OpenCV计算机视觉编程攻略（第二章）部分没看完

最新推荐文章于 2023-06-20 23:32:11 发布

Cv_Terry

最新推荐文章于 2023-06-20 23:32:11 发布

阅读量201

点赞数

分类专栏： opencv学习

本文链接：https://blog.csdn.net/ALZFterry/article/details/108019866

版权

opencv学习专栏收录该内容

12 篇文章 0 订阅

订阅专栏

我们将创建一个简单的函数，用它在图像中加入椒盐噪声

void salt(cv::Mat image, int n) {
// C++11 的随机数生成器
std::default_random_engine generator;
std::uniform_int_distribution<int>
randomRow(0, image.rows - 1);
std::uniform_int_distribution<int>
randomCol(0, image.cols - 1);
int i,j;
for (int k=0; k<n; k++) {
// 随机生成图形位置
i= randomCol(generator);
j= randomRow(generator);
if (image.type() == CV_8UC1) { // 灰度图像
// 单通道 8 位图像
image.at<uchar>(j,i)= 255;
} else if (image.type() == CV_8UC3) { // 彩色图像
// 3 通道图像
image.at<cv::Vec3b>(j,i)[0]= 255;
image.at<cv::Vec3b>(j,i)[1]= 255;
image.at<cv::Vec3b>(j,i)[2]= 255;
}
}
}

操作像素
if (image.type() == CV_8UC1) { // 灰度图像
// 单通道 8 位图像
image.at<uchar>(j,i)= 255;
} else if (image.type() == CV_8UC3) { // 彩色图像
// 3 通道图像
image.at<cv::Vec3b>(j,i)[0]= 255;//蓝
image.at<cv::Vec3b>(j,i)[1]= 255;//绿	
image.at<cv::Vec3b>(j,i)[2]= 255;//红
}

OpenCV 为这样的短向量定义了一种类型，即 cv::Vec3b。这个向量包含三个无符号字符（ unsigned character）类型的数据。

有一点需要特别注意，程序员必须保证指定的类型与矩阵内的类型是一致的。 at 方法不会进行任何类型转换
对于三通道彩色图像也可以这样访问像素：

image.at<cv::Vec3b>(j, i) = cv::Vec3b(255, 255, 255);

还有类似的向量类型用来表示二元素向量和四元素向量（ cv::Vec2b 和 cv::Vec4b）。此外还有针对其他元素类型的向量。例如，表示二元素浮点数类型的向量就是把类型名称的最后个字母换成 f，即 cv::Vec2f。对于短整型，最后的字母换成 s；对于整型，最后的字母换成 i；对于双精度浮点数向量，最后的字母换成 d。所有这些类型都用 cv::Vec<T,N>模板类定义，其中 T 是类型， N 是向量元素的数量。

cv::Mat_模板类访问像素值：
// 用 Mat 模板操作图像
cv::Mat_ img(image);
img(50,100)= 0; // 访问第 50 行、第 100 列处那个值

2.3 用指针扫描图像

void colorReduce(cv::Mat image, int div=64) {
int nl= image.rows; // 行数
// 每行的元素数量
int nc= image.cols * image.channels();//三通道图像为每行像素个数的三倍
for (int j=0; j<nl; j++) {
// 取得行 j 的地址
uchar* data= image.ptr<uchar>(j);
for (int i=0; i<nc; i++) {
// 处理每个像素 ---------------------
data[i]= data[i]/div*div + div/2;
// 像素处理结束 ----------------
} // 一行结束
}
}

在彩色图像中，图像数据缓冲区的前 3 字节表示左上角像素的三个通道的值，接下来的 3字节表示第 1 行的第 2 个像素，以此类推（注意 OpenCV 默认的通道次序为 BGR）。一个宽 W高 H 的图像所需的内存块大小为 W×H×3 uchars。不过出于性能上的考虑，我们会用几个额外的像素来填补行的长度。这是因为，如果行数是某个数字（例如 8）的整数倍，图像处理的性
能可能会提高，因此最好根据内存配置情况将数据对齐。当然，这些额外的像素既不会显示也不被保存，它们的额外数据会被忽略。
OpenCV 把经过填充的行的长度指定为有效宽度。
如果图像没有用额外的像素填充，那么有效宽度就等于实际的图像宽度。我们已经学过，用 cols和 rows 属性可得到图像的宽度和高度。
与之类似，用 step 数据属性可得到单位是字节的有效宽度。即使图像的类型不是 uchar， step 仍然能提供行的字节数。

为了简化指针运算的计算过程， cv::Mat 类提供了一个方法，可以直接访问图像中一行的
起始地址。这就是 ptr 方法，它是一个模板方法，返回第 j 行的地址：
uchar* data= image.ptr<uchar>(j);
*data++= *data/div*div + div2;//解引用

构建一个大小和类型都与输入图像相同的矩阵（如果必要）：

result.create(image.rows,image.cols,image.type())

3. 对连续图像的高效扫描
//检查图像是否能看成一个一行矩阵
前面解释过，为了提高性能，可以在图像的每行末尾用额外的像素进行填充。有趣的是，在去掉填充后，图像仍可被看作一个包含 W×H 像素的长一维数组。用 cv::Mat 的isContinuous方法可轻松判断图像有没有被填充。如果图像中没有填充像素，它就返回 true。我们还能这样测试矩阵的连续性：

// 检查行的长度（字节数）与“列的个数×单个像素”的字节数是否相等
image.step == image.cols*image.elemSize();

void colorReduce(cv::Mat image, int div=64) {
int nl= image.rows; // 行数
// 每行的元素总数
int nc= image.cols * image.channels();
if (image.isContinuous()) {
// 没有填充的像素
nc= nc*nl;
nl= 1; // 它现在成了一个一维数组
}
int n= staic_cast<int>(log(static_cast<double>(div))/log(2.0) + 0.5);
// 用来截取像素值的掩码
uchar mask= 0xFF<<n; // 如果 div=16, 那么 mask= 0xF0
uchar div2 = div >> 1; // div2 = div/2
// 对于连续图像，这个循环只执行一次
for (int j=0; j<nl; j++) {
uchar* data= image.ptr<uchar>(j);
for (int i=0; i<nc; i++) {
*data &= mask;
*data++ += div2;
} // 一行结束
}
}

OpenCV 有一个非常实用的函数可以用来测算函数或代码段的运行时间，它就是 cv::getTickCount()，该函数会返回从最近一次计算机开机到当前的时钟周期数。在代码开始和结束时记录这个时钟周期数，就可以计算代码的运行时间。若想得到以秒为单位的代码运行时间，可使用另一个方法 cv::getTickFrequency()，它返回每秒的时钟周期数，这里假定 CPU的频率是固定的（对于较新的 CPU，频率并不一定是固定的）。为了获得某个函数（或代码段）的运行时间，通常需使用这样的程序模板：

const int64 start = cv::getTickCount();
colorReduce(image); // 调用函数
// 经过的时间（单位：秒）
double duration = (cv::getTickCount()-start)/
cv::getTickFrequency();