1 图像在内存之中的存储方式
图像矩阵的大小取决于所用的颜色模型,确切地说,取决于所用通道数 。 如果是灰度图像,矩阵就会如图所示。
而对多通道图像来说,矩阵中的列会包含多个子列,其子列个数与通道数相等。例如 ,如图所示RGB 颜色模型的矩阵 。
三通道:R:(8位),G:(8位),B:(8位)
可以看到, OpenCV 中子列的通道顺序是反过来的—-BGR 而不是 RGB 。很多情况下 , 因为内存足够大,可实现连续存储,因此 ,图像中的各行就能一行一行地连接起来,形成一个长行 。 连续存储有助于提升图像扫描速度,我们可以使用 isContinuous()来判断矩阵是否是连续存储的 。
2 颜色空问缩减
- 单通道:用8位表示
- 3通道:用24位表示
三通道图像,这种存储格式的颜色数有六百多万种 。用如此之多的颜色来进行处理 , 可能会对我们的算法性能造成严重影响 。
其实,仅用这些颜色中具有代表性的很小的部分,就足以达到同样的效果。
如此,颜色空间缩减 (color space reduction ) 便可以派上用场了,它在很多应用中可以大大降低运算复杂度 。 颜色空间缩减的做法是 : 将现有颜色空间值除以某个输入值,以获得较少的颜色数 。 也就是 “做减法”,比如颜色值 0 到 9 可取为新值 0, 10 到 19 可取为 10, 以此类推 。
如 uchar 类型的三通道图像,每个通道取值可以是 0~255, 于是就有 256X256X256个不同的值 。 我们可以定义:
0 ~ 9 范围的像素值为 0;
10~ 19 范围的像素值为 10;
20~ 29 范围的像素值为 20 。
这样的操作将颜色取值降低为 26X26X26 种情况。这个操作可以用一个简单的公式来实现 。 因为 C++ 中 int 类型除法操作会自动截余。例如 lold= l4 ;lnew=(lold/10) * 10=( 14 / 10)* 10= 1 * 10= 10;
在处理图像像素时 , 每个像素需要进行一遍上述计算,也需要一定的时间花销 。 但我们注意到其实只有 0~255 种像素,即只有 256 种情况。进一步可以把 256 种计算好的结果提前存在表中 table 中,这样每种情况不需计算,直接从 table中取结果即可。
int divideWith=l0;
uchar table[256] ;
for (int i = 0; i < 256; ++i)
table[i] = divideWith * (i/ divideWith) ;
于是 table[i]存放的是值为 i 的像素减小颜色空间的结果,这样也就可以理解上述方法中的操作:
p[j] = table[p[j]];
这样,简单的颜色空间缩减算法就可由下面两步组成 :
(1) 遍历图像矩阵的每一个像素;
(2) 对像素应用上述公式 。
改进:
上述做法虽然减少了颜色值,但是在存储上还是用了24位,如果我们要用16位表示改怎么办?
如R:(4位),G:(6位),B:(6位)
则改为下面的运算:
unsigned short R_table[256] ;//红色
for (int i = 0; i < 256; ++i)
R_table[i] = (i >> 4) << 12;//先左移4位去掉余数,再左移12位
unsigned short G_table[256] ;//绿色
for (int i = 0; i < 256; ++i)
G_table[i] = (i >> 2) << 6;//先右移2位去掉余数,再左移6位
unsigned short B_table[256] ;//蓝色
for (int i = 0; i < 256; ++i)
B_table[i] = i >> 2;//先右移2位去掉余数,再左移0位
取数为:
unsigned short rgb;//16位数
rgb = (R_table[ r[j] ] || G_table[ g[j] ] || B_table[ b[j] ]);
3 LUT 函数: Look up table 操作
对于上文提到的 Look up table 操作, OpenCV 官方文档 中强烈推荐我们使用个原型为 operationsOnArrays:LUT()<lut>的函数来进行。它用于批量进行图像元素查找、 扫描与操作 图像。其使用方法如下:
//首先我们建立一个 mat 型用于查表
Mat lookUpTable(l , 256, CV_8U) ;
uchar* p = lookUpTable.data;
for (int i = 0; i < 256; ++i)
p[i] = table[i];
//然后我们调用函数 (I是输入,J是输出)
for (int i = 0 ; 1. < times; ++i)
LUT(I , lookUpTable , J);
4 计时函数
另外有个问题是如何计时 。 可以利用这两个简便的计时函数一一getTickCount()和 getTickFrequency() 。
- getTickCount()函数返回 CPU 自某个事件(如启动电脑 ) 以来走过的时钟周期数
- getTickFrequency()函数返回 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 。
这两个函数组合起来使用的示例如下 。不过我们一般不会使用这个函数,操作系统有专门的时间函数。
double time0 = static_cast<double>(getTickCount()) ; //记录起始时间
//进行 图像处理操作……
time0 = ((double ) getTickCount() - time0) /getTickFrequency() ;
cout<< " 此方法运行时间为: " <<time0<< " 秒 " << endl ;//输出运行时间
5 访问图像中像素的三类方法
任何图像处理算法,都是从操作每个像素开始的。即使我们不会使用 OpenCV提供的各种图像处理函数 , 只要了解了图像处理算法的基本原理 , 也可以写出具有相同功能的程序 。 在 OpenCV 中,提供了三种访问每个像素的方法。
• 方法一 指针访问:C 操作符[ ]
• 方法二 迭代器 iterator
• 方法三 动态地址计算
这三种方法在访问速度上略有差异。 debug 模式下 ,这种差异非常明显 , 不过在 release 模式下,这种差异就不太明显了 。 我们通过一组程序来说明这几种方法。程序的目的是减少图像中颜色的数量,比如原来的 图像是是 256 种颜色,我们希望将它变成 64 种颜色,那只需要将原来的颜色除以 4 (整除)以后再乘以 4就可以了 。
将要使用的主程序代码如下 。
/***头文件包含部分***/
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp"
#include <iostream>
#include <ctime>
/***命名空间声明部分***/
using namespace cv;
using namespace std;
int main( )
{
//【1】创建原始图并显示
Mat srcImage = imread("D:\\QT\\project\\opencv_qtcreaor\\4_2\\4_2\\image1.jpg");
namedWindow("原始图像");
imshow("原始图像",srcImage);
//【2】按原始图的参数规格来创建创建效果图
Mat dstImage;
dstImage.create(srcImage.rows,srcImage.cols,srcImage.type());//效果图的大小、类型与原图片相同
//【3】记录起始时间
double time0 = static_cast<double>(getTickCount());
//【4】调用颜色空间缩减函数
colorReduce(srcImage,dstImage,32);
//【5】计算运行时间并输出
time0 = ((double)getTickCount() - time0)/getTickFrequency();
cout <<"此方法运行时间为: "<<time0<<"秒"<<endl; //输出运行时间
//【6】显示效果图
namedWindow("效果图");
imshow("效果图",dstImage);
waitKey(0);
}
1. 【方法一 】用指针访问像素
用指针访问像素的这种方法利用的是 C 语言中的操作符[ ] 。这种方法最快,但是略有点抽象。实验条件下单次运行时间为 0.00665378 。
//使用【指针访问:C操作符[ ]】方法版的颜色空间缩减函数
void colorReduce(Mat& inputImage, Mat& outputImage, int div)
{
//参数准备
outputImage = inputImage.clone(); //拷贝实参到临时变量
int rowNumber = outputImage.rows; //行数
int colNumber = outputImage.cols*outputImage.channels(); //列数 x 通道数=每一行元素的个数
//双重循环,遍历所有的像素值
for(int i = 0;i < rowNumber;i++) //行循环
{
uchar* data = outputImage.ptr<uchar>(i); //获取第i行的首地址
for(int j = 0;j < colNumber;j++) //列循环
{
// ---------【开始处理每个像素】-------------
data[j] = data[j]/div*div + div/2;
// ----------【处理结束】---------------------
} //行处理结束
}
}
运行结果:
此方法运行时间为: 0.00657968 秒
2. 【 方法二 】 用迭代器操作像素
第二种方法为用迭代器操作像素 , 这种方法与 STL 库的用法类似。
在迭代法中 , 我们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 。相比用指针直接访问可能出现越界问题,迭代器绝对是非常安全的方法 。
//描述:使用【迭代器】方法版的颜色空间缩减函数
void colorReduce2(Mat& inputImage, Mat& outputImage, int div)
{
//参数准备
outputImage = inputImage.clone(); //拷贝实参到临时变量
//获取迭代器
Mat_<Vec3b>::iterator it = outputImage.begin<Vec3b>(); //初始位置的迭代器
Mat_<Vec3b>::iterator itend = outputImage.end<Vec3b>(); //终止位置的迭代器
//存取彩色图像像素
for(;it != itend;++it)
{
// ------------------------【开始处理每个像素】--------------------
(*it)[0] = (*it)[0]/div*div + div/2;
(*it)[1] = (*it)[1]/div*div + div/2;
(*it)[2] = (*it)[2]/div*div + div/2;
// ------------------------【处理结束】----------------------------
}
}
运行结果:
此方法运行时间为: 0.0333115 秒
3 . 【 方法三 】 动态地址计算
第三种方法为用动态地址计算来操作像素。下而是使用动态地址运算配合 at方法的 colorReduce 函数的代码 。这种方法简洁明了 , 符合大家对像素的直观认识。
//描述:使用【动态地址运算配合at】方法版本的颜色空间缩减函数
void colorReduce3(Mat& inputImage, Mat& outputImage, int div)
{
//参数准备
outputImage = inputImage.clone(); //拷贝实参到临时变量
int rowNumber = outputImage.rows; //行数
int colNumber = outputImage.cols; //列数
//存取彩色图像像素
for(int i = 0;i < rowNumber;i++)
{
for(int j = 0;j < colNumber;j++)
{
// ------------------------【开始处理每个像素】--------------------
outputImage.at<Vec3b>(i,j)[0] = outputImage.at<Vec3b>(i,j)[0]/div*div + div/2; //蓝色通道
outputImage.at<Vec3b>(i,j)[1] = outputImage.at<Vec3b>(i,j)[1]/div*div + div/2; //绿色通道
outputImage.at<Vec3b>(i,j)[2] = outputImage.at<Vec3b>(i,j)[2]/div*div + div/2; //红是通道
// -------------------------【处理结束】----------------------------
} // 行处理结束
}
}
运行结果:
此方法运行时间为: 0.0204504 秒
Mat 类中的 cols 和 rows 给出了图像的宽和高。而成员函数 at ( int y, int x )可以用来存取图像元素 ,但是必须在编译期知道图像的数据类型 。需要注意的是 ,我们一定要确保指定 的数据类型要和矩阵中 的数据类型相符合,因为at 方法本身不会对任何数据类型进行转换 。
对于彩色图像,每个像素由三个部分构成:蓝色通道 、 绿色通道和红色通道( BGR ) 。因此 , 对于一个包含彩色图像 的 Mat , 会返回一个由 三 个 8 位数组成 的向量。 OpenCV 将此类型 的向量定义为 Vec3b, 即 由三个 unsigned char 组成的向扯。这也解释了为什么存取彩色图像像素的代码可以写出如下形式 :
image.at<VecJb>(j , i) [channel]=value;
其中 , 索引值 channel 标明了颜色通道号。另外需要再次提醒大家的是 , OpenCV 中的彩色图像不是以 RGB 的顺序存放的 ,而是 BGR , 所以程序中的 outputlmage.at<Vec3b>(i, j)[0]代表的是该点 的 B 分量。同理还有(*it)[0] 。