http://blog.csdn.net/zwlq1314521/article/details/45038271
分类：
版权声明：本文为博主原创文章，未经博主允许不得转载。
OpenCV 如何对图像的像素进行操作
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：
- int main()
- {
- string picName="lena.jpg";
- Mat A=imread (picName,CV_LOAD_IMAGE_GRAYSCALE); //读入灰度图像
- uchar table[256]; //映射表，规定了变换前后灰度值的对应关系 table[gray_value_before]=gray_value_after
- for (int i=0;i<256;i++)
- {
- table[i]=i/100*100; //这里利用了C++的语言特性i/100只会留下整数部分
- }
- imshow("变换前",A);
- Mat B=ChangeImg (A,table); //变换函数
- imshow ("变换后",B);
- waitKey ();
- return 0;
- }
首先，我们用指针方式对图像的像素点灰度值进行操作：
- Mat ChangeImg(Mat &img,const uchar* table)
- {
- CV_Assert(img.depth ()!=sizeof(uchar)); //声明只对深度8bit的图像操作
- int channels=img.channels (); //获取图像channel
- int nrows=img.rows; //矩阵的行数
- int ncols=img.cols*channels; //矩阵的总列数=列数*channel分量数
- if (img.isContinuous ()) //判断矩阵是否连续，若连续，我们相当于只需要遍历一个一维数组
- {
- ncols*=nrows;
- nrows=1; //一维数组
- }
- //遍历像素点灰度值
- for (int i=0;i<nrows;i++)
- {
- uchar *p=img.ptr<uchar>(i); //获取行地址
- for (int j=0;j<ncols;j++)
- {
- p[j]=table[p[j]]; //修改灰度值
- }
- }
- return img;
- }
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：
- uchar* p = img.data;
- for( unsigned int i =0; i < ncol*nrows; ++i)
- *p++ = table[*p];
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。
- Mat& ScanImageAndReduceIterator(Mat& I, const uchar* const table)
- {
- // accept only char type matrices
- CV_Assert(I.depth() != sizeof(uchar));
- const int channels = I.channels();
- switch(channels)
- {
- case 1:
- {
- MatIterator_<uchar> it, end;
- for( it = I.begin<uchar>(), end = I.end<uchar>(); it != end; ++it)
- *it = table[*it];
- break;
- }
- case 3:
- {
- MatIterator_<Vec3b> it, end;
- for( it = I.begin<Vec3b>(), end = I.end<Vec3b>(); it != end; ++it)
- {
- (*it)[0] = table[(*it)[0]];
- (*it)[1] = table[(*it)[1]];
- (*it)[2] = table[(*it)[2]];
- }
- }
- }
- return I;
- }
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：
- for (int i=0;i<img.rows;i++)
- {
- const Vec3b* Mpoint=img.ptr <Vec3b>(i);
- for (int j=0;j<img.cols;j++)
- {
- Vec3b intensity=*(Mpoint+j);
- cout<<"R:"<<int(intensity[2])<<" G"<<int(intensity[1])<<" B"<<int(intensity[0])<<" ";
- }
- cout<<endl;
- }
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。
- int main()
- {
- string picName="lena.jpg";
- Mat A=imread (picName,CV_LOAD_IMAGE_GRAYSCALE); //读入灰度图像
- Mat lookUpLut(1,256,CV_8UC1); //建立一个256个元素的映射表
- imshow ("变换前",A);
- for (int i=0;i<256;i++)
- {
- lookUpLut.at<uchar>(i)=i/100*100;
- }
- Mat B;
- LUT (A,lookUpLut,B);
- imshow ("变换后",B);
- waitKey ();
- return 0;
- }
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 |
2063
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
