OpenCV常见的优化方法和技巧总结
【尊重原创，转载请注明出处】http://blog.csdn.net/guyuealian/article/details/78540206
目录
一、OpenCV常见的优化方法总结
1.1 cv::imread()设置reduce模式：
cv::imread()设置reduce模式， 读取缩放的低分辨率小图，或者直接读取灰度图，可以做到自适应，先用EXIF信息读取图像的分辨率，当分辨率大于一定阈值，则设置读取模式为：IMREAD_REDUCED_COLOR_2或者IMREAD_REDUCED_COLOR_4 ，避免内存过大以及编程resieze耗时
1.2 查表法：LUT，
使用lut的方法法，远快于每个像素都计算的方法
1.3 像素遍历
openCV像素遍历常用的是三种方法：ptr指针，迭代器（iterator）以及动态地址at。
实现方式： https://blog.csdn.net/keith_bb/article/details/53071133
使用Mat的ptr指针进行图像遍历更加高效，
特别的：一般图像行与行之间往往存储是不连续的，但是有些图像可以是连续的，Mat提供了一个检测图像是否连续的函数isContinuous()。当图像连通时，我们就可以把图像完全展开，看成是一行进行处理。
动态地址at不适合用于像素遍历，速度太慢了，比较适合随机访问的方式
1.4 openCL加速：使用UMat结构代替Mat
高性能：OpenCL的相关用法：UMat
在OpenCV3中，OCL module已经被舍弃。而是使用更易上手的Transparent API来替代 OCL module。因此只需要使用 UMat来替换Mat，而其余的代码保持不变，即可实现加速.
Mat转换成UMat可以使用Mat::copyTo(OutputArray dst)，也可以使用Mat::getUMat(int access_flags)
#include <chrono>
#include <opencv2/opencv.hpp>
#define millisecond 1000000
#define DEBUG_PRINT(...) printf( __VA_ARGS__); printf("\n")
#define DEBUG_TIME(time_) auto time_ =std::chrono::high_resolution_clock::now()
#define RUN_TIME(time_) (double)(time_).count()/millisecond
using namespace std;
void main() {
string image_path = "1.jpg";
cv::Mat image1 = cv::imread(image_path);
cv::Mat dest1;
DEBUG_PRINT("image size:[%d,%d]", image1.cols, image1.rows);
//Mat convert to UMat
//cv::UMat image2= image1.getUMat(cv::ACCESS_FAST);//ACCESS_READ, ACCESS_WRITE, ACCESS_RW和ACCESS_FAST
cv::UMat image2;
image1.copyTo(image2);
cv::UMat dest2;
DEBUG_TIME(T0);
cv::blur(image1, dest1, cv::Size(15, 15));
DEBUG_TIME(T1);
cv::blur(image2, dest2, cv::Size(15, 15));
DEBUG_TIME(T2);
//UMat convert to Mat
cv::Mat dest3;
dest2.copyTo(dest3);
DEBUG_PRINT("CPU:%3.3fms", RUN_TIME(T1 - T0));
DEBUG_PRINT("GPU:%3.3fms", RUN_TIME(T2 - T1));
}image size:[2000,3008]
CPU:18.039ms
GPU:9.623ms
说明：图像越大，计算越复杂时，使用OpenCL加速的效果更明显，如果使用分辨率小图，其GPU的计算速度未必比CPU的快！！
参考资料： https://blog.csdn.net/amusi1994/article/details/79529870
《OpenCV3.x中UMat对象介绍与使用》https://blog.csdn.net/jia20003/article/details/69802932
1.5 release内存释放
1.6 多线程加速处理OpenMP
举个例子：并行化for语句
#pragma omp parallel for [clause[clause…]]
for(index = first; qualification; index_expr)
{…}
第一句中[]的部分是可选的，由自己的程序并行特点而定。大家先不要把精力放到这里面。后面的文章中会继续讲解的。
编写规则
1、index的值必须是整数，一个简单的for形式：for(int i = start; i < end; i++){…} 。2、start和end可以是任意的数值表达式，但是它在并行化的执行过程中值不能改变，也就是说在for并行化执行之前，编译器必须事先知道你的程序执行多少次，因为编译器要把这些计算分配到不同的线程中执行。
3、循环语句只能是单入口但出口的。这里只要你避免使用跳转语句就行了。具体说就是不能使用goto、break、return。但是可以使用continue，因为它并不会减少循环次数。另外exit语句也是可以用的，因为它的能力太大，他一来，程序就结束了。
openMP参考资料:
https://www.cnblogs.com/ospider/p/5265975.html
《openMP编程探索1——编程基础》：https://blog.csdn.net/bendanban/article/details/6302857
《openMP编程探索2——循环并行化》:https://blog.csdn.net/bendanban/article/details/6303100
1.7 使用积分图：integral
积分图定义为：积分图中坐P(x,y)的值为其左上角的所有像素之和
如上图所示，为了求该矩形区域的灰度之和。我们可以用以下公式表示：
需要注意的是，这里的总和并不包含点A,B,C的像素值。如上图所示的小像素点，A,B,C所在的像素点不在矩形区域以内。另外，有的时候不一定只是像素灰度值和，只要符合积分图这一种计算思想的，均可以用积分图来简化计算。
如果是求矩形区域的像素点平方和，也可以用。
二、OpenCV常用技巧总结
释放Mat图像内存空间：
Mat image = imread("D:\\OpencvTest\\1.jpg");
image.release();Mat多通道合并和分割
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
/*
将多个mat合并为多通道mat
*/
cv::Mat mergeMultiChannels(cv::Mat A,cv::Mat B) {
cv::Mat AB;
vector<cv::Mat> ABchannels;
ABchannels.push_back(A);
ABchannels.push_back(B);
cv::merge(ABchannels, AB);
return AB;
}
/*
将6通道的mat分割成2个三通道的mat
*/
void splitMultiChannels(cv::Mat mat,cv::Mat &A,cv::Mat &B) {
vector<cv::Mat> channels;
cv::split(mat, channels);//分割image1的通
vector<cv::Mat> Avec, Bvec;
Avec.push_back(channels[0]);
Avec.push_back(channels[1]);
Avec.push_back(channels[2]);
Bvec.push_back(channels[3]);
Bvec.push_back(channels[4]);
Bvec.push_back(channels[5]);
cv::merge(Avec, A);
cv::merge(Bvec, B);
}
void main(){
int width = 100;
int height = 100;
//cv::Mat AB = cv::Mat::zeros(cv::Size(width,height),CV_32FC(6));
cv::Mat A1 = cv::Mat::zeros(cv::Size(width, height), CV_32FC3) + cv::Scalar(0.1, 0.2, 0.3);
cv::Mat B1 = cv::Mat::zeros(cv::Size(width, height), CV_32FC3) + cv::Scalar(0.4, 0.5, 0.6);
cv::Mat AB=mergeMultiChannels(A1, B1);//合并为6通道
cv::Mat A2,B2;
splitMultiChannels(AB, A2, B2);//分割为三通道
return;
}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();计算运行时间
using namespace cv;
//设置宏定义
#define TB__(A) int64 A; A = cv::getTickCount()
#define TE__(A) cout << #A << " : " << 1.E3 * double(cv::getTickCount() - A)/double(cv::getTickFrequency()) << "ms" << endl
// 使用方法：
TB__(cpu_cvt);
#pragma omp parallel for num_threads(4)
for (int k = 0; k < REPEATES; k++)
cv::cvtColor(cpu_src, cpu_dst, CV_BGR2Lab);
TE__(cpu_cvt);
#include <chrono>
//run times test...
#ifdef __DEBUG__TIME__ON
#define LOG_TIME LOGE
#define RUN_TIME(time_) (double)(time_).count()/millisecond
//设置计算运行时间的宏定义
#define DEBUG_TIME(time_) auto time_ =std::chrono::high_resolution_clock::now()
#define DEBUG_TIME_PRINT(time_) printf("run time: %s=%3.3f ms\n", #time_,(double)(time_).count()/millisecond)
#else
#define DEBUG_TIME(time_)
#endif
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：
标准模板：
//放在头文件
template < class T >
void ClearVector(vector< T >& vt)
{
vector<T> vtTemp;
vtTemp.swap(vt);
//或者直接：vector<T>().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();OpenCV LUT：
多用LUT可以大大降低处理时间：比如下面是实现图像Gamma矫正的函数，其中使用了LUT，这比使用for循环遍历每个像素值，快很多，特别是图片很大的时候：
void gammaCorrection(cv::Mat& dst, float fGamma)
{
cv::Mat lut(1, 256, CV_8U);
uchar *p = lut.data;
for (int i = 0; i < 256; i++)
{
p[i] = cv::saturate_cast<uchar>(pow((float)(i / 255.0), fGamma) * 255.0f);
}
cv::LUT(dst, lut, dst);
}opencv多通道的使用
typedef cv::Vec<float, 8> Vec8f;
E2 = cv::Mat::zeros(srcImage.rows, srcImage.cols, CV_32FC(8));//背景 E(0)值
//Mat bigMat = cv::Mat::zeros(cv::Size(256, 256), CV_8UC(8));
//CV_32FC3
std::cout << "channel = " << E2.channels() << " \n ";
for (int i = 0; i < E2.rows; i++)
{
for (int j = 0; j < E2.cols; j++)
{
for (int c = 0; c < E2.channels(); c++)
{
std::cout << "channel = " << c << " ";
std::cout << E2.at<Vec8f>(i, j)[c] << " ;i = " << i << " j= " << j << " c= " << c << "\n";
}
}
}
opencv中Mat与数组之间值传递的快速方法
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);将数组内容传递给Mat，示例代码：
unsigned char cbuf[height][width];
cv::Mat img(height, width, CV_8UC1, (unsigned char*)cbuf);将Mat中的内容传递给数组，如果Mat中的数据是连续的，那么对于传递到一维vector我们可以这样：
std::vector<uchar> array(mat.rows*mat.cols);
if (mat.isContinuous())
array = mat.data;同样的，传递到一维数组我们可以这样
unsigned char *array=new unsigned char[mat.rows*mat.cols];
if (mat.isContinuous())
array = mat.data;对于二维vector的传值，我们可以这样处理
uchar **array = new uchar*[mat.rows];
for (int i=0; i<mat.rows; ++i)
array[i] = new uchar[mat.cols];
for (int i=0; i<mat.rows; ++i)
array[i] = mat.ptr<uchar>(i);图像的遍历的快速方法
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
图像遍历优化和加速的常用方法：
1、加减法比乘除法快，因此应避免使用乘除法
2、不能避免乘除法时，考虑使用“移位运算”
3、像素查表法LUT，远快于每个像素都计算的方法
4、使用常量，会比使用变量快：如:
//使用变量相乘 int a=100; int b=200; int c=a*b; //使用常量相乘 int c=100*200;PS：特别是在for循环中，能用常量表示的，就不要用变量表示，所以“多使用宏定义define，准没错”
实例代码：第四种的fast_ergodic4遍历方法是最快的
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace std;
#define chans 3
cv::Mat fast_ergodic4(cv::Mat image) {
if (!image.isContinuous())
{
return image;
}
int rows = image.rows;
int cols = image.cols;
/*使用常量会比变量快，因此当图像通道确定时，请将chans改为数字常量，如1，3，4等*/
//int chans = image.channels();
cv::Mat outImage = cv::Mat::zeros(image.size(), image.type());
cols = cols*rows*chans;
uchar* inData = image.data;
uchar* outData = outImage.data;
for (int j = 0; j < cols; j += chans)
{
outData[j] = 10 + inData[j];//B
outData[j + 1] = 10 + inData[j + 1];//G
outData[j + 2] = 10 + inData[j + 2];//R
//outData[j + 3] = 10 + inData[j + 3];//A
}
return outImage;
}
cv::Mat fast_ergodic3(cv::Mat image) {
int rows = image.rows;
int cols = image.cols;
/*使用常量会比变量快，因此当图像通道确定时，请将chans改为数字常量，如1，3，4等*/
//int chans = image.channels();
cv::Mat outImage = cv::Mat::zeros(image.size(), image.type());
//outImage.create(image.size(), image.type());
if (image.isContinuous())
{
cols = cols*rows;
rows = 1;
}
//else
//{
// image = image.clone();
// rows = 1;
// cols = cols*image.rows*chans;
//}
cols *= chans;
for (int i = 0; i < rows; i++)
{
uchar* inData = image.ptr<uchar>(i);
uchar* outData = outImage.ptr<uchar>(i);
for (int j = 0; j < cols; j += chans)
{
outData[j] = 10 + inData[j];//B
outData[j + 1] = 10 + inData[j + 1];//G
outData[j + 2] = 10 + inData[j + 2];//R
//outData[j + 3] = 10 + inData[j + 3];//A
}
}
return outImage;
}
/*避免乘法*/
cv::Mat fast_ergodic2(cv::Mat image) {
int rows = image.rows;
int cols = image.cols;
/*使用常量会比变量快，因此当图像通道确定时，请将chans改为数字常量，如1，3，4等*/
//int chans = image.channels();
cv::Mat outImage = cv::Mat::zeros(image.size(), image.type());
cols *= chans;
for (int i = 0; i < rows; i++)
{
uchar* inData = image.ptr<uchar>(i);
uchar* outData = outImage.ptr<uchar>(i);
for (int j = 0; j < cols; j += chans)
{
outData[j] = 10 + inData[j];//B
outData[j + 1] = 10 + inData[j + 1];//G
outData[j + 2] = 10 + inData[j + 2];//R
//outData[j + 3] = 10 + inData[j + 3];//A
}
}
return outImage;
}
/*一般的指针遍历方法*/
cv::Mat fast_ergodic1(cv::Mat image) {
int rows = image.rows;
int cols = image.cols;
/*使用常量会比变量快，因此当图像通道确定时，请将chans改为数字常量，如1，3，4等*/
//const int chans = image.channels();
cv::Mat outImage = cv::Mat::zeros(image.size(), image.type());
for (int i = 0; i < rows; i++)
{
uchar* inData = image.ptr<uchar>(i);
uchar* outData = outImage.ptr<uchar>(i);
for (int j = 0; j < cols; j++)
{
outData[j * chans] = 10 + inData[j * chans];//B
outData[j * chans + 1] = 10 + inData[j * chans + 1];//G
outData[j * chans + 2] = 10 + inData[j * chans + 2];//R
//outData[j * chans + 3] = 10 + inData[j * chans + 3];//A
}
}
return outImage;
}
int main() {
string path = "D:\\imageEnhance\\images\\1.jpg";
cv::Mat src = cv::imread(path);
printf("image size = w=%d, h=%d\n", src.cols, src.rows);
cv::Mat image1 = src.clone();
cv::Mat image2 = src.clone();
cv::Mat image3 = src.clone();
cv::Mat image4 = src.clone();
double T0 = static_cast<double>(cv::getTickCount());
cv::Mat outImage1 = fast_ergodic1(image1);
double T1 = static_cast<double>(cv::getTickCount());
cv::Mat outImage2 = fast_ergodic2(image2);
double T2 = static_cast<double>(cv::getTickCount());
cv::Mat outImage3 = fast_ergodic3(image3);
double T3 = static_cast<double>(cv::getTickCount());
cv::Mat outImage4 = fast_ergodic4(image4);
double T4= static_cast<double>(cv::getTickCount());
printf("fast_ergodic1=%3.3fms\n", (T1 - T0) * 1000 / cv::getTickFrequency());
printf("fast_ergodic2=%3.3fms\n", (T2 - T1) * 1000 / cv::getTickFrequency());
printf("fast_ergodic3=%3.3fms\n", (T3 - T2) * 1000 / cv::getTickFrequency());
printf("fast_ergodic4=%3.3fms\n", (T4 - T3) * 1000 / cv::getTickFrequency());
//cv::imshow("src", src); cv::waitKey(30);
//cv::imshow("outImage1", outImage1);
//cv::imshow("outImage2", outImage2);
//cv::imshow("outImage3", outImage3);
//cv::imshow("outImage4", outImage4);
cv::waitKey(0);
}
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。
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();保存Vector数据的方法
#include <vector>
#include<algorithm>
#include <iostream>
#include <string>
#include "opencv2/opencv.hpp"
using namespace std;
using namespace cv;
template<typename _Tp>
void saveVector(FileStorage &fs, vector<_Tp> v,string nodeName) {
fs << nodeName << "["; // 开始时，先输入"["
for (size_t i = 0; i < v.size(); i++)
{
fs << v.at(i);
}
fs << "]";
}
template<typename _Tp>
bool readVector(FileStorage &fs, vector<_Tp> &v, string nodeName) {
FileNode n = fs[nodeName];
if (n.type() != FileNode::SEQ)
{
cout << "err" << endl;
return false;
}
FileNodeIterator it = n.begin(), it_end = n.end();
for (; it != it_end; ++it) {
v.push_back((_Tp)*it);
}
return true;
}
int main()
{
string savePath = "D:\\SmartAlbum\\image1\\data.xml";
vector<string> imageName;
imageName.push_back("image1.jpg");
imageName.push_back("image2.jpg");
imageName.push_back("image3.jpg");
vector<int> level;
level.push_back(1);
level.push_back(2);
level.push_back(3);
FileStorage fw;
string nodeName1 = "imageName";
string nodeName2 = "level";
//将数据写到xml_write.xml文本中 (若已存在该文件,则会清空当前文件内容再写入)
if (fw.open(savePath, FileStorage::WRITE)) {
saveVector<string>(fw, imageName, nodeName1);
saveVector<int>(fw, level, nodeName2);
}
fw.release();
//读取文件内容
vector<string> imageName2;
vector<int> level2;
string readPath = savePath;
FileStorage fr;
if (fr.open(readPath, FileStorage::READ)) {
readVector<string>(fr, imageName2, nodeName1);
readVector<int>(fr, level2, nodeName2);
}
fr.release();
system("pause");
return 0;
}若不未知结点名称，可以直接遍历文件的结点，访问元素，如：
cv::FileStorage pfs(fileToRead, cv::FileStorage::READ);
cv::FileNode fn = pfs.root();
for (cv::FileNodeIterator fit = fn.begin(); fit != fn.end(); ++fit)
{
cv::FileNode item = *fit;
std::string somekey = item.name();//可以获得node的名称
std::cout << somekey << std::endl;
}Mat矩阵的运算，易错的问题
注意Mat矩阵可以进行加减乘除的基本运算，但一个int型的常数和一个Scalar类型的常数进行运算是有区别的，以“+”为例子（也可以用cv::add()代替）
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128Mat和IplImage相互转换
Mat 是OpenCV和C++的接口矩阵类，ImlImage是OpenCV和C语言的接口的结构体，但是C++程序有时候时候还是要用到ImlImage，例如在MFC中的Picture Control显示图片。Mat和IplImage相互转换方法：
//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); https://blog.csdn.net/lijiayu2015/article/details/52438160
Mat::data指针讲解
http://lib.csdn.net/article/opencv/24030
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_64FCfloat: 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
Mat矩阵插入新的矩阵
enum insertType
{
Top = 0,
Bottom = 1,
Left = 2,
Right = 3
};
/*
* cv::Mat src:原始数据矩阵
* cv::Mat inMat：被插入的数据矩阵
* insertType fea_type：插入类型：
Top = 0 //在src矩阵顶部插入矩阵inMat
Bottom = 1 //在src矩阵低部插入矩阵inMat
Left = 2 //在src矩阵左部插入矩阵inMat
Right = 3 //在src矩阵右部插入矩阵inMat
*/
cv::Mat insertMat(cv::Mat src, cv::Mat inMat,insertType type) {
cv::Mat dest= src.clone();
int inNum = 0;
if (type== Top)
{
inNum = inMat.rows;
cv::copyMakeBorder(dest, dest, inNum, 0, 0, 0, cv::BORDER_CONSTANT, cv::Scalar(0, 0, 0, 0));
cv::Rect r(0, 0, dest.cols, inNum);
inMat.copyTo(dest(r));
}else if(type == Bottom)
{
inNum = inMat.rows;
cv::copyMakeBorder(dest, dest, 0, inNum,0, 0, cv::BORDER_CONSTANT, cv::Scalar(0, 0, 0, 0));
cv::Rect r(0, dest.rows - inNum, dest.cols, inNum);
inMat.copyTo(dest(r));
}else if (type == Left)
{
inNum = inMat.cols;
cv::copyMakeBorder(dest, dest, 0, 0, inNum, 0, cv::BORDER_CONSTANT, cv::Scalar(0, 0, 0, 0));
cv::Rect r(0, 0, inNum, dest.rows);
inMat.copyTo(dest(r));
}else if (type == Right)
{
inNum = inMat.cols;
cv::copyMakeBorder(dest, dest, 0, 0, 0, inNum, cv::BORDER_CONSTANT, cv::Scalar(0, 0, 0, 0));
cv::Rect r(dest.cols- inNum, 0, inNum, dest.rows);
inMat.copyTo(dest(r));
}
return dest;
}
颜色空间缩减的方法
cv::Mat CreatTable(int level) {
Mat lookUpTable(1, 256, CV_8UC1);
uchar *p = lookUpTable.data;
int div = 256 / level;
for (size_t i = 0; i < 256; i++)
{
p[i] = (i / div)*div;
}
return lookUpTable;
}
static cv::Mat lookUpTable = CreatTable(64);
void main() {
string p1= "D:\\SmartAlbum\\image1\\B\\B15.jpg";
cv::Mat image1 = cv::imread(p1);
cv::Mat dest;
cv::LUT(image1, lookUpTable2, dest);
cv::waitKey(0);
}YUV444,YUV422,YUV420解释
https://blog.csdn.net/mandagod/article/details/78605586
通常我们用RGB表示一种彩色。计算机系统里的LCD显示的数据就是RGB来表示每个像素的颜色。
而在我们生活里，有黑白电视机与彩色电视机两种，拍摄节目源时不可以用两种不同的摄像机来存放两种图像数据。
所以为了兼容两种电视机，专家就引入YUV格式代替RGB，其中Y表示亮度， U和V表示色差。 黑白电视机只用Y信号， 而彩色电视机可由YUV转换成RGB再显示颜色。
通常我们所用的YUV格式是 ITU-R 的标准 , 也叫YCbCr。YUV是由RGB格式的数据转换得来。
Y Y = 0.299 x R + 0.587 x G + 0.114 x B + 0
U Cb = -0.169 x R - 0.331 x G + 0.499 x B + 128
V Cr = 0.499 x R - 0.418 x G - 0.0813 x B + 128
Y Y = 0.299 x R + 0.587 x G + 0.114 x B + 0
U Cb = -0.169 x R - 0.331 x G + 0.499 x B + 128
V Cr = 0.499 x R - 0.418 x G - 0.0813 x B + 128
YUV4:4:4
其实就是YUV的数据各占用8位， 每个像素都由YUV组成
同一行的相邻4个像素数据: Y0U0V0 Y1U1V1 Y2U2V2 Y3U3V3
存储时: Y0 U0 V0 Y1 U1 V1 Y2 U2 V2 Y3 U3 V3 //即每个像素YUV的数据都会存放起来
为什么叫4:4:4 , 意思就是4个像素里的数据有4个Y， 4个U, 4个V
YUV4:2:2
其实绝大部分相邻的两个像素，数据差异应不大。所以为了节点空间便于存储，丢失每个像素的部分数据。
专家研究表明我们人对亮度比较敏感，而对色彩不怎么敏感。所以每个像素的亮度Y数据是绝对不动的，而色差数据可以进行丢弃。
同一行的相邻4个像素数据: Y0U0V0 Y1U1V1 Y2U2V2 Y3U3V3
存储时: Y0 U0 Y1 V1 Y2 U2 Y3 V3 // 每两个相邻的像素， 一个丢弃V数据，一个丢弃U数据
为什么叫4:2:2, 意思就是相邻的4个像素里有4个Y， 2个U， 2个V。 按上面存储的顺序也叫YUYV.
但还原成RGB数据必须需要YUV, 像第一个像素只有Y0U0是没法还原的，这时只能用下一像素的V1数据。
还原时的YUV： [Y0U0V1] [Y1U0V1] [Y2U2V3] [Y3U2V3] //这样还原理论上会对图像的质量有影响的，但我们看不出来的.
YUV4:2:0
专家们进一步研究表示，每一行的相邻两个像素与下一行同位置的两个像素数据差异不大，可以进一步的丢数据。
如两行的像素数据：
Y00U00V00 Y01U01V01 Y02U02V02 Y03U03V03 ....
Y88U88V88 Y89U89V89 Y90U90V90 Y91U91V91 ....
存储时： Y00U00 Y01 Y02U02 Y03 //每个像素的Y数据保留， 两个像素数据只保留一个U数据。这一行不保留V数据(YUV: 420)
Y88V88 Y89 Y90V90 Y91 // .... 两个像素数据只保留一个V数据， 这行不保留U数据(YUV: 402)
还原时只能相同位置的上下两行4个像素结合还原:
Y00U00V88 Y01U00V88 Y02U02V90 Y03U02V90
Y88U00V88 Y89U00V88 Y90U02V90 Y91U02V90
yuv数据还分成打包的，平面的。
打包的意思是： yuv数据是顺序存放Y，接着U，再接着V数据存放。
平面的意思是： yuv数据是分成三个地方存放， 一个地方只存Y数据， 一个只存U数据， 一个只存V数据
4300
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
