目录
1、图像在内存之中的存储方式
图像矩阵的大小取决于所用的颜色模型,确切说,取决于所用通道数。如果是灰度图像,矩阵就会如图5.1所示。
对于多通道图像来说,矩阵中的列会包含多个子列,其子列个数与通道数相同,如图5.2所示RGB颜色模型的矩阵。
可以看到,OpenCV中子列的通道顺序是反过来的——BGR而不是RGB。 有时候,由于内存足够大,可实现连续存储,图像中的各行是一行一行连接起来的,形成一个长行。可以使用isContinuous()来判断矩阵是否是连续存储的。
2、颜色空间缩减
颜色空间缩减的做法是:将现有颜色空间值除以某个输入值,以获得较少的颜色数。即做减法,比如颜色值0到9可取为新值0,10到19可取为10,以此类推。
有一个简单的公式来实现颜色空间缩减:
在处理像素时,每个像素需要进行一遍上述公式计算,也需要一定的时间花销。我们可以把256中计算好的结果提前存在列表table中,这样每种情况不需计算,直接从table中取取结果即可。
int divideWith = 10;
unchar table[256];
for( int i =0; i<256; ++i)
table[i] = divideWith*(i/divideWith);
于是table[i]存放的是值为 i 的像素减小颜色空间的结果,这样就可以理解上述方法中的操作:p [j] = table[ p [j] ]
简单的颜色空间缩减算法就由以下两步组成:
- 遍历图像矩阵的每一个像素
- 对像素应用上述公式
3、LUT函数:Look up table操作
Look up table操作使用operationsOnArrays:LUT()<lut>函数,用于批量进行图像元素查找、扫描与操作图像。使用方法如下:
//首先建立一个mat型用于查表
Mat lookUpTable(1, 256, CV_8U);
uchar* p = lookUpTable.data;
for(int i = 0; i < 256; ++i)
p[i] = table[i];
//调用函数(I是输入,J是输出)
for (int i = 0; i < times; ++i)
LUT(I, lookUpTable, J);
4、计时函数
简便的计时函数:getTickCount()和get TickFrequency()
getTickCount()函数:返回CPU自某个事件以来走过的时钟周期数
getTickFrequency()函数:返回CPU一秒钟所走的时钟周期数。这样,就能以秒为单位对某运算计时。
两个函数组合起来使用的实例如下:
double time0 = static_cast<double>(getTickCount()); //记录起始事件
//进行图像处理操作……
time0 = ((double) getTickCount()-time0)/getTickFrequency();
cout << "此方法运行时间为: " << time0 << "秒" << endl; //输出运行时间
5、访问图像中像素的三类方法
OpenCV中,有三种方式访问图像像素:
- 指针访问:C操作符[];
- 迭代器iterator
- 动态地址计算
上述方法在访问速度上略有差异。debug模式下,差异非常明显,在release模式下,差异就不太明显。
下边通过一组例子来说明这三种方法的使用,程序的作用是减少颜色的数量,比如原来的图像是256种颜色,我们希望将它变成64中颜色,只需要将原来的颜色除以4(整除)以后再乘以4即可。
主程序代码如下:
//---------------------------------【头文件、命名空间包含部分】--------------------------
// 描述:包含程序所使用的头文件和命名空间
//---------------------------------------------------------------------------------------
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace std;
using namespace cv;
//-----------------------------------【全局函数声明部分】-----------------------------------
// 描述:全局函数声明
//------------------------------------------------------------------------------------------
//减少颜色
void colorReduce(Mat& inputImage, Mat& outputImage, int div);
//--------------------------------------【main( )函数】---------------------------------------
// 描述:控制台应用程序的入口函数,我们的程序从这里开始执行
//-----------------------------------------------------------------------------------------------
int main()
{
//【1】创建原始图并显示
Mat srcImage = imread("1.jpg");
imshow("原始图像", srcImage);
//【2】按原始图的参数规格来创建创建效果图
Mat dstImage;
dstImage.create(srcImage.rows, srcImage.cols, srcImage.type());//效果图的大小、类型与原图片相同
//【3】记录起始时间
double time0 = static_cast<double>(getTickCount());
//【4】调用颜色空间缩减函数
colorReduce(srcImage, dstImage, 32);
//【5】计算运行时间并输出
time0 = ((double)getTickCount() - time0) / getTickFrequency();
cout << "\t此方法运行时间为: " << time0 << "秒" << endl; //输出运行时间
//【6】显示效果图
imshow("效果图", dstImage);
waitKey(0);
}
5.1、指针访问像素
指针访问像素利用的是C语言中的操作符[]。这种方法最快,但是略有点抽象。实验条件下单词运行时间为0.00370487秒,代码如下:
//---------------------------------【colorReduce( )函数】---------------------------------
// 描述:使用【指针访问:C操作符[ ]】方法版的颜色空间缩减函数
//----------------------------------------------------------------------------------------------
void colorReduce(Mat& inputImage, Mat& outputImage, int div)
{
//参数准备
outputImage = inputImage.clone(); //拷贝实参到临时变量
int rowNumber = outputImage.rows; //行数
int colNumber = outputImage.cols*outputImage.channels(); //列数 x 通道数=每一行元素的个数
//双重循环,遍历所有的像素值
for (int i = 0; i < rowNumber; i++) //行循环
{
uchar* data = outputImage.ptr<uchar>(i); //获取第i行的首地址
for (int j = 0; j < colNumber; j++) //列循环
{
// ---------【开始处理每个像素】-------------
data[j] = data[j] / div*div;
// ----------【处理结束】---------------------
} //行处理结束
}
}
分析讲解上述代码:
Mat类属性:
- 公有变量cols和rows给出图像的宽和高
- channels():返回图像的通道数。灰度图通道数为1,彩色通道数为3
- ptr()函数:得到任意行的首地址。ptr是一个模板函数,它返回第i行的首地址:uchar* data = outputImage.ptr<uchar>(i); //获取第i行的首地址
每行的像素值个数以下语句得到:
int colNumber = outputImage.cols*outputImage.channels(); //列数 x 通道数=每一行元素的个数
运行结果:
原始图 | 效果图 |
5.2、迭代器操作像素
迭代器需要做的仅仅是获得图像矩阵的begin和end,然后增加迭代直至从begin到end。将 * 操作符添加在迭代指针前,即可访问当前指向的内容。
相比使用指针可能越界问题,迭代器绝对是非常安全的方法。
//-------------------------------------【colorReduce( )函数】-----------------------------
// 描述:使用【迭代器】方法版的颜色空间缩减函数
//----------------------------------------------------------------------------------------------
void colorReduce(Mat& inputImage, Mat& outputImage, int div)
{
//参数准备
outputImage = inputImage.clone(); //拷贝实参到临时变量
//获取迭代器
Mat_<Vec3b>::iterator it = outputImage.begin<Vec3b>(); //初始位置的迭代器
Mat_<Vec3b>::iterator itend = outputImage.end<Vec3b>(); //终止位置的迭代器
//存取彩色图像像素
for (; it != itend; ++it)
{
// ------------------------【开始处理每个像素】--------------------
(*it)[0] = (*it)[0] / div*div; //蓝色通道
(*it)[1] = (*it)[1] / div*div; //绿色通道
(*it)[2] = (*it)[2] / div*div; //红色通道
// ------------------------【处理结束】----------------------------
}
}
运行结果:
原始图 | 效果图 |
5.3、动态地址计算
动态地址运算配合at方法。这种方法简单明了,符合我们对像素的认识。
//----------------------------------【colorReduce( )函数】-------------------------------
// 描述:使用【动态地址运算配合at】方法版本的颜色空间缩减函数
//----------------------------------------------------------------------------------------------
void colorReduce(Mat& inputImage, Mat& outputImage, int div)
{
//参数准备
outputImage = inputImage.clone(); //拷贝实参到临时变量
int rowNumber = outputImage.rows; //行数
int colNumber = outputImage.cols; //列数
//存取彩色图像像素
for (int i = 0; i < rowNumber; i++)
{
for (int j = 0; j < colNumber; j++)
{
// ------------------------【开始处理每个像素】--------------------
outputImage.at<Vec3b>(i, j)[0] = outputImage.at<Vec3b>(i, j)[0] / div*div; //蓝色通道
outputImage.at<Vec3b>(i, j)[1] = outputImage.at<Vec3b>(i, j)[1] / div*div; //绿色通道
outputImage.at<Vec3b>(i, j)[2] = outputImage.at<Vec3b>(i, j)[2] / div*div; //红是通道
// -------------------------【处理结束】----------------------------
} // 行处理结束
}
}
分析讲解代码:
Mat:
- 成员函数at(int y, int x):用来存储图像元素,但是必须在编译期知道图像的数据类型。需要注意的是,一定要确保指定的数据类型和矩阵中的数据类型符合,因为at方法本身不会对任何数据类型进行转换。
Vec3b:
- 一个图像的Mat会返回一个由三个8位数组成的向量,,将其定义为Vec3b,即由三个unsigned char组成的向量,所以存取彩色图像像素的代码可以写出如下形式:
image.at<Vec3b>(i, j)[chanel] = value; //索引值channel标明了颜色通道号
运行结果:
原始图 | 效果图 |