src, GpuMat& dst, int ddepth, int dx, int dy, int ksize = 3, double scale = 1,\r
 446             int rowBorderType = BORDER_DEFAULT, int columnBorderType = -1, Stream& stream = Stream::Null());\r
 447 \r
 448         //! applies the vertical or horizontal Scharr operator to the image\r
 449         CV_EXPORTS void Scharr(const GpuMat& src, GpuMat& dst, int ddepth, int dx, int dy, double scale = 1,\r
 450             int rowBorderType = BORDER_DEFAULT, int columnBorderType = -1, Stream& stream = Stream::Null());\r
 451 \r
 452         //! smooths the image using Gaussian filter.\r
 453         CV_EXPORTS void GaussianBlur(const GpuMat& src, GpuMat& dst, Size ksize, double sigma1, double sigma2 = 0,\r
 454             int rowBorderType = BORDER_DEFAULT, int columnBorderType = -1, Stream& stream = Stream::Null());\r
 455 \r
 456         //! applies Laplacian operator to the image\r
 457         //! supports only ksize = 1 and ksize = 3\r
 458         CV_EXPORTS void Laplacian(const GpuMat& src, GpuMat& dst, int ddepth, int ksize = 1, double scale = 1, Stream& stream = Stream::Null());\r
 459 \r
 460 \r
 461         ////////////////////////////// Arithmetics ///////////////////////////////////\r
 462 \r
 463         //! transposes the matrix\r
 464         //! supports matrix with element size = 1, 4 and 8 bytes (CV_8UC1, CV_8UC4, CV_16UC2, CV_32FC1, etc)\r
 465         CV_EXPORTS void transpose(const GpuMat& src1, GpuMat& dst, Stream& stream = Stream::Null());\r
 466 \r
 467         //! reverses the order of the rows, columns or both in a matrix\r
 468         //! supports CV_8UC1, CV_8UC4 types\r
 469         CV_EXPORTS void flip(const GpuMat& a, GpuMat& b, int flipCode, Stream& stream = Stream::Null());\r
 470 \r
 471         //! transforms 8-bit unsigned integers using lookup table: dst(i)=lut(src(i))\r
 472         //! destination array will have the depth type as lut and the same channels number as source\r
 473         //! supports CV_8UC1, CV_8UC3 types\r
 474         CV_EXPORTS void LUT(const GpuMat& src, const Mat& lut, GpuMat& dst, Stream& stream = Stream::Null());\r
 475 \r
 476         //! makes multi-channel array out of several single-channel arrays\r
 477         CV_EXPORTS void merge(const GpuMat* src, size_t n, GpuMat& dst, Stream& stream = Stream::Null());\r
 478 \r
 479         //! makes multi-channel array out of several single-channel arrays\r
 480         CV_EXPORTS void merge(const vector<GpuMat>& src, GpuMat& dst, Stream& stream = Stream::Null());\r
 481 \r
 482         //! copies each plane of a multi-channel array to a dedicated array\r
 483         CV_EXPORTS void split(const GpuMat& src, GpuMat* dst, Stream& stream = Stream::Null());\r
 484 \r
 485         //! copies each plane of a multi-channel array to a dedicated array\r
 486         CV_EXPORTS void split(const GpuMat& src, vector<GpuMat>& dst, Stream& stream = Stream::Null());\r
 487 \r
 488         //! computes magnitude of complex (x(i).re, x(i).im) vector\r
 489         //! supports only CV_32FC2 type\r
 490         CV_EXPORTS void magnitude(const GpuMat& x, GpuMat& magnitude, Stream& stream = Stream::Null());\r
 491 \r
 492         //! computes squared magnitude of complex (x(i).re, x(i).im) vector\r
 493         //! supports only CV_32FC2 type\r
 494         CV_EXPORTS void magnitudeSqr(const GpuMat& x, GpuMat& magnitude, Stream& stream = Stream::Null());\r
 495 \r
 496         //! computes magnitude of each (x(i), y(i)) vector\r
 497         //! supports only floating-point source\r
 498         CV_EXPORTS void magnitude(const GpuMat& x, const GpuMat& y, GpuMat& magnitude, Stream& stream = Stream::Null());\r
 499 \r
 500         //! computes squared magnitude of each (x(i), y(i)) vector\r
 501         //! supports only floating-point source\r
 502         CV_EXPORTS void magnitudeSqr(const GpuMat& x, const GpuMat& y, GpuMat& magnitude, Stream& stream = Stream::Null());\r
 503 \r
 504         //! computes angle (angle(i)) of each (x(i), y(i)) vector\r
 505         //! supports only floating-point source\r
 506         CV_EXPORTS void phase(const GpuMat& x, const GpuMat& y, GpuMat& angle, bool angleInDegrees = false, Stream& stream = Stream::Null());\r
 507 \r
 508         //! converts Cartesian coordinates to polar\r
 509         //! supports only floating-point source\r
 510         CV_EXPORTS void cartToPolar(const GpuMat& x, const GpuMat& y, GpuMat& magnitude, GpuMat& angle, bool angleInDegrees = false, Stream& stream = Stream::Null());\r
 511 \r
 512         //! converts polar coordinates to Cartesian\r
 513         //! supports only floating-point source\r
 514         CV_EXPORTS void polarToCart(const GpuMat& magnitude, const GpuMat& angle, GpuMat& x, GpuMat& y, bool angleInDegrees = false, Stream& stream = Stream::Null());\r
 515 \r
 516 \r
 517         //////////////////////////// Per-element operations ////////////////////////////////////\r
 518 \r
 519         //! adds one matrix to another (c = a + b)\r
 520         //! supports CV_8UC1, CV_8UC4, CV_32SC1, CV_32FC1 types\r
 521         CV_EXPORTS void add(const GpuMat& a, const GpuMat& b, GpuMat& c, Stream& stream = Stream::Null());\r
 522         //! adds scalar to a matrix (c = a + s)\r
 523         //! supports CV_32FC1 and CV_32FC2 type\r
 524         CV_EXPORTS void add(const GpuMat& a, const Scalar& sc, GpuMat& c, Stream& stream = Stream::Null());\r
 525 \r
 526         //! subtracts one matrix from another (c = a - b)\r
 527         //! supports CV_8UC1, CV_8UC4, CV_32SC1, CV_32FC1 types\r
 528         CV_EXPORTS void subtract(const GpuMat& a, const GpuMat& b, GpuMat& c, Stream& stream = Stream::Null());\r
 529         //! subtracts scalar from a matrix (c = a - s)\r
 530         //! supports CV_32FC1 and CV_32FC2 type\r
 531         CV_EXPORTS void subtract(const GpuMat& a, const Scalar& sc, GpuMat& c, Stream& stream = Stream::Null());\r
 532 \r
 533         //! computes element-wise product of the two arrays (c = a * b)\r
 534         //! supports CV_8UC1, CV_8UC4, CV_32SC1, CV_32FC1 types\r
 535         CV_EXPORTS void multiply(const GpuMat& a, const GpuMat& b, GpuMat& c, Stream& stream = Stream::Null());\r
 536         //! multiplies matrix to a scalar (c = a * s)\r
 537         //! supports CV_32FC1 type\r
 538         CV_EXPORTS void multiply(const GpuMat& a, const Scalar& sc, GpuMat& c, Stream& stream = Stream::Null());\r
 539 \r
 540         //! computes element-wise quotient of the two arrays (c = a / b)\r
 541         //! supports CV_8UC1, CV_8UC4, CV_32SC1, CV_32FC1 types\r
 542         CV_EXPORTS void divide(const GpuMat& a, const GpuMat& b, GpuMat& c, Stream& stream = Stream::Null());\r
 543         //! computes element-wise quotient of matrix and scalar (c = a / s)\r
 544         //! supports CV_32FC1 type\r
 545         CV_EXPORTS void divide(const GpuMat& a, const Scalar& sc, GpuMat& c, Stream& stream = Stream::Null());\r
 546 \r
 547         //! computes exponent of each matrix element (b = e**a)\r
 548         //! supports only CV_32FC1 type\r
 549         CV_EXPORTS void exp(const GpuMat& a, GpuMat& b, Stream& stream = Stream::Null());\r
 550         \r
 551         //! computes power of each matrix element:\r
 552         //    (dst(i,j) = pow(     src(i,j) , power), if src.type() is integer\r
 553         //    (dst(i,j) = pow(fabs(src(i,j)), power), otherwise\r
 554         //! supports all, except depth == CV_64F\r
 555         CV_EXPORTS void pow(const GpuMat& src, double power, GpuMat& dst, Stream& stream = Stream::Null());\r
 556 \r
 557         //! computes natural logarithm of absolute value of each matrix element: b = log(abs(a))\r
 558         //! supports only CV_32FC1 type\r
 559         CV_EXPORTS void log(const GpuMat& a, GpuMat& b, Stream& stream = Stream::Null());\r
 560 \r
 561         //! computes element-wise absolute difference of two arrays (c = abs(a - b))\r
 562         //! supports CV_8UC1, CV_8UC4, CV_32SC1, CV_32FC1 types\r
 563         CV_EXPORTS void absdiff(const GpuMat& a, const GpuMat& b, GpuMat& c, Stream& stream = Stream::Null());\r
 564         //! computes element-wise absolute difference of array and scalar (c = abs(a - s))\r
 565         //! supports only CV_32FC1 type\r
 566         CV_EXPORTS void absdiff(const GpuMat& a, const Scalar& s, GpuMat& c, Stream& stream = Stream::Null());\r
 567 \r
 568         //! compares elements of two arrays (c = a <cmpop> b)\r
 569         //! supports CV_8UC4, CV_32FC1 types\r
 570         CV_EXPORTS void compare(const GpuMat& a, const GpuMat& b, GpuMat& c, int cmpop, Stream& stream = Stream::Null());\r
 571 \r
 572         //! performs per-elements bit-wise inversion\r
 573         CV_EXPORTS void bitwise_not(const GpuMat& src, GpuMat& dst, const GpuMat& mask=GpuMat(), Stream& stream = Stream::Null());\r
 574 \r
 575         //! calculates per-element bit-wise disjunction of two arrays\r
 576         CV_EXPORTS void bitwise_or(const GpuMat& src1, const GpuMat& src2, GpuMat& dst, const GpuMat& mask=GpuMat(), Stream& stream = Stream::Null());\r
 577 \r
 578         //! calculates per-element bit-wise conjunction of two arrays\r
 579         CV_EXPORTS void bitwise_and(const GpuMat& src1, const GpuMat& src2, GpuMat& dst, const GpuMat& mask=GpuMat(), Stream& stream = Stream::Null());\r
 580 \r
 581         //! calculates per-element bit-wise "exclusive or" operation\r
 582         CV_EXPORTS void bitwise_xor(const GpuMat& src1, const GpuMat& src2, GpuMat& dst, const GpuMat& mask=GpuMat(), Stream& stream = Stream::Null());\r
 583 \r
 584         //! computes per-element minimum of two arrays (dst = min(src1, src2))\r
 585         CV_EXPORTS void min(const GpuMat& src1, const GpuMat& src2, GpuMat& dst, Stream& stream = Stream::Null());\r
 586 \r
 587         //! computes per-element minimum of array and scalar (dst = min(src1, src2))\r
 588         CV_EXPORTS void min(const GpuMat& src1, double src2, GpuMat& dst, Stream& stream = Stream::Null());\r
 589 \r
 590         //! computes per-element maximum of two arrays (dst = max(src1, src2))\r
 591         CV_EXPORTS void max(const GpuMat& src1, const GpuMat& src2, GpuMat& dst, Stream& stream = Stream::Null());\r
 592 \r
 593         //! computes per-element maximum of array and scalar (dst = max(src1, src2))\r
 594         CV_EXPORTS void max(const GpuMat& src1, double src2, GpuMat& dst, Stream& stream = Stream::Null());\r
 595 \r
 596 \r
 597         ////////////////////////////// Image processing //////////////////////////////\r
 598 \r
 599         //! DST[x,y] = SRC[xmap[x,y],ymap[x,y]]\r
 600         //! supports only CV_32FC1 map type\r
 601         CV_EXPORTS void remap(const GpuMat& src, GpuMat& dst, const GpuMat& xmap, const GpuMat& ymap,\r
 602             int interpolation, int borderMode = BORDER_CONSTANT, const Scalar& borderValue = Scalar(), \r
 603             Stream& stream = Stream::Null());\r
 604 \r
 605         //! Does mean shift filtering on GPU.\r
 606         CV_EXPORTS void meanShiftFiltering(const GpuMat& src, GpuMat& dst, int sp, int sr,\r
 607             TermCriteria criteria = TermCriteria(TermCriteria::MAX_ITER + TermCriteria::EPS, 5, 1));\r
 608 \r
 609         //! Does mean shift procedure on GPU.\r
 610         CV_EXPORTS void meanShiftProc(const GpuMat& src, GpuMat& dstr, GpuMat& dstsp, int sp, int sr,\r
 611             TermCriteria criteria = TermCriteria(TermCriteria::MAX_ITER + TermCriteria::EPS, 5, 1));\r
 612 \r
 613         //! Does mean shift segmentation with elimination of small regions.\r
 614         CV_EXPORTS void meanShiftSegmentation(const GpuMat& src, Mat& dst, int sp, int sr, int minsize,\r
 615             TermCriteria criteria = TermCriteria(TermCriteria::MAX_ITER + TermCriteria::EPS, 5, 1));\r
 616 \r
 617         //! Does coloring of disparity image: [0..ndisp) -> [0..240, 1, 1] in HSV.\r
 618         //! Supported types of input disparity: CV_8U, CV_16S.\r
 619         //! Output disparity has CV_8UC4 type in BGRA format (alpha = 255).\r
 620         CV_EXPORTS void drawColorDisp(const GpuMat& src_disp, GpuMat& dst_disp, int ndisp, Stream& stream = Stream::Null());\r
 621 \r
 622         //! Reprojects disparity image to 3D space.\r
 623         //! Supports CV_8U and CV_16S types of input disparity.\r
 624         //! The output is a 4-channel floating-point (CV_32FC4) matrix.\r
 625         //! Each element of this matrix will contain the 3D coordinates of the point (x,y,z,1), computed from the disparity map.\r
 626         //! Q is the 4x4 perspective transformation matrix that can be obtained with cvStereoRectify.\r
 627         CV_EXPORTS void reprojectImageTo3D(const GpuMat& disp, GpuMat& xyzw, const Mat& Q, Stream& stream = Stream::Null());\r
 628 \r
 629         //! converts image from one color space to another\r
 630         CV_EXPORTS void cvtColor(const GpuMat& src, GpuMat& dst, int code, int dcn = 0, Stream& stream = Stream::Null());\r
 631 \r
 632         //! applies fixed threshold to the image\r
 633         CV_EXPORTS double threshold(const GpuMat& src, GpuMat& dst, double thresh, double maxval, int type, Stream& stream = Stream::Null());\r
 634 \r
 635         //! resizes the image\r
 636         //! Supports INTER_NEAREST, INTER_LINEAR, INTER_CUBIC\r
 637         CV_EXPORTS void resize(const GpuMat& src, GpuMat& dst, Size dsize, double fx=0, double fy=0, int interpolation = INTER_LINEAR, Stream& stream = Stream::Null());\r
 638 \r
 639         //! warps the image using affine transformation\r
 640         //! Supports INTER_NEAREST, INTER_LINEAR, INTER_CUBIC\r
 641         CV_EXPORTS void warpAffine(const GpuMat& src, GpuMat& dst, const Mat& M, Size dsize, int flags = INTER_LINEAR, Stream& stream = Stream::Null());\r
 642 \r
 643         //! warps the image using perspective transformation\r
 644         //! Supports INTER_NEAREST, INTER_LINEAR, INTER_CUBIC\r
 645         CV_EXPORTS void warpPerspective(const GpuMat& src, GpuMat& dst, const Mat& M, Size dsize, int flags = INTER_LINEAR, Stream& stream = Stream::Null());\r
 646 \r
 647         //! builds plane warping maps\r
 648         CV_EXPORTS void buildWarpPlaneMaps(Size src_size, Rect dst_roi, const Mat& R, double f, double s, double dist,\r
 649                                            GpuMat& map_x, GpuMat& map_y, Stream& stream = Stream::Null());\r
 650 \r
 651         //! builds cylindrical warping maps\r
 652         CV_EXPORTS void buildWarpCylindricalMaps(Size src_size, Rect dst_roi, const Mat& R, double f, double s,\r
 653                                                  GpuMat& map_x, GpuMat& map_y, Stream& stream = Stream::Null());\r
 654 \r
 655         //! builds spherical warping maps\r
 656         CV_EXPORTS void buildWarpSphericalMaps(Size src_size, Rect dst_roi, const Mat& R, double f, double s,\r
 657                                                GpuMat& map_x, GpuMat& map_y, Stream& stream = Stream::Null());\r
 658 \r
 659         //! rotate 8bit single or four channel image\r
 660         //! Supports INTER_NEAREST, INTER_LINEAR, INTER_CUBIC\r
 661         //! supports CV_8UC1, CV_8UC4 types\r
 662         CV_EXPORTS void rotate(const GpuMat& src, GpuMat& dst, Size dsize, double angle, double xShift = 0, double yShift = 0, int interpolation = INTER_LINEAR, Stream& stream = Stream::Null());\r
 663 \r
 664         //! copies 2D array to a larger destination array and pads borders with user-specifiable constant\r
 665         //! supports CV_8UC1, CV_8UC4, CV_32SC1 and CV_32FC1 types\r
 666         CV_EXPORTS void copyMakeBorder(const GpuMat& src, GpuMat& dst, int top, int bottom, int left, int right, const Scalar& value = Scalar(), Stream& stream = Stream::Null());\r
 667 \r
 668         //! computes the integral image\r
 669         //! sum will have CV_32S type, but will contain unsigned int values\r
 670         //! supports only CV_8UC1 source type\r
 671         CV_EXPORTS void integral(const GpuMat& src, GpuMat& sum, Stream& stream = Stream::Null());\r
 672 \r
 673         //! buffered version\r
 674         CV_EXPORTS void integralBuffered(const GpuMat& src, GpuMat& sum, GpuMat& buffer, Stream& stream = Stream::Null());\r
 675 \r
 676         //! computes the integral image and integral for the squared image\r
 677         //! sum will have CV_32S type, sqsum - CV32F type\r
 678         //! supports only CV_8UC1 source type\r
 679         CV_EXPORTS void integral(const GpuMat& src, GpuMat& sum, GpuMat& sqsum, Stream& stream = Stream::Null());\r
 680 \r
 681         //! computes squared integral image\r
 682         //! result matrix will have 64F type, but will contain 64U values\r
 683         //! supports source images of 8UC1 type only\r
 684         CV_EXPORTS void sqrIntegral(const GpuMat& src, GpuMat& sqsum, Stream& stream = Stream::Null());\r
 685 \r
 686         //! computes vertical sum, supports only CV_32FC1 images\r
 687         CV_EXPORTS void columnSum(const GpuMat& src, GpuMat& sum);\r
 688 \r
 689         //! computes the standard deviation of integral images\r
 690         //! supports only CV_32SC1 source type and CV_32FC1 sqr type\r
 691         //! output will have CV_32FC1 type\r
 692         CV_EXPORTS void rectStdDev(const GpuMat& src, const GpuMat& sqr, GpuMat& dst, const Rect& rect, Stream& stream = Stream::Null());\r
 693 \r
 694         //! computes Harris cornerness criteria at each image pixel\r
 695         CV_EXPORTS void cornerHarris(const GpuMat& src, GpuMat& dst, int blockSize, int ksize, double k, int borderType=BORDER_REFLECT101);\r
 696         CV_EXPORTS void cornerHarris(const GpuMat& src, GpuMat& dst, GpuMat& Dx, GpuMat& Dy, int blockSize, int ksize, double k, int borderType=BORDER_REFLECT101);\r
 697 \r
 698         //! computes minimum eigen value of 2x2 derivative covariation matrix at each pixel - the cornerness criteria\r
 699         CV_EXPORTS void cornerMinEigenVal(const GpuMat& src, GpuMat& dst, int blockSize, int ksize, int borderType=BORDER_REFLECT101);\r
 700         CV_EXPORTS void cornerMinEigenVal(const GpuMat& src, GpuMat& dst, GpuMat& Dx, GpuMat& Dy, int blockSize, int ksize, int borderType=BORDER_REFLECT101);\r
 701 \r
 702         //! performs per-element multiplication of two full (not packed) Fourier spectrums\r
 703         //! supports 32FC2 matrixes only (interleaved format)\r
 704         CV_EXPORTS void mulSpectrums(const GpuMat& a, const GpuMat& b, GpuMat& c, int flags, bool conjB=false);\r
 705 \r
 706         //! performs per-element multiplication of two full (not packed) Fourier spectrums\r
 707         //! supports 32FC2 matrixes only (interleaved format)\r
 708         CV_EXPORTS void mulAndScaleSpectrums(const GpuMat& a, const GpuMat& b, GpuMat& c, int flags, \r
 709                                              float scale, bool conjB=false);\r
 710 \r
 711         //! Performs a forward or inverse discrete Fourier transform (1D or 2D) of floating point matrix.\r
 712         //! Param dft_size is the size of DFT transform.\r
 713         //! \r
 714         //! If the source matrix is not continous, then additional copy will be done,\r
 715         //! so to avoid copying ensure the source matrix is continous one. If you want to use\r
 716         //! preallocated output ensure it is continuous too, otherwise it will be reallocated.\r
 717         //!\r
 718         //! Being implemented via CUFFT real-to-complex transform result contains only non-redundant values\r
 719         //! in CUFFT's format. Result as full complex matrix for such kind of transform cannot be retrieved.\r
 720         //!\r
 721         //! For complex-to-real transform it is assumed that the source matrix is packed in CUFFT's format.\r
 722         CV_EXPORTS void dft(const GpuMat& src, GpuMat& dst, Size dft_size, int flags=0);\r
 723 \r
 724         //! computes convolution (or cross-correlation) of two images using discrete Fourier transform\r
 725         //! supports source images of 32FC1 type only\r
 726         //! result matrix will have 32FC1 type\r
 727         CV_EXPORTS void convolve(const GpuMat& image, const GpuMat& templ, GpuMat& result, \r
 728                                  bool ccorr=false);\r
 729 \r
 730         struct CV_EXPORTS ConvolveBuf;\r
 731 \r
 732         //! buffered version\r
 733         CV_EXPORTS void convolve(const GpuMat& image, const GpuMat& templ, GpuMat& result, \r
 734                                  bool ccorr, ConvolveBuf& buf);\r
 735 \r
 736         struct CV_EXPORTS ConvolveBuf\r
 737         {\r
 738             ConvolveBuf() {}\r
 739             ConvolveBuf(Size image_size, Size templ_size) \r
 740                 { create(image_size, templ_size); }\r
 741             void create(Size image_size, Size templ_size);\r
 742 \r
 743         private:\r
 744             static Size estimateBlockSize(Size result_size, Size templ_size);\r
 745             friend void convolve(const GpuMat&, const GpuMat&, GpuMat&, bool, ConvolveBuf&);\r
 746 \r
 747             Size result_size;\r
 748             Size block_size;\r
 749             Size dft_size;\r
 750             int spect_len;\r
 751 \r
 752             GpuMat image_spect, templ_spect, result_spect;\r
 753             GpuMat image_block, templ_block, result_data;\r
 754         };\r
 755 \r
 756         //! computes the proximity map for the raster template and the image where the template is searched for\r
 757         CV_EXPORTS void matchTemplate(const GpuMat& image, const GpuMat& templ, GpuMat& result, int method);\r
 758 \r
 759         //! smoothes the source image and downsamples it\r
 760         CV_EXPORTS void pyrDown(const GpuMat& src, GpuMat& dst, int borderType = BORDER_DEFAULT, Stream& stream = Stream::Null());\r
 761 \r
 762         //! upsamples the source image and then smoothes it\r
 763         CV_EXPORTS void pyrUp(const GpuMat& src, GpuMat& dst, int borderType = BORDER_DEFAULT, Stream& stream = Stream::Null());\r
 764 \r
 765         //! performs linear blending of two images\r
 766         //! to avoid accuracy errors sum of weigths shouldn't be very close to zero\r
 767         CV_EXPORTS void blendLinear(const GpuMat& img1, const GpuMat& img2, const GpuMat& weights1, const GpuMat& weights2, \r
 768             GpuMat& result, Stream& stream = Stream::Null());\r
 769 \r
 770         \r
 771         struct CV_EXPORTS CannyBuf;\r
 772         \r
 773         CV_EXPORTS void Canny(const GpuMat& image, GpuMat& edges, double low_thresh, double high_thresh, int apperture_size = 3, bool L2gradient = false);\r
 774         CV_EXPORTS void Canny(const GpuMat& image, CannyBuf& buf, GpuMat& edges, double low_thresh, double high_thresh, int apperture_size = 3, bool L2gradient = false);\r
 775         CV_EXPORTS void Canny(const GpuMat& dx, const GpuMat& dy, GpuMat& edges, double low_thresh, double high_thresh, bool L2gradient = false);\r
 776         CV_EXPORTS void Canny(const GpuMat& dx, const GpuMat& dy, CannyBuf& buf, GpuMat& edges, double low_thresh, double high_thresh, bool L2gradient = false);\r
 777 \r
 778         struct CV_EXPORTS CannyBuf\r
 779         {\r
 780             CannyBuf() {}\r
 781             explicit CannyBuf(const Size& image_size, int apperture_size = 3) {create(image_size, apperture_size);}\r
 782             CannyBuf(const GpuMat& dx_, const GpuMat& dy_);\r
 783 \r
 784             void create(const Size& image_size, int apperture_size = 3);\r
 785             \r
 786             void release();\r
 787 \r
 788             GpuMat dx, dy;\r
 789             GpuMat dx_buf, dy_buf;\r
 790             GpuMat edgeBuf;\r
 791             GpuMat trackBuf1, trackBuf2;\r
 792             Ptr<FilterEngine_GPU> filterDX, filterDY;\r
 793         };\r
 794 \r
 795         ////////////////////////////// Matrix reductions //////////////////////////////\r
 796 \r
 797         //! computes mean value and standard deviation of all or selected array elements\r
 798         //! supports only CV_8UC1 type\r
 799         CV_EXPORTS void meanStdDev(const GpuMat& mtx, Scalar& mean, Scalar& stddev);\r
 800 \r
 801         //! computes norm of array\r
 802         //! supports NORM_INF, NORM_L1, NORM_L2\r
 803         //! supports all matrices except 64F\r
 804         CV_EXPORTS double norm(const GpuMat& src1, int normType=NORM_L2);\r
 805 \r
 806         //! computes norm of array\r
 807         //! supports NORM_INF, NORM_L1, NORM_L2\r
 808         //! supports all matrices except 64F\r
 809         CV_EXPORTS double norm(const GpuMat& src1, int normType, GpuMat& buf);\r
 810 \r
 811         //! computes norm of the difference between two arrays\r
 812         //! supports NORM_INF, NORM_L1, NORM_L2\r
 813         //! supports only CV_8UC1 type\r
 814         CV_EXPORTS double norm(const GpuMat& src1, const GpuMat& src2, int normType=NORM_L2);\r
 815 \r
 816         //! computes sum of array elements\r
 817         //! supports only single channel images\r
 818         CV_EXPORTS Scalar sum(const GpuMat& src);\r
 819 \r
 820         //! computes sum of array elements\r
 821         //! supports only single channel images\r
 822         CV_EXPORTS Scalar sum(const GpuMat& src, GpuMat& buf);\r
 823 \r
 824         //! computes sum of array elements absolute values\r
 825         //! supports only single channel images\r
 826         CV_EXPORTS Scalar absSum(const GpuMat& src);\r
 827 \r
 828         //! computes sum of array elements absolute values\r
 829         //! supports only single channel images\r
 830         CV_EXPORTS Scalar absSum(const GpuMat& src, GpuMat& buf);\r
 831 \r
 832         //! computes squared sum of array elements\r
 833         //! supports only single channel images\r
 834         CV_EXPORTS Scalar sqrSum(const GpuMat& src);\r
 835 \r
 836         //! computes squared sum of array elements\r
 837         //! supports only single channel images\r
 838         CV_EXPORTS Scalar sqrSum(const GpuMat& src, GpuMat& buf);\r
 839 \r
 840         //! finds global minimum and maximum array elements and returns their values\r
 841         CV_EXPORTS void minMax(const GpuMat& src, double* minVal, double* maxVal=0, const GpuMat& mask=GpuMat());\r
 842 \r
 843         //! finds global minimum and maximum array elements and returns their values\r
 844         CV_EXPORTS void minMax(const GpuMat& src, double* minVal, double* maxVal, const GpuMat& mask, GpuMat& buf);\r
 845 \r
 846         //! finds global minimum and maximum array elements and returns their values with locations\r
 847         CV_EXPORTS void minMaxLoc(const GpuMat& src, double* minVal, double* maxVal=0, Point* minLoc=0, Point* maxLoc=0,\r
 848                                   const GpuMat& mask=GpuMat());\r
 849 \r
 850         //! finds global minimum and maximum array elements and returns their values with locations\r
 851         CV_EXPORTS void minMaxLoc(const GpuMat& src, double* minVal, double* maxVal, Point* minLoc, Point* maxLoc,\r
 852                                   const GpuMat& mask, GpuMat& valbuf, GpuMat& locbuf);\r
 853 \r
 854         //! counts non-zero array elements\r
 855         CV_EXPORTS int countNonZero(const GpuMat& src);\r
 856 \r
 857         //! counts non-zero array elements\r
 858         CV_EXPORTS int countNonZero(const GpuMat& src, GpuMat& buf);\r
 859 \r
 860 \r
 861         ///////////////////////////// Calibration 3D //////////////////////////////////\r
 862 \r
 863         CV_EXPORTS void transformPoints(const GpuMat& src, const Mat& rvec, const Mat& tvec,\r
 864                                         GpuMat& dst, Stream& stream = Stream::Null());\r
 865 \r
 866         CV_EXPORTS void projectPoints(const GpuMat& src, const Mat& rvec, const Mat& tvec,\r
 867                                       const Mat& camera_mat, const Mat& dist_coef, GpuMat& dst, \r
 868                                       Stream& stream = Stream::Null());\r
 869 \r
 870         CV_EXPORTS void solvePnPRansac(const Mat& object, const Mat& image, const Mat& camera_mat,\r
 871                                        const Mat& dist_coef, Mat& rvec, Mat& tvec, bool use_extrinsic_guess=false,\r
 872                                        int num_iters=100, float max_dist=8.0, int min_inlier_count=100, \r
 873                                        vector<int>* inliers=NULL);\r
 874 \r
 875         //////////////////////////////// Image Labeling ////////////////////////////////\r
 876 \r
 877         //!performs labeling via graph cuts\r
 878         CV_EXPORTS void graphcut(GpuMat& terminals, GpuMat& leftTransp, GpuMat& rightTransp, GpuMat& top, GpuMat& bottom, GpuMat& labels, GpuMat& buf, Stream& stream = Stream::Null());\r
 879 \r
 880         ////////////////////////////////// Histograms //////////////////////////////////\r
 881 \r
 882         //! Compute levels with even distribution. levels will have 1 row and nLevels cols and CV_32SC1 type.\r
 883         CV_EXPORTS void evenLevels(GpuMat& levels, int nLevels, int lowerLevel, int upperLevel);\r
 884         //! Calculates histogram with evenly distributed bins for signle channel source.\r
 885         //! Supports CV_8UC1, CV_16UC1 and CV_16SC1 source types.\r
 886         //! Output hist will have one row and histSize cols and CV_32SC1 type.\r
 887         CV_EXPORTS void histEven(const GpuMat& src, GpuMat& hist, int histSize, int lowerLevel, int upperLevel, Stream& stream = Stream::Null());\r
 888         CV_EXPORTS void histEven(const GpuMat& src, GpuMat& hist, GpuMat& buf, int histSize, int lowerLevel, int upperLevel, Stream& stream = Stream::Null());\r
 889         //! Calculates histogram with evenly distributed bins for four-channel source.\r
 890         //! All channels of source are processed separately.\r
 891         //! Supports CV_8UC4, CV_16UC4 and CV_16SC4 source types.\r
 892         //! Output hist[i] will have one row and histSize[i] cols and CV_32SC1 type.\r
 893         CV_EXPORTS void histEven(const GpuMat& src, GpuMat hist[4], int histSize[4], int lowerLevel[4], int upperLevel[4], Stream& stream = Stream::Null());\r
 894         CV_EXPORTS void histEven(const GpuMat& src, GpuMat hist[4], GpuMat& buf, int histSize[4], int lowerLevel[4], int upperLevel[4], Stream& stream = Stream::Null());\r
 895         //! Calculates histogram with bins determined by levels array.\r
 896         //! levels must have one row and CV_32SC1 type if source has integer type or CV_32FC1 otherwise.\r
 897         //! Supports CV_8UC1, CV_16UC1, CV_16SC1 and CV_32FC1 source types.\r
 898         //! Output hist will have one row and (levels.cols-1) cols and CV_32SC1 type.\r
 899         CV_EXPORTS void histRange(const GpuMat& src, GpuMat& hist, const GpuMat& levels, Stream& stream = Stream::Null());\r
 900         CV_EXPORTS void histRange(const GpuMat& src, GpuMat& hist, const GpuMat& levels, GpuMat& buf, Stream& stream = Stream::Null());\r
 901         //! Calculates histogram with bins determined by levels array.\r
 902         //! All levels must have one row and CV_32SC1 type if source has integer type or CV_32FC1 otherwise.\r
 903         //! All channels of source are processed separately.\r
 904         //! Supports CV_8UC4, CV_16UC4, CV_16SC4 and CV_32FC4 source types.\r
 905         //! Output hist[i] will have one row and (levels[i].cols-1) cols and CV_32SC1 type.\r
 906         CV_EXPORTS void histRange(const GpuMat& src, GpuMat hist[4], const GpuMat levels[4], Stream& stream = Stream::Null());\r
 907         CV_EXPORTS void histRange(const GpuMat& src, GpuMat hist[4], const GpuMat levels[4], GpuMat& buf, Stream& stream = Stream::Null());\r
 908         \r
 909         //! Calculates histogram for 8u one channel image\r
 910         //! Output hist will have one row, 256 cols and CV32SC1 type.\r
 911         CV_EXPORTS void calcHist(const GpuMat& src, GpuMat& hist, Stream& stream = Stream::Null());\r
 912         CV_EXPORTS void calcHist(const GpuMat& src, GpuMat& hist, GpuMat& buf, Stream& stream = Stream::Null());\r
 913         \r
 914         //! normalizes the grayscale image brightness and contrast by normalizing its histogram\r
 915         CV_EXPORTS void equalizeHist(const GpuMat& src, GpuMat& dst, Stream& stream = Stream::Null());\r
 916         CV_EXPORTS void equalizeHist(const GpuMat& src, GpuMat& dst, GpuMat& hist, Stream& stream = Stream::Null());\r
 917         CV_EXPORTS void equalizeHist(const GpuMat& src, GpuMat& dst, GpuMat& hist, GpuMat& buf, Stream& stream = Stream::Null());\r
 918 \r
 919         //////////////////////////////// StereoBM_GPU ////////////////////////////////\r
 920 \r
 921         class CV_EXPORTS StereoBM_GPU\r
 922         {\r
 923         public:\r
 924             enum { BASIC_PRESET = 0, PREFILTER_XSOBEL = 1 };\r
 925 \r
 926             enum { DEFAULT_NDISP = 64, DEFAULT_WINSZ = 19 };\r
 927 \r
 928             //! the default constructor\r
 929             StereoBM_GPU();\r
 930             //! the full constructor taking the camera-specific preset, number of disparities and the SAD window size. ndisparities must be multiple of 8.\r
 931             StereoBM_GPU(int preset, int ndisparities = DEFAULT_NDISP, int winSize = DEFAULT_WINSZ);\r
 932 \r
 933             //! the stereo correspondence operator. Finds the disparity for the specified rectified stereo pair\r
 934             //! Output disparity has CV_8U type.\r
 935             void operator() ( const GpuMat& left, const GpuMat& right, GpuMat& disparity, Stream& stream = Stream::Null());\r
 936 \r
 937             //! Some heuristics that tries to estmate\r
 938             // if current GPU will be faster than CPU in this algorithm.\r
 939             // It queries current active device.\r
 940             static bool checkIfGpuCallReasonable();\r
 941 \r
 942             int preset;\r
 943             int ndisp;\r
 944             int winSize;\r
 945 \r
 946             // If avergeTexThreshold  == 0 => post procesing is disabled\r
 947             // If avergeTexThreshold != 0 then disparity is set 0 in each point (x,y) where for left image\r
 948             // SumOfHorizontalGradiensInWindow(x, y, winSize) < (winSize * winSize) * avergeTexThreshold\r
 949             // i.e. input left image is low textured.\r
 950             float avergeTexThreshold;\r
 951         private:\r
 952             GpuMat minSSD, leBuf, riBuf;\r
 953         };\r
 954 \r
 955         ////////////////////////// StereoBeliefPropagation ///////////////////////////\r
 956         // "Efficient Belief Propagation for Early Vision"\r
 957         // P.Felzenszwalb\r
 958 \r
 959         class CV_EXPORTS StereoBeliefPropagation\r
 960         {\r
 961         public:\r
 962             enum { DEFAULT_NDISP  = 64 };\r
 963             enum { DEFAULT_ITERS  = 5  };\r
 964             enum { DEFAULT_LEVELS = 5  };\r
 965 \r
 966             static void estimateRecommendedParams(int width, int height, int& ndisp, int& iters, int& levels);\r
 967 \r
 968             //! the default constructor\r
 969             explicit StereoBeliefPropagation(int ndisp  = DEFAULT_NDISP,\r
 970                 int iters  = DEFAULT_ITERS,\r
 971                 int levels = DEFAULT_LEVELS,\r
 972                 int msg_type = CV_32F);\r
 973 \r
 974             //! the full constructor taking the number of disparities, number of BP iterations on each level,\r
 975             //! number of levels, truncation of data cost, data weight,\r
 976             //! truncation of discontinuity cost and discontinuity single jump\r
 977             //! DataTerm = data_weight * min(fabs(I2-I1), max_data_term)\r
 978             //! DiscTerm = min(disc_single_jump * fabs(f1-f2), max_disc_term)\r
 979             //! please see paper for more details\r
 980             StereoBeliefPropagation(int ndisp, int iters, int levels,\r
 981                 float max_data_term, float data_weight,\r
 982                 float max_disc_term, float disc_single_jump,\r
 983                 int msg_type = CV_32F);\r
 984 \r
 985             //! the stereo correspondence operator. Finds the disparity for the specified rectified stereo pair,\r
 986             //! if disparity is empty output type will be CV_16S else output type will be disparity.type().\r
 987             void operator()(const GpuMat& left, const GpuMat& right, GpuMat& disparity, Stream& stream = Stream::Null());\r
 988 \r
 989 \r
 990             //! version for user specified data term\r
 991             void operator()(const GpuMat& data, GpuMat& disparity, Stream& stream = Stream::Null());\r
 992 \r
 993             int ndisp;\r
 994 \r
 995             int iters;\r
 996             int levels;\r
 997 \r
 998             float max_data_term;\r
 999             float data_weight;\r
1000             float max_disc_term;\r
1001             float disc_single_jump;\r
1002 \r
1003             int msg_type;\r
1004         private:\r
1005             GpuMat u, d, l, r, u2, d2, l2, r2;\r
1006             std::vector<GpuMat> datas;\r
1007             GpuMat out;\r
1008         };\r
1009 \r
1010         /////////////////////////// StereoConstantSpaceBP ///////////////////////////\r
1011         // "A Constant-Space Belief Propagation Algorithm for Stereo Matching"\r
1012         // Qingxiong Yang, Liang Wang, Narendra Ahuja\r
1013         // http://vision.ai.uiuc.edu/~qyang6/\r
1014 \r
1015         class CV_EXPORTS StereoConstantSpaceBP\r
1016         {\r
1017         public:\r
1018             enum { DEFAULT_NDISP    = 128 };\r
1019             enum { DEFAULT_ITERS    = 8   };\r
1020             enum { DEFAULT_LEVELS   = 4   };\r
1021             enum { DEFAULT_NR_PLANE = 4   };\r
1022 \r
1023             static void estimateRecommendedParams(int width, int height, int& ndisp, int& iters, int& levels, int& nr_plane);\r
1024 \r
1025             //! the default constructor\r
1026             explicit StereoConstantSpaceBP(int ndisp    = DEFAULT_NDISP,\r
1027                 int iters    = DEFAULT_ITERS,\r
1028                 int levels   = DEFAULT_LEVELS,\r
1029                 int nr_plane = DEFAULT_NR_PLANE,\r
1030                 int msg_type = CV_32F);\r
1031 \r
1032             //! the full constructor taking the number of disparities, number of BP iterations on each level,\r
1033             //! number of levels, number of active disparity on the first level, truncation of data cost, data weight,\r
1034             //! truncation of discontinuity cost, discontinuity single jump and minimum disparity threshold\r
1035             StereoConstantSpaceBP(int ndisp, int iters, int levels, int nr_plane,\r
1036                 float max_data_term, float data_weight, float max_disc_term, float disc_single_jump,\r
1037                 int min_disp_th = 0,\r
1038                 int msg_type = CV_32F);\r
1039 \r
1040             //! the stereo correspondence operator. Finds the disparity for the specified rectified stereo pair,\r
1041             //! if disparity is empty output type will be CV_16S else output type will be disparity.type().\r
1042             void operator()(const GpuMat& left, const GpuMat& right, GpuMat& disparity, Stream& stream = Stream::Null());\r
1043 \r
1044             int ndisp;\r
1045 \r
1046             int iters;\r
1047             int levels;\r
1048 \r
1049             int nr_plane;\r
1050 \r
1051             float max_data_term;\r
1052             float data_weight;\r
1053             float max_disc_term;\r
1054             float disc_single_jump;\r
1055 \r
1056             int min_disp_th;\r
1057 \r
1058             int msg_type;\r
1059 \r
1060             bool use_local_init_data_cost;\r
1061         private:\r
1062             GpuMat u[2], d[2], l[2], r[2];\r
1063             GpuMat disp_selected_pyr[2];\r
1064 \r
1065             GpuMat data_cost;\r
1066             GpuMat data_cost_selected;\r
1067 \r
1068             GpuMat temp;\r
1069 \r
1070             GpuMat out;\r
1071         };\r
1072 \r
1073         /////////////////////////// DisparityBilateralFilter ///////////////////////////\r
1074         // Disparity map refinement using joint bilateral filtering given a single color image.\r
1075         // Qingxiong Yang, Liang Wang, Narendra Ahuja\r
1076         // http://vision.ai.uiuc.edu/~qyang6/\r
1077 \r
1078         class CV_EXPORTS DisparityBilateralFilter\r
1079         {\r
1080         public:\r
1081             enum { DEFAULT_NDISP  = 64 };\r
1082             enum { DEFAULT_RADIUS = 3 };\r
1083             enum { DEFAULT_ITERS  = 1 };\r
1084 \r
1085             //! the default constructor\r
1086             explicit DisparityBilateralFilter(int ndisp = DEFAULT_NDISP, int radius = DEFAULT_RADIUS, int iters = DEFAULT_ITERS);\r
1087 \r
1088             //! the full constructor taking the number of disparities, filter radius,\r
1089             //! number of iterations, truncation of data continuity, truncation of disparity continuity\r
1090             //! and filter range sigma\r
1091             DisparityBilateralFilter(int ndisp, int radius, int iters, float edge_threshold, float max_disc_threshold, float sigma_range);\r
1092 \r
1093             //! the disparity map refinement operator. Refine disparity map using joint bilateral filtering given a single color image.\r
1094             //! disparity must have CV_8U or CV_16S type, image must have CV_8UC1 or CV_8UC3 type.\r
1095             void operator()(const GpuMat& disparity, const GpuMat& image, GpuMat& dst, Stream& stream = Stream::Null());\r
1096 \r
1097         private:\r
1098             int ndisp;\r
1099             int radius;\r
1100             int iters;\r
1101 \r
1102             float edge_threshold;\r
1103             float max_disc_threshold;\r
1104             float sigma_range;\r
1105 \r
1106             GpuMat table_color;\r
1107             GpuMat table_space;\r
1108         };\r
1109 \r
1110 \r
1111         //////////////// HOG (Histogram-of-Oriented-Gradients) Descriptor and Object Detector //////////////\r
1112 \r
1113         struct CV_EXPORTS HOGDescriptor\r
1114         {\r
1115             enum { DEFAULT_WIN_SIGMA = -1 };\r
1116             enum { DEFAULT_NLEVELS = 64 };\r
1117             enum { DESCR_FORMAT_ROW_BY_ROW, DESCR_FORMAT_COL_BY_COL };\r
1118 \r
1119             HOGDescriptor(Size win_size=Size(64, 128), Size block_size=Size(16, 16),\r
1120                           Size block_stride=Size(8, 8), Size cell_size=Size(8, 8),\r
1121                           int nbins=9, double win_sigma=DEFAULT_WIN_SIGMA,\r
1122                           double threshold_L2hys=0.2, bool gamma_correction=true,\r
1123                           int nlevels=DEFAULT_NLEVELS);\r
1124 \r
1125             size_t getDescriptorSize() const;\r
1126             size_t getBlockHistogramSize() const;\r
1127 \r
1128             void setSVMDetector(const vector<float>& detector);\r
1129 \r
1130             static vector<float> getDefaultPeopleDetector();\r
1131             static vector<float> getPeopleDetector48x96();\r
1132             static vector<float> getPeopleDetector64x128();\r
1133 \r
1134             void detect(const GpuMat& img, vector<Point>& found_locations, \r
1135                         double hit_threshold=0, Size win_stride=Size(), \r
1136                         Size padding=Size());\r
1137 \r
1138             void detectMultiScale(const GpuMat& img, vector<Rect>& found_locations,\r
1139                                   double hit_threshold=0, Size win_stride=Size(), \r
1140                                   Size padding=Size(), double scale0=1.05, \r
1141                                   int group_threshold=2);\r
1142 \r
1143             void getDescriptors(const GpuMat& img, Size win_stride, \r
1144                                 GpuMat& descriptors,\r
1145                                 int descr_format=DESCR_FORMAT_COL_BY_COL);\r
1146 \r
1147             Size win_size;\r
1148             Size block_size;\r
1149             Size block_stride;\r
1150             Size cell_size;\r
1151             int nbins;\r
1152             double win_sigma;\r
1153             double threshold_L2hys;\r
1154             bool gamma_correction;\r
1155             int nlevels;\r
1156 \r
1157         protected:\r
1158             void computeBlockHistograms(const GpuMat& img);\r
1159             void computeGradient(const GpuMat& img, GpuMat& grad, GpuMat& qangle);\r
1160 \r
1161             double getWinSigma() const;\r
1162             bool checkDetectorSize() const;\r
1163 \r
1164             static int numPartsWithin(int size, int part_size, int stride);\r
1165             static Size numPartsWithin(Size size, Size part_size, Size stride);\r
1166 \r
1167             // Coefficients of the separating plane\r
1168             float free_coef;\r
1169             GpuMat detector;\r
1170 \r
1171             // Results of the last classification step\r
1172             GpuMat labels, labels_buf;\r
1173             Mat labels_host;\r
1174 \r
1175             // Results of the last histogram evaluation step\r
1176             GpuMat block_hists, block_hists_buf;\r
1177 \r
1178             // Gradients conputation results\r
1179             GpuMat grad, qangle, grad_buf, qangle_buf;\r
1180 \r
1181                         // returns subbuffer with required size, reallocates buffer if nessesary.\r
1182                         static GpuMat getBuffer(const Size& sz, int type, GpuMat& buf);\r
1183                         static GpuMat getBuffer(int rows, int cols, int type, GpuMat& buf);\r
1184 \r
1185                         std::vector<GpuMat> image_scales;\r
1186         };\r
1187 \r
1188 \r
1189         ////////////////////////////////// BruteForceMatcher //////////////////////////////////\r
1190 \r
1191         class CV_EXPORTS BruteForceMatcher_GPU_base\r
1192         {\r
1193         public:\r
1194             enum DistType {L1Dist = 0, L2Dist, HammingDist};\r
1195 \r
1196             explicit BruteForceMatcher_GPU_base(DistType distType = L2Dist);\r
1197 \r
1198             // Add descriptors to train descriptor collection.\r
1199             void add(const std::vector<GpuMat>& descCollection);\r
1200 \r
1201             // Get train descriptors collection.\r
1202             const std::vector<GpuMat>& getTrainDescriptors() const;\r
1203 \r
1204             // Clear train descriptors collection.\r
1205             void clear();\r
1206 \r
1207             // Return true if there are not train descriptors in collection.\r
1208             bool empty() const;\r
1209 \r
1210             // Return true if the matcher supports mask in match methods.\r
1211             bool isMaskSupported() const;\r
1212 \r
1213             // Find one best match for each query descriptor.\r
1214             // trainIdx.at<int>(0, queryIdx) will contain best train index for queryIdx\r
1215             // distance.at<float>(0, queryIdx) will contain distance\r
1216             void matchSingle(const GpuMat& queryDescs, const GpuMat& trainDescs,\r
1217                 GpuMat& trainIdx, GpuMat& distance,\r
1218                 const GpuMat& mask = GpuMat(), Stream& stream = Stream::Null());\r
1219 \r
1220             // Download trainIdx and distance and convert it to CPU vector with DMatch\r
1221             static void matchDownload(const GpuMat& trainIdx, const GpuMat& distance, std::vector<DMatch>& matches);\r
1222             // Convert trainIdx and distance to vector with DMatch\r
1223             static void matchConvert(const Mat& trainIdx, const Mat& distance, std::vector<DMatch>& matches);\r
1224 \r
1225             // Find one best match for each query descriptor.\r
1226             void match(const GpuMat& queryDescs, const GpuMat& trainDescs, std::vector<DMatch>& matches,\r
1227                 const GpuMat& mask = GpuMat());\r
1228 \r
1229             // Make gpu collection of trains and masks in suitable format for matchCollection function\r
1230             void makeGpuCollection(GpuMat& trainCollection, GpuMat& maskCollection,\r
1231                 const vector<GpuMat>& masks = std::vector<GpuMat>());\r
1232 \r
1233             // Find one best match from train collection for each query descriptor.\r
1234             // trainIdx.at<int>(0, queryIdx) will contain best train index for queryIdx\r
1235             // imgIdx.at<int>(0, queryIdx) will contain best image index for queryIdx\r
1236             // distance.at<float>(0, queryIdx) will contain distance\r
1237             void matchCollection(const GpuMat& queryDescs, const GpuMat& trainCollection,\r
1238                 GpuMat& trainIdx, GpuMat& imgIdx, GpuMat& distance,\r
1239                 const GpuMat& maskCollection, Stream& stream = Stream::Null());\r
1240 \r
1241             // Download trainIdx, imgIdx and distance and convert it to vector with DMatch\r
1242             static void matchDownload(const GpuMat& trainIdx, const GpuMat& imgIdx, const GpuMat& distance, std::vector<DMatch>& matches);\r
1243             // Convert trainIdx, imgIdx and distance to vector with DMatch\r
1244             static void matchConvert(const Mat& trainIdx, const Mat& imgIdx, const Mat& distance, std::vector<DMatch>& matches);\r
1245 \r
1246             // Find one best match from train collection for each query descriptor.\r
1247             void match(const GpuMat& queryDescs, std::vector<DMatch>& matches, const std::vector<GpuMat>& masks = std::vector<GpuMat>());\r
1248 \r
1249             // Find k best matches for each query descriptor (in increasing order of distances).\r
1250             // trainIdx.at<int>(queryIdx, i) will contain index of i'th best trains (i < k).\r
1251             // distance.at<float>(queryIdx, i) will contain distance.\r
1252             // allDist is a buffer to store all distance between query descriptors and train descriptors\r
1253             // it have size (nQuery,nTrain) and CV_32F type\r
1254             // allDist.at<float>(queryIdx, trainIdx) will contain FLT_MAX, if trainIdx is one from k best,\r
1255             // otherwise it will contain distance between queryIdx and trainIdx descriptors\r
1256             void knnMatch(const GpuMat& queryDescs, const GpuMat& trainDescs,\r
1257                 GpuMat& trainIdx, GpuMat& distance, GpuMat& allDist, int k, const GpuMat& mask = GpuMat(), Stream& stream = Stream::Null());\r
1258 \r
1259             // Download trainIdx and distance and convert it to vector with DMatch\r
1260             // compactResult is used when mask is not empty. If compactResult is false matches\r
1261             // vector will have the same size as queryDescriptors rows. If compactResult is true\r
1262             // matches vector will not contain matches for fully masked out query descriptors.\r
1263             static void knnMatchDownload(const GpuMat& trainIdx, const GpuMat& distance,\r
1264                 std::vector< std::vector<DMatch> >& matches, bool compactResult = false);\r
1265             // Convert trainIdx and distance to vector with DMatch\r
1266             static void knnMatchConvert(const Mat& trainIdx, const Mat& distance,\r
1267                 std::vector< std::vector<DMatch> >& matches, bool compactResult = false);\r
1268 \r
1269             // Find k best matches for each query descriptor (in increasing order of distances).\r
1270             // compactResult is used when mask is not empty. If compactResult is false matches\r
1271             // vector will have the same size as queryDescriptors rows. If compactResult is true\r
1272             // matches vector will not contain matches for fully masked out query descriptors.\r
1273             void knnMatch(const GpuMat& queryDescs, const GpuMat& trainDescs,\r
1274                 std::vector< std::vector<DMatch> >& matches, int k, const GpuMat& mask = GpuMat(),\r
1275                 bool compactResult = false);\r
1276 \r
1277             // Find k best matches  for each query descriptor (in increasing order of distances).\r
1278             // compactResult is used when mask is not empty. If compactResult is false matches\r
1279             // vector will have the same size as queryDescriptors rows. If compactResult is true\r
1280             // matches vector will not contain matches for fully masked out query descriptors.\r
1281             void knnMatch(const GpuMat& queryDescs, std::vector< std::vector<DMatch> >& matches, int knn,\r
1282                 const std::vector<GpuMat>& masks = std::vector<GpuMat>(), bool compactResult = false );\r
1283 \r
1284             // Find best matches for each query descriptor which have distance less than maxDistance.\r
1285             // nMatches.at<unsigned int>(0, queruIdx) will contain matches count for queryIdx.\r
1286             // carefully nMatches can be greater than trainIdx.cols - it means that matcher didn't find all matches,\r
1287             // because it didn't have enough memory.\r
1288             // trainIdx.at<int>(queruIdx, i) will contain ith train index (i < min(nMatches.at<unsigned int>(0, queruIdx), trainIdx.cols))\r
1289             // distance.at<int>(queruIdx, i) will contain ith distance (i < min(nMatches.at<unsigned int>(0, queruIdx), trainIdx.cols))\r
1290             // If trainIdx is empty, then trainIdx and distance will be created with size nQuery x nTrain,\r
1291             // otherwize user can pass own allocated trainIdx and distance with size nQuery x nMaxMatches\r
1292             // Matches doesn't sorted.\r
1293             void radiusMatch(const GpuMat& queryDescs, const GpuMat& trainDescs,\r
1294                 GpuMat& trainIdx, GpuMat& nMatches, GpuMat& distance, float maxDistance,\r
1295                 const GpuMat& mask = GpuMat(), Stream& stream = Stream::Null());\r
1296 \r
1297             // Download trainIdx, nMatches and distance and convert it to vector with DMatch.\r
1298             // matches will be sorted in increasing order of distances.\r
1299             // compactResult is used when mask is not empty. If compactResult is false matches\r
1300             // vector will have the same size as queryDescriptors rows. If compactResult is true\r
1301             // matches vector will not contain matches for fully masked out query descriptors.\r
1302             static void radiusMatchDownload(const GpuMat& trainIdx, const GpuMat& nMatches, const GpuMat& distance,\r
1303                 std::vector< std::vector<DMatch> >& matches, bool compactResult = false);\r
1304             // Convert trainIdx, nMatches and distance to vector with DMatch.\r
1305             static void radiusMatchConvert(const Mat& trainIdx, const Mat& nMatches, const Mat& distance,\r
1306                 std::vector< std::vector<DMatch> >& matches, bool compactResult = false);\r
1307 \r
1308             // Find best matches for each query descriptor which have distance less than maxDistance\r
1309             // in increasing order of distances).\r
1310             void radiusMatch(const GpuMat& queryDescs, const GpuMat& trainDescs,\r
1311                 std::vector< std::vector<DMatch> >& matches, float maxDistance,\r
1312                 const GpuMat& mask = GpuMat(), bool compactResult = false);\r
1313 \r
1314             // Find best matches from train collection for each query descriptor which have distance less than\r
1315             // maxDistance (in increasing order of distances).\r
1316             void radiusMatch(const GpuMat& queryDescs, std::vector< std::vector<DMatch> >& matches, float maxDistance,\r
1317                 const std::vector<GpuMat>& masks = std::vector<GpuMat>(), bool compactResult = false);\r
1318 \r
1319             DistType distType;\r
1320 \r
1321         private:\r
1322             std::vector<GpuMat> trainDescCollection;\r
1323         };\r
1324 \r
1325         template <class Distance>\r
1326         class CV_EXPORTS BruteForceMatcher_GPU;\r
1327 \r
1328         template <typename T>\r
1329         class CV_EXPORTS BruteForceMatcher_GPU< L1<T> > : public BruteForceMatcher_GPU_base\r
1330         {\r
1331         public:\r
1332             explicit BruteForceMatcher_GPU() : BruteForceMatcher_GPU_base(L1Dist) {}\r
1333             explicit BruteForceMatcher_GPU(L1<T> /*d*/) : BruteForceMatcher_GPU_base(L1Dist) {}\r
1334         };\r
1335         template <typename T>\r
1336         class CV_EXPORTS BruteForceMatcher_GPU< L2<T> > : public BruteForceMatcher_GPU_base\r
1337         {\r
1338         public:\r
1339             explicit BruteForceMatcher_GPU() : BruteForceMatcher_GPU_base(L2Dist) {}\r
1340             explicit BruteForceMatcher_GPU(L2<T> /*d*/) : BruteForceMatcher_GPU_base(L2Dist) {}\r
1341         };\r
1342         template <> class CV_EXPORTS BruteForceMatcher_GPU< HammingLUT > : public BruteForceMatcher_GPU_base\r
1343         {\r
1344         public:\r
1345             explicit BruteForceMatcher_GPU() : BruteForceMatcher_GPU_base(HammingDist) {}\r
1346             explicit BruteForceMatcher_GPU(HammingLUT /*d*/) : BruteForceMatcher_GPU_base(HammingDist) {}\r
1347         };\r
1348         template <> class CV_EXPORTS BruteForceMatcher_GPU< Hamming > : public BruteForceMatcher_GPU_base\r
1349         {\r
1350         public:\r
1351             explicit BruteForceMatcher_GPU() : BruteForceMatcher_GPU_base(HammingDist) {}\r
1352             explicit BruteForceMatcher_GPU(Hamming /*d*/) : BruteForceMatcher_GPU_base(HammingDist) {}\r
1353         };\r
1354 \r
1355         ////////////////////////////////// CascadeClassifier_GPU //////////////////////////////////////////\r
1356         // The cascade classifier class for object detection.\r
1357         class CV_EXPORTS CascadeClassifier_GPU\r
1358         {\r
1359         public:\r
1360             CascadeClassifier_GPU();\r
1361             CascadeClassifier_GPU(const string& filename);\r
1362             ~CascadeClassifier_GPU();\r
1363 \r
1364             bool empty() const;\r
1365             bool load(const string& filename);\r
1366             void release();\r
1367 \r
1368             /* returns number of detected objects */\r
1369             int detectMultiScale( const GpuMat& image, GpuMat& objectsBuf, double scaleFactor=1.2, int minNeighbors=4, Size minSize=Size());\r
1370 \r
1371             bool findLargestObject;\r
1372             bool visualizeInPlace;\r
1373 \r
1374             Size getClassifierSize() const;\r
1375         private:\r
1376 \r
1377             struct CascadeClassifierImpl;\r
1378             CascadeClassifierImpl* impl;\r
1379         };\r
1380 \r
1381         ////////////////////////////////// SURF //////////////////////////////////////////\r
1382 \r
1383         class CV_EXPORTS SURF_GPU : public CvSURFParams\r
1384         {\r
1385         public:\r
1386             enum KeypointLayout \r
1387             {\r
1388                 SF_X = 0,\r
1389                 SF_Y,\r
1390                 SF_LAPLACIAN,\r
1391                 SF_SIZE,\r
1392                 SF_DIR,\r
1393                 SF_HESSIAN,\r
1394                 SF_FEATURE_STRIDE\r
1395             };\r
1396 \r
1397             //! the default constructor\r
1398             SURF_GPU();\r
1399             //! the full constructor taking all the necessary parameters\r
1400             explicit SURF_GPU(double _hessianThreshold, int _nOctaves=4,\r
1401                  int _nOctaveLayers=2, bool _extended=false, float _keypointsRatio=0.01f, bool _upright = false);\r
1402 \r
1403             //! returns the descriptor size in float's (64 or 128)\r
1404             int descriptorSize() const;\r
1405 \r
1406             //! upload host keypoints to device memory\r
1407             void uploadKeypoints(const vector<KeyPoint>& keypoints, GpuMat& keypointsGPU);\r
1408             //! download keypoints from device to host memory\r
1409             void downloadKeypoints(const GpuMat& keypointsGPU, vector<KeyPoint>& keypoints);\r
1410 \r
1411             //! download descriptors from device to host memory\r
1412             void downloadDescriptors(const GpuMat& descriptorsGPU, vector<float>& descriptors);\r
1413             \r
1414             //! finds the keypoints using fast hessian detector used in SURF\r
1415             //! supports CV_8UC1 images\r
1416             //! keypoints will have nFeature cols and 6 rows\r
1417             //! keypoints.ptr<float>(SF_X)[i] will contain x coordinate of i'th feature\r
1418             //! keypoints.ptr<float>(SF_Y)[i] will contain y coordinate of i'th feature\r
1419             //! keypoints.ptr<float>(SF_LAPLACIAN)[i] will contain laplacian sign of i'th feature\r
1420             //! keypoints.ptr<float>(SF_SIZE)[i] will contain size of i'th feature\r
1421             //! keypoints.ptr<float>(SF_DIR)[i] will contain orientation of i'th feature\r
1422             //! keypoints.ptr<float>(SF_HESSIAN)[i] will contain response of i'th feature\r
1423             void operator()(const GpuMat& img, const GpuMat& mask, GpuMat& keypoints);\r
1424             //! finds the keypoints and computes their descriptors. \r
1425             //! Optionally it can compute descriptors for the user-provided keypoints and recompute keypoints direction\r
1426             void operator()(const GpuMat& img, const GpuMat& mask, GpuMat& keypoints, GpuMat& descriptors, \r
1427                 bool useProvidedKeypoints = false);\r
1428 \r
1429             void operator()(const GpuMat& img, const GpuMat& mask, std::vector<KeyPoint>& keypoints);\r
1430             void operator()(const GpuMat& img, const GpuMat& mask, std::vector<KeyPoint>& keypoints, GpuMat& descriptors, \r
1431                 bool useProvidedKeypoints = false);\r
1432 \r
1433             void operator()(const GpuMat& img, const GpuMat& mask, std::vector<KeyPoint>& keypoints, std::vector<float>& descriptors, \r
1434                 bool useProvidedKeypoints = false);\r
1435 \r
1436             void releaseMemory();\r
1437 \r
1438             //! max keypoints = min(keypointsRatio * img.size().area(), 65535)\r
1439             float keypointsRatio;\r
1440 \r
1441             GpuMat sum, mask1, maskSum, intBuffer;\r
1442 \r
1443             GpuMat det, trace;\r
1444 \r
1445             GpuMat maxPosBuffer;\r
1446         };\r
1447 \r
1448     }\r
1449 \r
1450     //! Speckle filtering - filters small connected components on diparity image.\r
1451     //! It sets pixel (x,y) to newVal if it coresponds to small CC with size < maxSpeckleSize.\r
1452     //! Threshold for border between CC is diffThreshold;\r
1453     CV_EXPORTS void filterSpeckles( Mat& img, uchar newVal, int maxSpeckleSize, uchar diffThreshold, Mat& buf);\r
1454 \r
1455 }\r
1456 #include "opencv2/gpu/matrix_operations.hpp"\r
1457 \r
1458 #endif /* __OPENCV_GPU_HPP__ */\r