学习OpenCV范例（二）——OpenCV如何扫描图像、利用查找表和计时

最新推荐文章于 2023-07-25 08:01:10 发布

小洲实验室

最新推荐文章于 2023-07-25 08:01:10 发布

阅读量4.4k

点赞数 3

分类专栏：学习OpenCV范例文章标签： opencv 算法 Mat 扫描图像查找表

本文链接：https://blog.csdn.net/chenjiazhou12/article/details/21052849

版权

学习OpenCV范例专栏收录该内容

24 篇文章 6 订阅

订阅专栏

对于如何扫描图像的方法实在是太多了，在浏览一些资料的时候也找到了一些好的方法，到最后把这些方法的链接都贴出来，大家有兴趣的可以参考一下，看看哪种方法适合自己，在这里我还是根据OpenCV提供的范例进行分析。

1、建立查找表

颜色缩减方法：如果矩阵元素存储的是单通道像素，使用C或C++的无符号字符类型，那么像素可有256个不同值。但若是三通道图像，这种存储格式的颜色数就太多了（确切地说，有一千六百多万种）。用如此之多的颜色可能会对我们的算法性能造成严重影响。其实有时候，仅用这些颜色的一小部分，就足以达到同样效果。所以其做法是：将现有颜色空间值除以某个输入值，以获得较少的颜色数。例如，颜色值0到9可取为新值0，10到19可取为10，以此类推。其公式为：

$I_{new} = (\frac{I_{old}}{10}) * 10$

即输入的颜色值为：0-9 输出为：0

10-19 10

20-29 20

…… ……

这样的话，简单的颜色空间缩减算法就可由下面两步组成：一、遍历图像矩阵的每一个像素；二、对像素应用上述公式。

由此可知，对于较大的图像，有效的方法是预先计算所有可能的值，然后需要这些值的时候，利用查找表直接赋值即可。查找表是一维或多维数组，存储了不同输入值所对应的输出值，其优势在于只需读取、无需计算。

计算查找表代码为：

int divideWith; // convert our input string to number - C++ style
    stringstream s;
    s << argv[2];
    s >> divideWith;
    if (!s)
    {
        cout << "Invalid number entered for dividing. " << endl; 
        return -1;
    }
    
    uchar table[256]; 
    for (int i = 0; i < 256; ++i)
       table[i] = divideWith* (i/divideWith);

这里我们先使用C++的 stringstream 类，把第三个命令行参数由字符串转换为整数。然后，我们用数组和前面给出的公式计算查找表。

2、计算运行时间

OpenCV提供了两个简便的可用于计时的函数 getTickCount() 和 getTickFrequency() 。第一个函数返回你的CPU自某个事件（如启动电脑）以来走过的时钟周期数，第二个函数返回你的CPU一秒钟所走的时钟周期数。这样，我们就能轻松地以秒为单位对某运算计时：

double t = (double)getTickCount();
// 做点什么 ...
t = ((double)getTickCount() - t)/getTickFrequency();
cout << "Times passed in seconds: " << t << endl;

3、四种方式扫描图像

代码在范例的基础上做了一些小修改

#include "stdafx.h"

#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <iostream>
#include <sstream>

using namespace std;
using namespace cv;

static void help()
{
	cout
		<< "\n--------------------------------------------------------------------------" << endl
		<< "This program shows how to scan image objects in OpenCV (cv::Mat). As use case"
		<< " we take an input image and divide the native color palette (255) with the "  << endl
		<< "input. Shows C operator[] method, iterators and at function for on-the-fly item address calculation."<< endl
		<< "Usage:"                                                                       << endl
		<< "./howToScanImages imageNameToUse divideWith [G]"                              << endl
		<< "if you add a G parameter the image is processed in gray scale"                << endl
		<< "--------------------------------------------------------------------------"   << endl
		<< endl;
}

Mat& ScanImageAndReduceC(Mat& I, const uchar* table);//通过高效的C风格运算符[]（指针）
Mat& ScanImageAndReduceIterator(Mat& I, const uchar* table);//通过安全的迭代法
Mat& ScanImageAndReduceRandomAccess(Mat& I, const uchar * table);//通过相关返回值的On-the-fly地址计算

int main( int argc, char* argv[])
{
	help();
	namedWindow("The original picture",1);//命名显示原图像窗口
	namedWindow("The change picture", 1);//命名显示改变图像窗口
	//选择显示彩色or灰色
	char ch=NULL;
	printf("GRAYSCALE OR COLOR?please enter G/C");
	scanf("%c",&ch);
	Mat I, J;
	if( ch== 'G' )
		//读取灰色图片
		I = imread("F:\\QTproject\\how_to_scan_images\\Lena.jpg", CV_LOAD_IMAGE_GRAYSCALE);
	else
		//读取彩色图片
		I = imread("F:\\QTproject\\how_to_scan_images\\Lena.jpg", CV_LOAD_IMAGE_COLOR);

	if (!I.data)
	{
		cout << "The image could not be loaded." << endl;
		return -1;
	}

	int divideWith = 0; 
	// 把输入的字符串转为整数
	stringstream s;
	s << "50";
	s >> divideWith;
	if (!s || !divideWith)
	{
		cout << "Invalid number entered for dividing. " << endl;
		return -1;
	}
	//根据颜色空间缩减，建立查找表
	uchar table[256];
	for (int i = 0; i < 256; ++i)
		table[i] = (uchar)(divideWith * (i/divideWith));
	//执行次数为100次
	const int times = 100;
	double t;

	t = (double)getTickCount();

	for (int i = 0; i < times; ++i)
	{
		cv::Mat clone_i = I.clone();
		J = ScanImageAndReduceC(clone_i, table);
	}
	//计算100次的平均时间
	t = 1000*((double)getTickCount() - t)/getTickFrequency();
	t /= times;
	//显示原图片和改变图片
	imshow("The original picture",I);
	imshow("The change picture",J);
	waitKey(0);
	cout << "Time of reducing with the C operator [] (averaged for "
		<< times << " runs): " << t << " milliseconds."<< endl;


	t = (double)getTickCount();

	for (int i = 0; i < times; ++i)
	{
		cv::Mat clone_i = I.clone();
		J = ScanImageAndReduceIterator(clone_i, table);
	}

	t = 1000*((double)getTickCount() - t)/getTickFrequency();
	t /= times;

	cout << "Time of reducing with the iterator (averaged for "
		<< times << " runs): " << t << " milliseconds."<< endl;

	t = (double)getTickCount();

	for (int i = 0; i < times; ++i)
	{
		cv::Mat clone_i = I.clone();
		ScanImageAndReduceRandomAccess(clone_i, table);
	}

	t = 1000*((double)getTickCount() - t)/getTickFrequency();
	t /= times;

	cout << "Time of reducing with the on-the-fly address generation - at function (averaged for "
		<< times << " runs): " << t << " milliseconds."<< endl;

	//通过核心函数LUT
	Mat lookUpTable(1, 256, CV_8U);
	uchar* p = lookUpTable.data;
	for( int i = 0; i < 256; ++i)
		p[i] = table[i];

	t = (double)getTickCount();

	for (int i = 0; i < times; ++i)
		LUT(I, lookUpTable, J);

	t = 1000*((double)getTickCount() - t)/getTickFrequency();
	t /= times;

	cout << "Time of reducing with the LUT function (averaged for "
		<< times << " runs): " << t << " milliseconds."<< endl;
	char ch1=NULL;
	scanf("%c",&ch1);
	while (ch1!='c')
	{
		ch1=getchar();
	}
	return 0;
}

Mat& ScanImageAndReduceC(Mat& I, const uchar* const table)
{
	// accept only char type matrices
	CV_Assert(I.depth() != sizeof(uchar));
	
	int channels = I.channels();//得到通道数

	int nRows = I.rows;//获得行数
	int nCols = I.cols * channels;//行数*通道数=一行中有多少个数值
	//如果图像矩阵存储空间是连续的
	if (I.isContinuous())
	{
		nCols *= nRows;//得到存储矩阵的大小
		nRows = 1;
	}

	int i,j;
	uchar* p;
	for( i = 0; i < nRows; ++i)
	{
		p = I.ptr<uchar>(i);//得到存储矩阵的起始地址
		for ( j = 0; j < nCols; ++j)
		{
			p[j] = table[p[j]];//赋值
		}
	}
	//整个过程起始是将矩阵看出是一个一行nCols列的矩阵，由p指针指向矩阵，再进行赋值。
	return I;
}

Mat& ScanImageAndReduceIterator(Mat& I, const uchar* const table)
{
	// accept only char type matrices
	CV_Assert(I.depth() != sizeof(uchar));

	const int channels = I.channels();
	switch(channels)
	{
	case 1:
		{
			MatIterator_<uchar> it, end;//定义uchar的迭代器
			for( it = I.begin<uchar>(), end = I.end<uchar>(); it != end; ++it)
				*it = table[*it];
			break;
		}
	case 3:
		{
			MatIterator_<Vec3b> it, end;//定义Vec3b的迭代器
			for( it = I.begin<Vec3b>(), end = I.end<Vec3b>(); it != end; ++it)
			{
				(*it)[0] = table[(*it)[0]];
				(*it)[1] = table[(*it)[1]];
				(*it)[2] = table[(*it)[2]];
			}
		}
	}

	return I;
}

Mat& ScanImageAndReduceRandomAccess(Mat& I, const uchar* const table)
{
	// accept only char type matrices
	CV_Assert(I.depth() != sizeof(uchar));

	const int channels = I.channels();
	switch(channels)
	{
	case 1:
		{
			for( int i = 0; i < I.rows; ++i)
				for( int j = 0; j < I.cols; ++j )
					I.at<uchar>(i,j) = table[I.at<uchar>(i,j)];//对行列循环对每个数据点进行赋值
			break;
		}
	case 3:
		{
			Mat_<Vec3b> _I = I;//使用Mat_类进行运算，较为方便

			for( int i = 0; i < I.rows; ++i)
				for( int j = 0; j < I.cols; ++j )
				{
					_I(i,j)[0] = table[_I(i,j)[0]];
					_I(i,j)[1] = table[_I(i,j)[1]];
					_I(i,j)[2] = table[_I(i,j)[2]];
				}
				I = _I;
				break;
		}
	}

	return I;
}

4、运行图片结果为：

图1、原图片图2、颜色缩减图片

时间对比如下：

5、结论：

Efficient Way	2.27585 milliseconds
Iterator	54.8902 milliseconds
On-The-Fly RA	116.674 milliseconds
LUT function	1.35165 milliseconds

①调用LUT 函数可以获得最快的速度. 这是因为OpenCV库可以通过英特尔线程架构启用多线程

②从安全性角度来考虑，迭代法是更佳的选择，但是效率不是很明显

③On-The-Fly RA方法扫描全图是一个最浪费资源的方法

④Efficient Way方法是比较有效的方法，使用起来也方便，推荐使用

下面网址是其他博客收集或者自己编写的代码，大家可以参考一下

【OpenCV】访问Mat图像中每个像素的值

【OpenCV】访问Mat中每个像素的值（新）

OpenCV学习笔记（四十二）——Mat数据操作之普通青年、文艺青年、暴力青年

6、用到的类：

Mat_类：

这个类来源于Mat类，数据结构为：

template<typename _Tp> class Mat_ : public Mat
{
public:
    // ... some specific methods
    //         and
    // no new extra fields
};

这个类只封装了Mat的头部，没有数据空间，也没有Mat的虚拟函数，所以他和Mat之间的引用和指针之间的转换非常容易，例如：

// create a 100x100 8-bit matrix
Mat M(100,100,CV_8U);
// this will be compiled fine. no any data conversion will be done.
Mat_<float>& M1 = (Mat_<float>&)M;

一般情况下有Mat类就足够了，但是当你对元素进行大量的操作时，Mat_类会给你带来更大的方便， Mat::at<_Tp>(int y, int x) 和 Mat_<_Tp>::operator ()(int y, int x)两个操作是一样的，后面的函数会显得简短一些。

通过vec作为参数，可以使用Mat_多通道矩阵，如：

// allocate a 320x240 color image and fill it with green (in RGB space)
Mat_<Vec3b> img(240, 320, Vec3b(0,255,0));
// now draw a diagonal white line
for(int i = 0; i < 100; i++)
    img(i,i)=Vec3b(255,255,255);
// and now scramble the 2nd (red) channel of each pixel
for(int i = 0; i < img.rows; i++)
    for(int j = 0; j < img.cols; j++)
        img(i,j)[2] = 255;

LUT函数：

数据结构：

void LUT(InputArray src, InputArray lut, OutputArray dst)

src：8位的源矩阵

lut：256个元素的查找表

dst：输出矩阵，和src有着同样的size和同样的channel，和lut有着同样的depth

功能是为目标矩阵填充查找表数据，原理是如下：

$\texttt{dst} (I) \leftarrow \texttt{lut(src(I) + d)}$
$d = \fork{0}{if \texttt{src} has depth \texttt{CV\_8U}}{128}{if \texttt{src} has depth \texttt{CV\_8S}}$

将src的数据加上d再通过查找表查找数据，最后赋值给dst。

小洲实验室

关注

3
点赞
踩
10

收藏

觉得还不错? 一键收藏
0
评论
学习OpenCV范例（二）——OpenCV如何扫描图像、利用查找表和计时

对于如何扫描图像的方法实在是太多了，在浏览一些资料的时候也找到了一些好的方法，到最后把这些方法的链接都贴出来，大家有兴趣的可以参考一下，看看哪种方法适合自己，在这里我还是根据OpenCV提供的范例进行分析。1、建立查找表颜色缩减方法：如果矩阵元素存储的是单通道像素，使用C或C++的无符号字符类型，那么像素可有256个不同值。但若是三通道图像，这种存储格式的颜色数就太多了（确切地说，有一千六
复制链接

扫一扫