OpenCV优化：图像的遍历4种方式

 

OpenCV优化：图像的遍历4种方式

分类： 算法学习2014-04-13 23:43 1312人阅读 评论(0) 收藏 举报

opencv

目录(?)[+]

OpenCV优化：图像的遍历4种方式

咱们在实际应用中对图像进行的操做，每每并非将图像做为一个总体进行操做，而是对图像中的全部点或特殊点进行运算，因此遍历图像就显得很重要，如何高效的遍历图像是一个很值得探讨的问题。

1、遍历图像的4种方式：at<typename>(i,j)

Mat类提供了一个at的方法用于取得图像上的点，它是一个模板函数，能够取到任何类型的图像上的点。下面咱们经过一个图像处理中的实际来讲明它的用法。

在实际应用中，咱们不少时候须要对图像降色彩，由于256*256*256实在太多了，在图像颜色聚类或彩色直方图时，咱们须要用一些表明性的颜色代替丰富的色彩空间，咱们的思路是将每一个通道的256种颜色用64种代替，即将原来256种颜色划分64个颜色段，每一个颜色段取中间的颜色值做为表明色。

 1 void colorReduce(Mat& image,int div) 2 { 3     for(int i=0;i<image.rows;i++) 4     { 5         for(int j=0;j<image.cols;j++) 6         { 7             image.at<Vec3b>(i,j)[0]=image.at<Vec3b>(i,j)[0]/div*div+div/2; 8             image.at<Vec3b>(i,j)[1]=image.at<Vec3b>(i,j)[1]/div*div+div/2; 9             image.at<Vec3b>(i,j)[2]=image.at<Vec3b>(i,j)[2]/div*div+div/2;10         }11     }12 }

经过上面的例子咱们能够看出，at方法取图像中的点的用法：

image.at<uchar>(i,j)：取出灰度图像中i行j列的点。

image.at<Vec3b>(i,j)[k]：取出彩色图像中i行j列第k通道的颜色点。其中uchar,Vec3b都是图像像素值的类型，不要对Vec3b这种类型感受惧怕，其实在core里它是经过typedef Vec<T,N>来定义的，N表明元素的个数，T表明类型。

更简单一些的方法：OpenCV定义了一个Mat的模板子类为Mat_，它重载了operator()让咱们能够更方便的取图像上的点。

Mat_<uchar> im=image;

im(i,j)=im(i,j)/div*div+div/2;

2、高效一点：用指针来遍历图像

上面的例程中能够看到，咱们实际喜欢把原图传进函数内，可是在函数内咱们对原图像进行了修改，而将原图做为一个结果输出，不少时候咱们须要保留原图，这样咱们须要一个原图的副本。

 1 void colorReduce(const Mat& image,Mat& outImage,int div) 2 { 3     // 建立与原图像等尺寸的图像 4     outImage.create(image.size(),image.type()); 5     int nr=image.rows; 6     // 将3通道转换为1通道 7     int nl=image.cols*image.channels(); 8     for(int k=0;k<nr;k++) 9     {10         // 每一行图像的指针11         const uchar* inData=image.ptr<uchar>(k);12         uchar* outData=outImage.ptr<uchar>(k);13         for(int i=0;i<nl;i++)14         {15             outData[i]=inData[i]/div*div+div/2;16         }17     }18 }

从上面的例子中能够看出，取出图像中第i行数据的指针：image.ptr<uchar>(i)。

值得说明的是：程序中将三通道的数据转换为1通道，在创建在每一行数据元素之间在内存里是连续存储的，每一个像素三通道像素按顺序存储。也就是一幅图像数据最开始的三个值，是最左上角的那像素的三个通道的值。

可是这种用法不能用在行与行之间，由于图像在OpenCV里的存储机制问题，行与行之间可能有空白单元。这些空白单元对图像来讲是没有意思的，只是为了在某些架构上可以更有效率，好比intel MMX能够更有效的处理那种个数是4或8倍数的行。可是咱们能够申明一个连续的空间来存储图像，这个话题引入下面最为高效的遍历图像的机制。

3、更高效的方法

上面已经提到过了，通常来讲图像行与行之间每每存储是不连续的，可是有些图像能够是连续的，Mat提供了一个检测图像是否连续的函数isContinuous()。当图像连通时，咱们就能够把图像彻底展开，当作是一行。

 1 void colorReduce(const Mat& image,Mat& outImage,int div) 2 { 3     int nr=image.rows; 4     int nc=image.cols; 5     outImage.create(image.size(),image.type()); 6     if(image.isContinuous()&&outImage.isContinuous()) 7     { 8         nr=1; 9         nc=nc*image.rows*image.channels();10     }11     for(int i=0;i<nr;i++)12     {13         const uchar* inData=image.ptr<uchar>(i);14         uchar* outData=outImage.ptr<uchar>(i);15         for(int j=0;j<nc;j++)16         {17             *outData++=*inData++/div*div+div/2;18         }19     }20 }

用指针除了用上面的方法外，还能够用指针来索引固定位置的像素：

image.step返回图像一行像素元素的个数（包括空白元素），image.elemSize()返回一个图像像素的大小。

&image.at<uchar>(i,j)=image.data+i*image.step+j*image.elemSize();

4、还有吗？用迭代器来遍历。

下面的方法可让咱们来为图像中的像素声明一个迭代器：

MatIterator_<Vec3b> it;

Mat_<Vec3b>::iterator it;

若是迭代器指向一个const图像，则能够用下面的声明：

MatConstIterator<Vec3b> it; 或者

Mat_<Vec3b>::const_iterator it;

下面咱们用迭代器来简化上面的colorReduce程序：

 1 void colorReduce(const Mat& image,Mat& outImage,int div) 2 { 3     outImage.create(image.size(),image.type()); 4     MatConstIterator_<Vec3b> it_in=image.begin<Vec3b>(); 5     MatConstIterator_<Vec3b> itend_in=image.end<Vec3b>(); 6     MatIterator_<Vec3b> it_out=outImage.begin<Vec3b>(); 7     MatIterator_<Vec3b> itend_out=outImage.end<Vec3b>(); 8     while(it_in!=itend_in) 9     {10         (*it_out)[0]=(*it_in)[0]/div*div+div/2;11         (*it_out)[1]=(*it_in)[1]/div*div+div/2;12         (*it_out)[2]=(*it_in)[2]/div*div+div/2;13         it_in++;14         it_out++;15     }16 }

若是你想从第二行开始，则能够从image.begin<Vec3b>()+image.rows开始。

上面4种方法中，第3种方法的效率最高！

5、图像的邻域操做

不少时候，咱们对图像处理时，要考虑它的邻域，好比3*3是咱们经常使用的，这在图像滤波、去噪中最为常见，下面咱们介绍若是在一次图像遍历过程当中进行邻域的运算。

下面咱们进行一个简单的滤波操做，滤波算子为[0 –1 0;-1 5 –1;0 –1 0]。

它可让图像变得尖锐，而边缘更加突出。核心公式即：sharp(i.j)=5*image(i,j)-image(i-1,j)-image(i+1,j

)-image(i,j-1)-image(i,j+1)。

 1 void ImgFilter2d(const Mat &image,Mat& result) 2 { 3     result.create(image.size(),image.type()); 4     int nr=image.rows; 5     int nc=image.cols*image.channels(); 6     for(int i=1;i<nr-1;i++) 7     { 8         const uchar* up_line=image.ptr<uchar>(i-1);//指向上一行 9         const uchar* mid_line=image.ptr<uchar>(i);//当前行10         const uchar* down_line=image.ptr<uchar>(i+1);//下一行11         uchar* cur_line=result.ptr<uchar>(i);12         for(int j=1;j<nc-1;j++)13         {14             cur_line[j]=saturate_cast<uchar>(5*mid_line[j]-mid_line[j-1]-mid_line[j+1]-15                 up_line[j]-down_line[j]);16         }17     }18     // 把图像边缘像素设置为019     result.row(0).setTo(Scalar(0));20     result.row(result.rows-1).setTo(Scalar(0));21     result.col(0).setTo(Scalar(0));22     result.col(result.cols-1).setTo(Scalar(0));23 }

上面的程序有如下几点须要说明：

1，staturate_cast<typename>是一个类型转换函数，程序里是为了确保运算结果还在uchar范围内。

2，row和col方法返回图像中的某些行或列，返回值是一个Mat。

3，setTo方法将Mat对像中的点设置为一个值，Scalar(n)为一个灰度值，Scalar(a,b,c)为一个彩色值。

6、图像的算术运算

Mat类把不少算数操做符都进行了重载，让它们来符合矩阵的一些运算，若是+、-、点乘等。

下面咱们来看看用位操做和基本算术运算来完成本文中的colorReduce程序，它更简单，更高效。

将256种灰度阶降到64位实际上是抛弃了二进制最后面的4位，因此咱们能够用位操做来作这一步处理。

首先咱们计算2^8降到2^n中的n：int n=static_cast<int>(log(static_cast<double>(div))/log(2.0));

而后能够获得mask，mask=0xFF<<n;

用下面简直的语句就能够获得咱们想要的结果：

result=(image&Scalar(mask,mask,mask))+Scalar(div/2,div/2,div/2);

不少时候咱们须要对图像的一个通讯单独进行操做，好比在HSV色彩模式下，咱们就常常把3个通道分开考虑。

1 vector<Mat> planes;2 // 将image分为三个通道图像存储在planes中3 split(image,planes);4 planes[0]+=image2;5 // 将planes中三幅图像合为一个三通道图像6 merge(planes,result);

做者：☆Ronny丶

出处：http://www.cnblogs.com/ronny/

本文版权归做者和博客园共有，欢迎转载，但未经做者赞成必须保留此段声明，且在文章页面明显位置给出原文链接，不然保留追究法律责任的权利。