图像滤镜的一些加速和改进--笔记

原文:http://blog.csdn.net/zwlq1314521/article/details/50455782

滤镜有很多开源代码包,imageshop,tinyimage,还有安卓的源码包,看过安卓的源码包,感觉还有很大的提升空间.

http://blog.csdn.NET/jingwen3699/article/details/7770287  这个博客有介绍,看看你就知道,至少针对图像遍历像素有很多加速的方法可用.

列出我整理出的速度最快的几个,基于OpenCV

[cpp]  view plain  copy
  1. /*adjust brightness and contract 
  2. 查找表 
  3.  */  
  4. void cast_LUT(const cv::Mat& src, cv::Mat& dst,unsigned char(&r_lookup)[256],unsigned char(&g_lookup)[256],  
  5.                  unsigned char(&b_lookup)[256],IMAGE_CHANNELMODE mode)  
  6. {  
  7.     uchar* srcData = src.data;  
  8.     if(dst.empty()){  
  9.     dst.create(src.size(),src.type());  
  10.     }  
  11.     uchar* dstData = dst.data;  
  12.     int size = src.rows * src.cols * 3;  
  13.     switch (mode){  
  14.     case IMAGE_CHANEL_RGB:  
  15.     {  
  16. //经测试,这种遍历像素的方法时最快的,而且比较安全  
  17.  for (int i = 0; i < size-3; i+=3)  
  18.             {  
  19.   
  20.                 dstData[i] = b_lookup[srcData[i]];  
  21.                 dstData[i+1] = g_lookup[srcData[i+1]];  
  22.                 dstData[i+2] = r_lookup[srcData[i+2]];  
  23.   
  24.         }  
  25.          break;  
  26.     }  
  27.     case IMAGE_CHANEL_B:  
  28.     {  
  29.         for (int i = 0; i < size-3; i+=3)  
  30.             {  
  31.                 dstData[i] = b_lookup[srcData[i]];  
  32.         }  
  33.         break;  
  34.     }  
  35.     case IMAGE_CHANEL_G:  
  36.     {  
  37.         for (int i = 0; i < size-3; i+=3)  
  38.             {  
  39.                 dstData[i] = g_lookup[srcData[i+1]];  
  40.         }  
  41.         break;  
  42.     }  
  43.     case IMAGE_CHANEL_R:  
  44.     {  
  45.         for (int i = 0; i < size-3; i+=3)  
  46.             {  
  47.                 dstData[i] = r_lookup[srcData[i+2]];  
  48.         }  
  49.         break;  
  50.     }  
  51.   
  52.     }  
  53.   
  54. }  

[cpp]  view plain  copy
  1. //这个是利用opencv里的LUT查找表来实现的亮度和对比度调节  
  2. void adjustBrightContract(const cv::Mat &src, cv::Mat &dst, float brightFactor, float contractFactor)  
  3. {  
  4.     IMAGE_ASSERT_VOID(brightFactor >= -1.0 && brightFactor <= 1.0);  
  5.     IMAGE_ASSERT_VOID(contractFactor >= -1.0 && contractFactor <= 1.0);  
  6.     float delta = 1 + brightFactor;  
  7.   
  8.     float beta = 1 + contractFactor;  
  9.     cv::Mat lookup(1,256,CV_8UC1);  
  10.     uchar* pData = lookup.data;  
  11. //生成查找表  
  12.  for(int i = 0;i < 256;i++)  
  13.     {  
  14.         pData[i] = cv::saturate_cast<uchar>(i * delta);//bright  
  15.         pData[i] = cv::saturate_cast<uchar>(thresholdc + (i - thresholdc) * beta);//contract  
  16.     }  
  17.     cv::LUT(src,lookup,dst);  
  18. }  
  19. //接下来时自动色阶的  
  20. void adjustcolorLevel(cv::Mat& src,cv::Mat& dst,int blackThreshold,int whiteThreshold,float gamma,IMAGE_CHANNELMODE mode)  
  21. {  
  22.     IMAGE_ASSERT_VOID(blackThreshold>= 0 && whiteThreshold>blackThreshold && whiteThreshold<=255);  
  23.     IMAGE_ASSERT_VOID(gamma >= 0.0 && gamma <= 10.0);  
  24.      unsigned char lookup[256];  
  25.    // cv::Mat lookup(1,256,CV_8UC1);  
  26.     uchar*pData = lookup;  
  27.     //smaller than blackThreshold will be set to 0  
  28.     for (int i = 0; i < blackThreshold; i ++)  
  29.     {  
  30.         pData[i] = 0;  
  31.     }  
  32.    //between using gamma correct  
  33.     float ig = (gamma == 0.0) ? 0.0 : 1 / gamma;  
  34.     float threshold = (float)(whiteThreshold - blackThreshold);  
  35.     for (int i = blackThreshold; i < whiteThreshold; i++)  
  36.     {  
  37.         pData[i] = cv::saturate_cast<uchar>( pow((i-blackThreshold)/threshold,ig)*255);  
  38.     }  
  39.    //big than whiteThreshold will be set to 255  
  40.     for (int i = whiteThreshold; i < 256; i++)  
  41.     {  
  42.         pData[i] = 255;  
  43.     }  
  44. //自己写的LUT  
  45.  cast_LUT(src,dst,lookup,lookup,lookup,mode);  
  46.     //cv::LUT(src,lookup,dst);  
  47. }  
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值