学习OpenCV2——访问Mat图像的像素值

其他 2018-09-02 22:51:32 阅读次数: 0

【转自】

http://blog.csdn.net/xiaowei_cqu/article/details/7771760

http://blog.csdn.net/xiaowei_cqu/article/details/19839019


图像容器Mat

      还是先看Mat的存储形式。Mat和Matlab里的数组格式有点像，但一般是二维向量，如果是灰度图，一般存放<uchar>类型；如果是RGB彩色图，存放<Vec3b>类型。
      单通道灰度图数据存放格式：

      多通道的图像中，每列并列存放通道数量的子列，如RGB三通道彩色图：

     注意通道的顺序反转了：BGR。通常情况内存足够大的话图像的每一行是连续存放的，也就是在内存上图像的所有数据存放成一行，这中情况在访问时可以提供很大方便。可以用 isContinuous()函数来判断图像数组是否为连续的。

示例代码：Color Reduce

        还是使用经典的Reduce Color的例子，即对图像中的像素表达进行量化。如常见的RGB24图像有256×256×256中颜色，通过Reduce Color将每个通道的像素减少8倍至256/8=32种，则图像只有32×32×32种颜色。假设量化减少的倍数是N，则代码实现时就是简单的value/N*N，通常我们会再加上N/2以得到相邻的N的倍数的中间值，最后图像被量化为(256/N)×(256/N)×(256/N)种颜色。


方法零：.ptr和[]操作符

Mat最直接的访问方法是通过.ptr<>函数得到一行的指针，并用[]操作符访问某一列的像素值。

// using .ptr and []  
void colorReduce0(cv::Mat &image, int div=64) {  
      int nr= image.rows; // number of rows  
      int nc= image.cols * image.channels(); // total number of elements per line  
      for (int j=0; j<nr; j++) {  
          uchar* data= image.ptr<uchar>(j);  
          for (int i=0; i<nc; i++) {  
                  data[i]= data[i]/div*div + div/2;  
            }                    
      }  
}


方法一：.ptr和指针操作

除了[]操作符，我们可以移动指针*++的组合方法访问某一行中所有像素的值

// using .ptr and * ++   
void colorReduce1(cv::Mat &image, int div=64) {  
      int nr= image.rows; // number of rows  
      int nc= image.cols * image.channels(); // total number of elements per line  
      for (int j=0; j<nr; j++) {  
          uchar* data= image.ptr<uchar>(j);  
          for (int i=0; i<nc; i++) {  
                 *data++= *data/div*div + div/2;  
            } // end of row                   
      }  
}

方法二：.ptr、指针操作和取模运算

方法二和方法一的访问方式相同，不同的是color reduce用模运算代替整数除法

// using .ptr and * ++ and modulo  
void colorReduce2(cv::Mat &image, int div=64) {  
      int nr= image.rows; // number of rows  
      int nc= image.cols * image.channels(); // total number of elements per line  
      for (int j=0; j<nr; j++) {  
          uchar* data= image.ptr<uchar>(j);  
          for (int i=0; i<nc; i++) {  
                  int v= *data;  
                  *data++= v - v%div + div/2;  
            } // end of row                   
      }  
}


方法三：.ptr、指针运算和位运算

由于进行量化的单元div通常是2的整次方，因此所有的乘法和除法都可以用位运算表示。

// using .ptr and * ++ and bitwise  
void colorReduce3(cv::Mat &image, int div=64) {  
      int nr= image.rows; // number of rows  
      int nc= image.cols * image.channels(); // total number of elements per line  
      int n= static_cast<int>(log(static_cast<double>(div))/log(2.0));  
      // mask used to round the pixel value  
      uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0  
      for (int j=0; j<nr; j++) {  
          uchar* data= image.ptr<uchar>(j);  
          for (int i=0; i<nc; i++) {  
            *data++= *data&mask + div/2;  
            } // end of row                   
      }  
}


方法四：指针运算

方法四和方法三量化处理的方法相同，不同的是用指针运算代替*++操作。

// direct pointer arithmetic  
void colorReduce4(cv::Mat &image, int div=64) {  
      int nr= image.rows; // number of rows  
      int nc= image.cols * image.channels(); // total number of elements per line  
      int n= static_cast<int>(log(static_cast<double>(div))/log(2.0));  
      int step= image.step; // effective width  
      // mask used to round the pixel value  
      uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0  
      // get the pointer to the image buffer  
      uchar *data= image.data;  
      for (int j=0; j<nr; j++) {  
          for (int i=0; i<nc; i++) {  
            *(data+i)= *data&mask + div/2;  
            } // end of row                   
            data+= step;  // next line  
      }  
}

方法五：.ptr、*++、位运算以及image.cols * image.channels()

这种方法就是没有计算nc，基本是个充数的方法。

// using .ptr and * ++ and bitwise with image.cols * image.channels()  
void colorReduce5(cv::Mat &image, int div=64) {  
      int nr= image.rows; // number of rows  
      int n= static_cast<int>(log(static_cast<double>(div))/log(2.0));  
      // mask used to round the pixel value  
      uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0  
      for (int j=0; j<nr; j++) {  
          uchar* data= image.ptr<uchar>(j);  
          for (int i=0; i<image.cols * image.channels(); i++) {  
            *data++= *data&mask + div/2;  
            } // end of row                   
      }  
}


方法六：连续图像

Mat提供了isContinuous()函数用来查看Mat在内存中是不是连续存储，如果是则图片被存储在一行中。

// using .ptr and * ++ and bitwise (continuous)  
void colorReduce6(cv::Mat &image, int div=64) {  
      int nr= image.rows; // number of rows  
      int nc= image.cols * image.channels(); // total number of elements per line  
      if (image.isContinuous())  {  
          // then no padded pixels  
          nc= nc*nr;   
          nr= 1;  // it is now a 1D array  
       }  
      int n= static_cast<int>(log(static_cast<double>(div))/log(2.0));  
      // mask used to round the pixel value  
      uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0  
      for (int j=0; j<nr; j++) {  
          uchar* data= image.ptr<uchar>(j);  
          for (int i=0; i<nc; i++) {  
            *data++= *data&mask + div/2;  
            } // end of row                   
      }  
}


方法七：continuous+channels

与方法六基本相同，也是充数的。

// using .ptr and * ++ and bitwise (continuous+channels)  
void colorReduce7(cv::Mat &image, int div=64) {  
      int nr= image.rows; // number of rows  
      int nc= image.cols ; // number of columns  
      if (image.isContinuous())  {  
          // then no padded pixels  
          nc= nc*nr;   
          nr= 1;  // it is now a 1D array  
       }  
      int n= static_cast<int>(log(static_cast<double>(div))/log(2.0));  
      // mask used to round the pixel value  
      uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0  
      for (int j=0; j<nr; j++) {  
          uchar* data= image.ptr<uchar>(j);  
          for (int i=0; i<nc; i++) {  
            *data++= *data&mask + div/2;  
            *data++= *data&mask + div/2;  
            *data++= *data&mask + div/2;  
            } // end of row                   
      }  
}

方法八：Mat _iterator

真正有区别的方法来啦，用Mat提供的迭代器代替前面的[]操作符或指针，血统纯正的官方方法~

// using Mat_ iterator   
void colorReduce8(cv::Mat &image, int div=64) {  
      // get iterators  
      cv::Mat_<cv::Vec3b>::iterator it= image.begin<cv::Vec3b>();  
      cv::Mat_<cv::Vec3b>::iterator itend= image.end<cv::Vec3b>();  
      for ( ; it!= itend; ++it) {  
        (*it)[0]= (*it)[0]/div*div + div/2;  
        (*it)[1]= (*it)[1]/div*div + div/2;  
        (*it)[2]= (*it)[2]/div*div + div/2;  
      }  
}


方法九：Mat_ iterator 和位运算

把方法八中的乘除法换成位运算。

// using Mat_ iterator and bitwise  
void colorReduce9(cv::Mat &image, int div=64) {  
      // div must be a power of 2  
      int n= static_cast<int>(log(static_cast<double>(div))/log(2.0));  
      // mask used to round the pixel value  
      uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0  
      // get iterators  
      cv::Mat_<cv::Vec3b>::iterator it= image.begin<cv::Vec3b>();  
      cv::Mat_<cv::Vec3b>::iterator itend= image.end<cv::Vec3b>();  
      for ( ; it!= itend; ++it) {  
        (*it)[0]= (*it)[0]&mask + div/2;  
        (*it)[1]= (*it)[1]&mask + div/2;  
        (*it)[2]= (*it)[2]&mask + div/2;  
      }  
}


方法十：MatIterator_

和方法八基本相同。

// using MatIterator_   
void colorReduce10(cv::Mat &image, int div=64) {  
      cv::Mat_<cv::Vec3b> cimage= image;  
      cv::Mat_<cv::Vec3b>::iterator it=cimage.begin();  
      cv::Mat_<cv::Vec3b>::iterator itend=cimage.end();  
      for ( ; it!= itend; it++) {   
        (*it)[0]= (*it)[0]/div*div + div/2;  
        (*it)[1]= (*it)[1]/div*div + div/2;  
        (*it)[2]= (*it)[2]/div*div + div/2;  
      }  
}


方法十一：图像坐标

// using (j,i)  
void colorReduce11(cv::Mat &image, int div=64) {  
      int nr= image.rows; // number of rows  
      int nc= image.cols; // number of columns  
      for (int j=0; j<nr; j++) {  
          for (int i=0; i<nc; i++) {  
                  image.at<cv::Vec3b>(j,i)[0]=     image.at<cv::Vec3b>(j,i)[0]/div*div + div/2;  
                  image.at<cv::Vec3b>(j,i)[1]=     image.at<cv::Vec3b>(j,i)[1]/div*div + div/2;  
                  image.at<cv::Vec3b>(j,i)[2]=     image.at<cv::Vec3b>(j,i)[2]/div*div + div/2;  
            } // end of row                   
      }  
}


方法十二：创建输出图像

之前的方法都是直接修改原图，方法十二新建了输出图像，主要用于后面的时间对比。

// with input/ouput images  
void colorReduce12(const cv::Mat &image, // input image   
                 cv::Mat &result,      // output image  
                 int div=64) {  
      int nr= image.rows; // number of rows  
      int nc= image.cols ; // number of columns  
      // allocate output image if necessary  
      result.create(image.rows,image.cols,image.type());  
      // created images have no padded pixels  
      nc= nc*nr;   
      nr= 1;  // it is now a 1D array  
      int n= static_cast<int>(log(static_cast<double>(div))/log(2.0));  
      // mask used to round the pixel value  
      uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0  
      for (int j=0; j<nr; j++) {  
          uchar* data= result.ptr<uchar>(j);  
          const uchar* idata= image.ptr<uchar>(j);  
          for (int i=0; i<nc; i++) {  
            *data++= (*idata++)&mask + div/2;  
            *data++= (*idata++)&mask + div/2;  
            *data++= (*idata++)&mask + div/2;  
          } // end of row                   
      }  
}


方法十三：重载操作符

Mat重载了+&等操作符，可以直接将两个Scalar(B,G,R)数据进行位运算和数学运算。

// using overloaded operators  
void colorReduce13(cv::Mat &image, int div=64) {  
      int n= static_cast<int>(log(static_cast<double>(div))/log(2.0));  
      // mask used to round the pixel value  
      uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0  
      // perform color reduction  
      image=(image&cv::Scalar(mask,mask,mask))+cv::Scalar(div/2,div/2,div/2);  
}

时间对比

    通过迭代二十次取平均时间，得到每种方法是运算时间如下。

      可以看到，指针*++访问和位运算是最快的方法；而不断的计算image.cols*image.channles()花费了大量重复的时间；另外迭代器访问虽然安全，但性能远低于指针运算；通过图像坐标(j,i)访问时最慢的，使用重载操作符直接运算效率最高。










猜你喜欢

转载自blog.csdn.net/GDFSG/article/details/50805481
今日推荐
《美国对全球网络空间安全与发展的威胁和破坏》报告发布
火速冲上 GitHub 热榜 —— 开源编程语言、框架哪有这么可爱？
北京人形机器人创新中心发布全球首个纯电驱拟人奔跑的全尺寸人形机器人“天工”
LFOSSA 源来如此公开课 | 掌握云原生未来：CNCF 认证全面攻略与备考秘籍
周排行
让自己的头脑极度开放
CentOS 6.5(x64) 和Redhat6.5操作系误删libc
高可用注册中心
【日记】12.28/【题解】AtCoder AGC041
XML（5）_XML 约束_DTD
Java集合Map（四）
树梅派安装桌面环境教程
pipenv 的 使用和安装
小程序白屏问题和内存研究
C语言简单选择排序
每日归档
更多
2024-05-02(0)
2024-05-01(4)
2024-04-30(1)
2024-04-29(40)
2024-04-28(0)
2024-04-27(56)
2024-04-26(39)
2024-04-25(22)
2024-04-24(36)
2024-04-23(26)

代码天地 © 2018 codetd.com

境外服务器   最新电视剧2022