OpenCV常见的优化问题和技巧
【1】释放Mat图像内存空间:
Mat image = imread("D:\\OpencvTest\\1.jpg"); image.release();
【2】释放图像通道分割的图像空间
std::vector<cv::Mat> layers; split(image, layers); // free memory for (auto ii = 0; ii < layers.size(); ii++) layers[ii].release(); layers.clear();
【3】关于vector内存释放的问题: 由于vector的内存占用空间只增不减,比如你首先分配了10,000个字节,然后erase掉后面9,999个,留下一个有效元素,但是内存占用仍为10,000个。所有内存空间是在vector析构时候才能被系统回收。empty()用来检测容器是否为空的,clear()可以清空所有元素。但是即使clear(),vector所占用的内存空间依然如故,无法保证内存的回收。 如果需要空间动态缩小,可以考虑使用deque。如果是vector类型,可以考虑用swap()来帮助你释放内存。具体方法如下: 如果需要空间动态缩小,可以考虑使用deque。如果是vector类型,可以考虑用swap()来帮助你释放内存。具体方法如下:
vector<Point>().swap(pointVec); //或者pointVec.swap(vector<Point> ())
标准模板:
template < class T > void ClearVector( vector< T >& vt ) { vector< T > vtTemp; veTemp.swap( vt ); }
swap()是交换函数,使vector离开其自身的作用域,从而强制释放vector所占的内存空间,总而言之,释放vector内存最简单的方法是vector<Point>().swap(pointVec)。当时如果pointVec是一个类的成员,不能把vector<Point>().swap(pointVec)写进类的析构函数中,否则会导致double free or corruption (fasttop)的错误,原因可能是重复释放内存。(前面的pointVec.swap(vector<Point> ())用G++编译没有通过) 如果vector中存放的是指针,那么当vector销毁时,这些指针指向的对象不会被销毁,那么内存就不会被释放。如下面这种情况,vector中的元素时由new操作动态申请出来的对象指针:
#include <vector> using namespace std; vector<void *> v;
每次new之后调用v.push_back()该指针,在程序退出或者根据需要,用以下代码进行内存的释放:
for (vector<void *>::iterator it = v.begin(); it != v.end(); it ++) if (NULL != *it) { delete *it; *it = NULL; } v.clear();
【4】利用Mat来存储数据,避免使用数组等操作
cv::Mat mean = (cv::Mat_<float>(2, 1) << 0.4404, 0.3111); cout << "mean=" << mean << endl; float a=mean.at<float>(0, 0); float b = mean.at<float>(0, 0);
【5】图像的遍历
OpenCV图像遍历最高效的方法是指针遍历方法。因为图像在OpenCV里的存储机制问题,行与行之间可能有空白单元(一般是补够4的倍数或8的倍数,有些地方也称作“位对齐”,目前我用到的FreeImage和c#中的bitmap中的存储机制也是这样的)。这些空白单元对图像来说是没有意思的,只是为了在某些架构上能够更有效率,比如intel MMX可以更有效的处理那种个数是4或8倍数的行。Mat提供了一个检测图像是否连续的函数isContinuous()。当图像连通时,我们就可以把图像完全展开,看成是一行。因此最高效的遍历方法如下:
void imageCopy(const Mat& image,Mat& outImage) { int nr=image.rows; int nc=image.cols; outImage.create(image.size(),image.type()); if(image.isContinuous()&&outImage.isContinuous()) { nr=1; nc=nc*image.rows*image.channels(); } for(int i=0;i<nr;i++) { const uchar* inData=image.ptr<uchar>(i); uchar* outData=outImage.ptr<uchar>(i); for(int j=0;j<nc;j++) { *outData++=*inData++; } } }
PS:一般经过裁剪的Mat图像,都不再连续了,如cv::Mat crop_img = src(rect);crop_img 是不连续的Mat图像,如果想转为连续的,最简单的方法,就是将不连续的crop_img 重新clone()一份给新的Mat就是连续的了。关于Mat连续存储的问题,可见:http://blog.csdn.net/guyuealian/article/details/78614662
【6】防止图像Rect区域越界的好方法 OpenCV的cv::Rect提供了很多实用的方法,可参考:http://blog.csdn.net/da_yuan8421/article/details/60959419:
在对图像进行处理时,经常需要截取图像中的某一区域进行处理,如果截取的区域越界时,就容易导致图像崩溃。
//求两个矩形的交集和并集 rect = rect1 & rect2; rect = rect1 | rect2; //对矩形进行对比,返回布尔变量 rect1 == rect2; rect1 != rect2;
利用两个Rect的交集,我们可以很轻松的避免图像裁剪区域越界的情况,如下:
Rect rect; rect.x = -10; rect.y = -10; rect.height = 100000; rect.width = 20000; rect &= Rect(0, 0, src.cols, src.rows);//求交集 cv::Mat crop_img = src(rect);
上例子,原图src的大小=200*200,需要裁剪为rect=[-10,-10,10000,20000],为了避免裁剪Rect越界,需要特殊的保护,最简单的方法就是,加入这句话:rect &= Rect(0, 0, src.cols, src.rows),这个交集的Rect肯定是不会越界。
【7】获取OpenCV版本
#define CV_VERSION_ID CVAUX_STR(CV_MAJOR_VERSION) CVAUX_STR(CV_MINOR_VERSION) CVAUX_STR(CV_SUBMINOR_VERSION) //若你OpenCV的版本是3.2.0,那麽输出为: cout << CV_VERSION_ID << endl;//320 cout << CVAUX_STR(CV_MAJOR_VERSION) << endl;//3 cout << CVAUX_STR(CV_MINOR_VERSION) << endl;//2 cout << CVAUX_STR(CV_SUBMINOR_VERSION) << endl;//0
【8】读写XML或者yml文件数据的
read.xml文本内容:
<?xml version="1.0"?> <opencv_storage> <TrainingData type_id="opencv-matrix"> <rows>10</rows> <cols>8</cols> <dt>f</dt> <data> 10. 10. 10. 10. 10. 10. 10. 10. 11. 11. 11. 11. 11. 11. 11. 11. 12. 12. 12. 12. 12. 12. 12. 12. 13. 13. 13. 13. 13. 13. 13. 13. 14. 14. 14. 14. 14. 14. 14. 14. 15. 15. 15. 15. 15. 15. 15. 15. 16. 16. 16. 16. 16. 16. 16. 16. 17. 17. 17. 17. 17. 17. 17. 17. 18. 18. 18. 18. 18. 18. 18. 18. 19. 19. 19. 19. 19. 19. 19. 19. </data></TrainingData> <classes type_id="opencv-matrix"> <rows>10</rows> <cols>1</cols> <dt>f</dt> <data> 0. 1. 2. 3. 4. 5. 6. 7. 8. 9. </data></classes> </opencv_storage>
OpenCV读写方法:
//读xml_test.xml文本的数据 FileStorage fs_read; Mat TrainningData; Mat Classes; string readPath = "D:\\SmartAlbum\\image1\\read.xml"; bool bR = fs_read.open(readPath, FileStorage::READ); if (bR) { fs_read["TrainingData"] >> TrainningData; fs_read["classes"] >> Classes; cout << TrainningData << endl; cout << Classes << endl; } fs_read.release(); //将数据写到xml_write.xml文本中 (若不存在会自动创建一个空的xml文件) string writePath = "D:\\SmartAlbum\\image1\\write.xml"; cv::FileStorage fs_write; bool bW=fs_write.open(writePath, FileStorage::WRITE); if (bW) { fs_write << "TrainingData" << TrainningData; fs_write << "classes" << Classes; } fs_write.release();
cv::Mat test = cv::Mat::zeros(cv::Size(100,100), CV_8UC3); cv::Mat test1 = test + 128;//仅第1通道被赋值为128 cv::Mat test2 = test + cv::Scalar(128, 128, 128);//三个通道都被赋值为128
//IplImage—>Mat //EXAMPLE: //浅拷贝: IplImage* pBinary=cvLoadImage("c://temp.jpg",0); Mat Img; Img=cvarrToMat(pBinary); //深拷贝只需要再在Mat里创建一个新的Mat对象,然后进行数据的复制,再用上述的函数进行数据头的复制(浅拷贝): IplImage* pBinary=cvLoadImage("c://temp.jpg", 0); Mat ImgTemp; Img=cvarrToMat(pBinary); Mat Img = ImgTemp.clone(); //Mat—>IplImage //EXAMPLE: //浅拷贝: Mat Img=imread("1.jpg"); IplImage* pBinary = &IplImage(Img); //深拷贝只要再加一次复制数据: IplImage *input = cvCloneImage(pBinary);
【11】OpenCV Mat数据类型及位数总结
char ->CV_8SC unsigned char,uchar ->CV_8UC unsigned short int,ushort->CV_16UC short int->CV_16SC int ->CV_32SC float ->CV_32FC double->CV_64FC
float: 4字节,6-7位有效数字 -3.4E-38 到 3.4E38
double: 8字节,15~16位有效数字 -1.7E-308 到 1.7E308
在OpenCV里面,许多数据结构为了达到內存使用的最优化,通常都会用它最小上限的空间来分配变量,有的数据结构也会因为图像文件格式的关系而给予适当的变量,因此需要知道它们声明的空间大小来配置适当的变量。一 般标准的图片,为RGB格式它们的大小为8bits格式,范围为0~255,对一个int空间的类型来说实在是太小,整整浪费了24bits的空间,假设有个640*480的BMP文件空间存储內存,那整整浪费了640*480*3*(32-8)bits的內存空间,总共浪费了2.6MB!,也就是那 2.6MB内什么东西都没存储,如果今天以8bits的格式来存储则只使用到0.6MB的內存而已(640*480*3*(8)+54 bits),因此,对于文件格式的对应是一件很重要的事。
在这边除了要考虑bits的空间大小外,还要考虑使用类型的正负号的问题,一般的图像文件是不存在负号的,如果今天即使选则正确的空间大小,可是出现的结果却是负的,那就功亏一篑了。这里除了Float及double类型,char,int,short int都是用二的补数表示法,它们不具正负号bit,而Float,double则是用IEEE 754,在第32bit,64bit上有一个正负号bit.
cvCreateImage()及cvCreateMat()对应
1.Unsigned 8bits(一般的图像文件格式使用的大小)
IplImage数据结构参数:IPL_DEPTH_8U
CvMat数据结构参数:CV_8UC1,CV_8UC2,CV_8UC3,CV_8UC4
变量类型 | 空间大小 | 范围 | 其他 |
---|---|---|---|
uchar | 8bits | 0~255 | (OpenCV缺省变量,同等unsigned char) |
unsigned char | 8bits | 0~255 |
2.Signed 8bits
IplImage数据结构参数:IPL_DEPTH_8S
CvMat数据结构参数:CV_8SC1,CV_8SC2,CV_8SC3,CV_8SC4
变量类型 | 空间大小 | 范围 | 其他 |
---|---|---|---|
char | 8bits | -128~127 |
3.Unsigned 16bits
IplImage数据结构参数:IPL_DEPTH_16U
CvMat数据结构参数:CV_16UC1,CV_16UC2,CV_16UC3,CV_16UC4
变量类型 | 空间大小 | 范围 | 其他 |
---|---|---|---|
ushort | 16bits | 0~65535 | (OpenCV缺省变量,同等unsigned short int) |
unsigned short int | 16bits | 0~65535 | (unsigned short) |
4.Signed 16bits
IplImage数据结构参数:IPL_DEPTH_16S
CvMat数据结构参数:CV_16SC1,CV_16SC2,CV_16SC3,CV_16SC4
变量类型 | 空间大小 | 范围 | 其他 |
---|---|---|---|
short int | 16bits | -32768~32767 | (short) |
5.Signed 32bits
IplImage数据结构参数:IPL_DEPTH_32S
CvMat数据结构参数:CV_32SC1,CV_32SC2,CV_32SC3,CV_32SC4
变量类型 | 空间大小 | 范围 | 其他 |
---|---|---|---|
int | 32bits | -2147483648~2147483647 | (long) |
6.Float 32bits
IplImage数据结构参数:IPL_DEPTH_32F
CvMat数据结构参数:CV_32FC1,CV_32FC2,CV_32FC3,CV_32FC4
变量类型 | 空间大小 | 范围 | 其他 |
---|---|---|---|
float | 32bits | 1.18*10-38~3.40*1038 |
7.Double 64bits
CvMat数据结构参数:CV_64FC1,CV_64FC2,CV_64FC3,CV_64FC4
变量类型 | 空间大小 | 范围 | 其他 |
---|---|---|---|
double | 64bits | 2.23*10-308~1.79*10308 |
8.Unsigned 1bit
IplImage数据结构参数:IPL_DEPTH_1U
变量类型 | 空间大小 | 范围 | 其他 |
---|---|---|---|
bool | 1bit | 0~1 |
其他变量对应
1.Signed 64bits
int64
long long
2.Unsigned 64 bits
uint64
unsigned long long