OpenCV 如何对图像的像素进行操作
转载自:http://blog.csdn.net/zwlq1314521/article/details/45038271
对图像的像素进行操作,我们可以实现空间增强,反色,大部分图像特效系列都是基于像素操作等目的。先来看一下内存空间中图像矩阵,也就是Mat的矩阵数值部分是怎么存储的:
如果图像是一幅灰度图像,他就像这样,从左到右,从上到下,依次是矩阵的每一行每一列,这时候矩阵M(i,j)的值自然就是当前点的灰度值了。
而对于一幅彩色图像,由于它的像素分量channel并不是一个,所以每一列又分为了几个channel。拿常见的RGB图像来说,就像这样:
从这张图上,就可以比较清楚地看出来在内存中矩阵是如何存储多channel图像的了。这里要注意的是在RGB模型中,每一个子列依次为BGR,也就是正好是颠倒的,第一个分量是蓝色,第二个是绿色,第三个是红色。
清楚了图像在内存中的存储方式,我们也就可以来进行像素值的操作了。在这里,我们举这样一个例子。我们对一幅灰度图像的灰度值进行变换:
小于100的灰度值被统一映射为0;100到200之间的灰度值被映射为100;大于200的灰度值被映射为200.
主函数如下:
首先,我们用指针方式对图像的像素点灰度值进行操作:
这里,我们获取了每一行开始处的指针,然后遍历至该行末尾。如果矩阵是以连续方式存储的,我们只需请求一次指针、然后一路遍历下去就行。彩色图像的情况有必要加以注意:因为三个通道的原因,我们需要遍历的元素数目也是3倍。
或者,我们可以使用data。data会从Mat中返回指向矩阵第一行第一列的指针。注意如果该指针为NULL则表明对象里面无输入,所以这是一种简单的检查图像是否被成功读入的方法。当矩阵是连续存储时,我们就可以通过遍历 data 来扫描整个图像。例如,一个灰度图像,其操作如下:
或者,更安全的方法,我们可以使用迭代器。在迭代法中,所需要做的仅仅是获得图像矩阵的begin和end,然后增加迭代直至从begin到end。将*操作符添加在迭代指针前,即可访问当前指向的内容。
注意,在这里对3通道的图像进行操作的时候,使用到了Vec3b。Vec3b作为一个对三元向量的数据结构,用在这里正好是能够表示RGB的三个分量。如果对于彩色图像,仍然用uchar的话,则只能获得3通道中的B分量。比如我们可以这样打印出图像的RGB三个分量:
这里使用指针,当然也可以使用上面的迭代器。
然而,OpenCV里面已经有了相应函数可以让我们更加方便地对像素进行操作,那便是LUT函数,而且推荐使用OpenCV的内建函数,因为已经针对芯片做了优化设计,使得速度有很大提升。
函数原型为:void LUT(InputArray src, InputArray lut, OutputArray dst, int interpolation=0 )
实现的映射关系如下所示:
也就是说比如原来src中值为1会映射为table[1]所对应的值再加上d。
所以上面的操作,我们其实只需要使用LUT函数就可以了。结合我们自己设计的table表,就能够实现对图像的操作。
下面的图就是效果啦~~~
参考 http://www.xuebuyuan.com/1730735.html
补充:我们得出一些结论: 尽量使用 OpenCV 内置函数. 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,下面的opencv矩阵操作均是优化的多线程并行处理,较高效
OpenCV - Operations on Arrays 对数组(矩阵)的一些操作 | |
Function (函数名) | Use (函数用处) |
Author : Ggicci QQ : 771017478 / 854032390(prefer) 转载请注明出处! | |
add | 矩阵加法,A+B的更高级形式,支持mask |
scaleAdd | 矩阵加法,一个带有缩放因子dst(I) = scale * src1(I) + src2(I) |
addWeighted | 矩阵加法,两个带有缩放因子dst(I) = saturate(src1(I) * alpha + src2(I) * beta + gamma) |
subtract | 矩阵减法,A-B的更高级形式,支持mask |
multiply | 矩阵逐元素乘法,同Mat::mul()函数,与A*B区别,支持mask |
gemm | 一个广义的矩阵乘法操作 |
divide | 矩阵逐元素除法,与A/B区别,支持mask |
abs | 对每个元素求绝对值 |
absdiff | 两个矩阵的差的绝对值 |
exp | 求每个矩阵元素 src(I) 的自然数 e 的 src(I) 次幂 dst[I] = esrc(I) |
pow | 求每个矩阵元素 src(I) 的 p 次幂 dst[I] = src(I)p |
log | 求每个矩阵元素的自然数底 dst[I] = log|src(I)| (if src != 0) |
sqrt | 求每个矩阵元素的平方根 |
min, max | 求每个元素的最小值或最大值返回这个矩阵 dst(I) = min(src1(I), src2(I)), max同 |
minMaxLoc | 定位矩阵中最小值、最大值的位置 |
compare | 返回逐个元素比较结果的矩阵 |
bitwise_and, bitwise_not, bitwise_or, bitwise_xor | 每个元素进行位运算,分别是和、非、或、异或 |
cvarrToMat | 旧版数据CvMat,IplImage,CvMatND转换到新版数据Mat |
extractImageCOI | 从旧版数据中提取指定的通道矩阵给新版数据Mat |
randu | 以Uniform分布产生随机数填充矩阵,同 RNG::fill(mat, RNG::UNIFORM) |
randn | 以Normal分布产生随机数填充矩阵,同 RNG::fill(mat, RNG::NORMAL) |
randShuffle | 随机打乱一个一维向量的元素顺序 |
theRNG() | 返回一个默认构造的RNG类的对象 theRNG()::fill(...) |
reduce | 矩阵缩成向量 |
repeat | 矩阵拷贝的时候指定按x/y方向重复 |
split | 多通道矩阵分解成多个单通道矩阵 |
merge | 多个单通道矩阵合成一个多通道矩阵 |
mixChannels | 矩阵间通道拷贝,如Rgba[]到Rgb[]和Alpha[] |
sort, sortIdx | 为矩阵的每行或每列元素排序 |
setIdentity | 设置单元矩阵 |
completeSymm | 矩阵上下三角拷贝 |
inRange | 检查元素的取值范围是否在另两个矩阵的元素取值之间,返回验证矩阵 |
checkRange | 检查矩阵的每个元素的取值是否在最小值与最大值之间,返回验证结果bool |
sum | 求矩阵的元素和 |
mean | 求均值 |
meanStdDev | 均值和标准差 |
countNonZero | 统计非零值个数 |
cartToPolar, polarToCart | 笛卡尔坐标与极坐标之间的转换 |
flip | 矩阵翻转 |
transpose | 矩阵转置,比较 Mat::t() AT |
trace | 矩阵的迹 |
determinant | 行列式 |A|, det(A) |
eigen | 矩阵的特征值和特征向量 |
invert | 矩阵的逆或者伪逆,比较 Mat::inv() |
magnitude | 向量长度计算 dst(I) = sqrt(x(I)2 + y(I)2) |
Mahalanobis | Mahalanobis距离计算 |
phase | 相位计算,即两个向量之间的夹角 |
norm | 求范数,1-范数、2-范数、无穷范数 |
normalize | 标准化 |
mulTransposed | 矩阵和它自己的转置相乘 AT * A, dst = scale(src - delta)T(src - delta) |
convertScaleAbs | 先缩放元素再取绝对值,最后转换格式为8bit型 |
calcCovarMatrix | 计算协方差阵 |
solve | 求解1个或多个线性系统或者求解最小平方问题(least-squares problem) |
solveCubic | 求解三次方程的根 |
solvePoly | 求解多项式的实根和重根 |
dct, idct | 正、逆离散余弦变换,idct同dct(src, dst, flags | DCT_INVERSE) |
dft, idft | 正、逆离散傅立叶变换, idft同dft(src, dst, flags | DTF_INVERSE) |
LUT | 查表变换 |
getOptimalDFTSize | 返回一个优化过的DFT大小 |
mulSpecturms | 两个傅立叶频谱间逐元素的乘法 |