opencv学习笔记之像素处理

---

前言

记录opencv有关像素操作的一些函数和功能

一、多通道的分离合并

多通道分离函数split（）

形式1：

void split(const Mat & scr,Mat * mvbegin)

scr：待分离的多通道图像

mvbegin：分离后的单通道图像，为数组形式，数组大小需要与图像的通道数相同

形式2：

void split(InputArray m,OutputArrayOfArrays mv)

m：待分离的多通道图像

mv：分离后的单通道图像，为向量（vector）形式

对比：形式1的第二个参数输出一个Mat型的数组，并且数组长度要与图像的通道数相同并且提前定义。

形式2的第二个参数输出一个vector<Mat>容器，不需要知道多通道图像的通道数。

多通道合并函数merge（）

形式1：

void merge(const Mat * mv,size_t count,OutputArray dst)

mv（第一种重载原型参数）：需要合并的图像数组，其中每个图像必须拥有相同的尺寸和数据类型

count：输入的图像数组的长度，其数值必须大于0

dst：合并输出后的图像，与mv[0]具有相同的尺寸和数据类型，通道数等于所有输入图像的通道数总和

形式2：

void merge(InputArrayOfArrays mv,OutputArray dst)

mv（第二种重载原型参数）：需要合并的图像向量（vector），其中每个图像必须拥有相同的尺寸和数据类型

dst：合并输出后的图像，与mv[0]具有相同的尺寸和数据类型，通道数等于所有输入图像的通道数总和

示例程序：

#include<opencv2\opencv.hpp>  //加载OpenCV4的头文件
#include<iostream>
#include<vector>
using namespace std;
using namespace cv; //OpenCV命名空间

int main()
{
	Mat img = imread("lena.jpg");
	if (img.empty())
	{
		cout << "请确认图像文件名称是否正确" << endl;
		return -1;
	}
	Mat HSV;
	cvtColor(img, HSV, COLOR_RGB2HSV); //RGB图像模型转HSV
	Mat imgs0, imgs1, imgs2;  //用于存放数组类型的结果
	Mat imgv0, imgv1, imgv2;  //用于存放vector类型的结果
	Mat result0, result1, result2;  //多通道合并的结果
	Mat imgs[3];
	split(img, imgs);  //将img图像的3个通道分别存放到imgs数组中
	imgs0 = imgs[0];
	imgs1 = imgs[1];
	imgs2 = imgs[2];
	imshow("RGB-B通道", imgs0);  //显示分离后B通道的像素值
	imshow("RGB-G通道", imgs1);  //显示分离后G通道的像素值
	imshow("RGB-R通道", imgs2);  //显示分离后R通道的像素值
	imgs[2] = img;  //将R通道变成完整的RGB三通道模式，是的数组中图像的通道数不一致
	merge(imgs, 3, result0);  //合并图像
	//imshow("result0",result0);  //imshow最多显示4个通道，因此结果在Image Watch中查看
	Mat zero = zero.zeros(img.rows, img.cols, CV_8UC1);  //构建一个全为0的矩阵
	imgs[0] = zero;
	imgs[2] = zero;
	merge(imgs, 3, result1);  //用于还原G通道的真实情况，合并结果为绿色
	imshow("result1", result1);  //显示合并结果

	//输入vector参数的多通道分离与合并
	vector<Mat> imgv;
	split(HSV, imgv);  //第二个参数为vector
	imgv0 = imgv.at(0);
	imgv1 = imgv.at(1);
	imgv2 = imgv.at(2);
	imshow("HSV-H通道", imgv0);  //显示分离后H(色度)通道的像素值
	imshow("HSV-S通道", imgv1);  //显示分离后S(饱和度)通道的像素值
	imshow("HSV-V通道", imgv2);  //显示分离后V(亮度)通道的像素值
	imgv.push_back(HSV);  //将vector中的图像通道数变成不一致
	merge(imgv, result2);  //合并图像
	//imshow("result2",result2);  //imshow最多显示4个通道，因此结果在Image Watch中查看
	waitKey(0);
	return 0;  //程序结束
}

imgs0（B通道）：

imgs1（G通道）：

imgs2（R通道）：

result0（总共5个通道）:

看起来还有点酷

result1（只显示绿色G通道）：

result2（HSV模型下的5通道图像）：

二、图像像素统计

计算图像的平均值和标准差

形式1：

mean(InputArray src,InputArray mask=noArray())

src：待求平均值的图像矩阵

mask：用于标记求取哪些区域的平均值

可以求取的图像通道数为1~4，该函数返回一个Scalar类型的变量，通过Scalar[n]来查看第n个通道的平均值。

形式2：

meanStdDev(InputArray src,OutputArray mean,OutputArray stddev,InputArray mask=noArray())

src：待求平均值的图像矩阵

mean：图像每个通道的平均值，参数为Mat类型变量

stddev：图像每个通道的标准差，参数为Mat类型变量

mask：用于标记求取哪些区域的平均值和标准差

该函数没有返回值，因为返回的内容在传入的参数中，第二个参数是平均值，第三个参数是标准差

图像的平均值越大，图像整体越亮；图像的标准差越大，图像中明暗的对于越明显

如果对Scalar类型想有更深入的理解，推荐这位博主的博客：OpenCV学习笔记（3）——Scalar数据类型理解_Lavi的专栏-CSDN博客_scalar

来一个示例程序：

#include<opencv2\opencv.hpp>  //加载OpenCV4的头文件
#include<iostream>
#include<vector>
using namespace std;
using namespace cv; //OpenCV命名空间

int main()
{
	system("color F0");  //更改界面输出颜色
	float a[12] = { 1,2,3,4,5,10,6,7,8,9,10,0 };
	Mat img = Mat(3, 4, CV_32FC1, a);  //单通道矩阵，3*4
	Mat imgs = Mat(2, 3, CV_32FC2, a);  //多通道矩阵,2*3*2
	cout << "/* 用mean求取图像的平均值 */" << endl;
	Scalar myMean;
	myMean = mean(imgs);
	cout << "imgs平均值=" << myMean << endl;  //输出格式为[0,0,0,0]分别对应第一，二，三，四通道
	cout << "imgs第一个通道的平均值=" << myMean[0] <<"		"<< "imgs第二个通道的平均值=" << myMean[1] << endl;
	cout << "/* 用meanStdDev同时求取图像的平均值和标准差 */"<<endl;
	Mat myMeanMat, myStddevMat;
	meanStdDev(img, myMeanMat, myStddevMat);  //平均值和标准差
	cout << "img平均值=" << myMeanMat << endl;
	cout << "img标准差=" << myStddevMat << endl;
	meanStdDev(imgs, myMeanMat, myStddevMat);
	cout << "imgs平均值=" << myMeanMat << endl;
	cout << "imgs标准差=" << myStddevMat << endl;
	return 0;  //程序结束
}

根据输出结果可以看出，如果不对某一通道进行针对性输出，那么输出的格式就为[0,0,0,0]格式，分别对应第一，二，三，四通道。

感谢阅读！
也欢迎大家关注小白博主，多多鼓励一下！