【OpenCV】访问Mat中每个像素的值(新)

在《OpenCV 2 Computer Vision Application Programming Cookbook》看到的例子,非常不错,算是对之前的文章<访问Mat图像中每个像素的值>的回顾和补充。

Color Reduce

还是使用经典的Reduce Color的例子,即对图像中的像素表达进行量化。如常见的RGB24图像有256×256×256中颜色,通过Reduce Color将每个通道的像素减少8倍至256/8=32种,则图像只有32×32×32种颜色。假设量化减少的倍数是N,则代码实现时就是简单的value/N*N,通常我们会再加上N/2以得到相邻的N的倍数的中间值,最后图像被量化为(256/N)×(256/N)×(256/N)种颜色。

方法零:.ptr和[]操作符

Mat最直接的访问方法是通过.ptr<>函数得到一行的指针,并用[]操作符访问某一列的像素值。

// using .ptr and []
void colorReduce0(cv::Mat &image, int div=64) {
	  int nr= image.rows; // number of rows
	  int nc= image.cols * image.channels(); // total number of elements per line
      for (int j=0; j<nr; j++) {
		  uchar* data= image.ptr<uchar>(j);
          for (int i=0; i<nc; i++) {
                  data[i]= data[i]/div*div + div/2;
            }                  
      }
}


方法一:.ptr和指针操作

除了[]操作符,我们可以移动指针*++的组合方法访问某一行中所有像素的值。

// using .ptr and * ++ 
void colorReduce1(cv::Mat &image, int div=64) {
	  int nr= image.rows; // number of rows
	  int nc= image.cols * image.channels(); // total number of elements per line
      for (int j=0; j<nr; j++) {
		  uchar* data= image.ptr<uchar>(j);
          for (int i=0; i<nc; i++) {
				 *data++= *data/div*div + div/2;
            } // end of row                 
      }
}


方法二:.ptr、指针操作和取模运算

方法二和方法一的访问方式相同,不同的是color reduce用模运算代替整数除法

// using .ptr and * ++ and modulo
void colorReduce2(cv::Mat &image, int div=64) {
	  int nr= image.rows; // number of rows
	  int nc= image.cols * image.channels(); // total number of elements per line
      for (int j=0; j<nr; j++) {
		  uchar* data= image.ptr<uchar>(j);
          for (int i=0; i<nc; i++) {
			      int v= *data;
                  *data++= v - v%div + div/2;
            } // end of row                 
      }
}


方法三:.ptr、指针运算和位运算

由于进行量化的单元div通常是2的整次方,因此所有的乘法和除法都可以用位运算表示。

// using .ptr and * ++ and bitwise
void colorReduce3(cv::Mat &image, int div=64) {
	  int nr= image.rows; // number of rows
	  int nc= image.cols * image.channels(); // total number of elements per line
	  int n= static_cast<int>(log(static_cast<double>(div))/log(2.0));
	  // mask used to round the pixel value
	  uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0
      for (int j=0; j<nr; j++) {
		  uchar* data= image.ptr<uchar>(j);
          for (int i=0; i<nc; i++) {
            *data++= *data&mask + div/2;
            } // end of row                 
      }
}


方法四:指针运算

方法四和方法三量化处理的方法相同,不同的是用指针运算代替*++操作。

// direct pointer arithmetic
void colorReduce4(cv::Mat &image, int div=64) {
	  int nr= image.rows; // number of rows
	  int nc= image.cols * image.channels(); // total number of elements per line
	  int n= static_cast<int>(log(static_cast<double>(div))/log(2.0));
	  int step= image.step; // effective width
	  // mask used to round the pixel value
	  uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0
      // get the pointer to the image buffer
	  uchar *data= image.data;
      for (int j=0; j<nr; j++) {
          for (int i=0; i<nc; i++) {
            *(data+i)= *data&mask + div/2;
            } // end of row                 
            data+= step;  // next line
      }
}


方法五:.ptr、*++、位运算以及image.cols * image.channels()

这种方法就是没有计算nc,基本是个充数的方法。

// using .ptr and * ++ and bitwise with image.cols * image.channels()
void colorReduce5(cv::Mat &image, int div=64) {
	  int nr= image.rows; // number of rows
	  int n= static_cast<int>(log(static_cast<double>(div))/log(2.0));
	  // mask used to round the pixel value
	  uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0
      for (int j=0; j<nr; j++) {
		  uchar* data= image.ptr<uchar>(j);
          for (int i=0; i<image.cols * image.channels(); i++) {
            *data++= *data&mask + div/2;
            } // end of row                 
      }
}

 

方法六:连续图像

Mat提供了isContinuous()函数用来查看Mat在内存中是不是连续存储,如果是则图片被存储在一行中。

// using .ptr and * ++ and bitwise (continuous)
void colorReduce6(cv::Mat &image, int div=64) {
	  int nr= image.rows; // number of rows
	  int nc= image.cols * image.channels(); // total number of elements per line
	  if (image.isContinuous())  {
		  // then no padded pixels
		  nc= nc*nr; 
		  nr= 1;  // it is now a 1D array
	   }
	  int n= static_cast<int>(log(static_cast<double>(div))/log(2.0));
	  // mask used to round the pixel value
	  uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0
      for (int j=0; j<nr; j++) {
		  uchar* data= image.ptr<uchar>(j);
          for (int i=0; i<nc; i++) {
            *data++= *data&mask + div/2;
            } // end of row                 
      }
}


方法七:continuous+channels

与方法六基本相同,也是充数的。

// using .ptr and * ++ and bitwise (continuous+channels)
void colorReduce7(cv::Mat &image, int div=64) {
	  int nr= image.rows; // number of rows
	  int nc= image.cols ; // number of columns
	  if (image.isContinuous())  {
		  // then no padded pixels
		  nc= nc*nr; 
		  nr= 1;  // it is now a 1D array
	   }
	  int n= static_cast<int>(log(static_cast<double>(div))/log(2.0));
	  // mask used to round the pixel value
	  uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0
      for (int j=0; j<nr; j++) {
		  uchar* data= image.ptr<uchar>(j);
          for (int i=0; i<nc; i++) {
            *data++= *data&mask + div/2;
            *data++= *data&mask + div/2;
            *data++= *data&mask + div/2;
            } // end of row                 
      }
}


方法八:Mat _iterator

真正有区别的方法来啦,用Mat提供的迭代器代替前面的[]操作符或指针,血统纯正的官方方法~

// using Mat_ iterator 
void colorReduce8(cv::Mat &image, int div=64) {
	  // get iterators
	  cv::Mat_<cv::Vec3b>::iterator it= image.begin<cv::Vec3b>();
	  cv::Mat_<cv::Vec3b>::iterator itend= image.end<cv::Vec3b>();
	  for ( ; it!= itend; ++it) {
        (*it)[0]= (*it)[0]/div*div + div/2;
        (*it)[1]= (*it)[1]/div*div + div/2;
        (*it)[2]= (*it)[2]/div*div + div/2;
	  }
}

 

方法九:Mat_ iterator 和位运算

把方法八中的乘除法换成位运算。

// using Mat_ iterator and bitwise
void colorReduce9(cv::Mat &image, int div=64) {
	  // div must be a power of 2
	  int n= static_cast<int>(log(static_cast<double>(div))/log(2.0));
	  // mask used to round the pixel value
	  uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0
	  // get iterators
	  cv::Mat_<cv::Vec3b>::iterator it= image.begin<cv::Vec3b>();
	  cv::Mat_<cv::Vec3b>::iterator itend= image.end<cv::Vec3b>();
	  for ( ; it!= itend; ++it) {
        (*it)[0]= (*it)[0]&mask + div/2;
        (*it)[1]= (*it)[1]&mask + div/2;
        (*it)[2]= (*it)[2]&mask + div/2;
	  }
}


方法十:MatIterator_

和方法八基本相同。

// using MatIterator_ 
void colorReduce10(cv::Mat &image, int div=64) {
	  cv::Mat_<cv::Vec3b> cimage= image;
	  cv::Mat_<cv::Vec3b>::iterator it=cimage.begin();
	  cv::Mat_<cv::Vec3b>::iterator itend=cimage.end();
	  for ( ; it!= itend; it++) { 
        (*it)[0]= (*it)[0]/div*div + div/2;
        (*it)[1]= (*it)[1]/div*div + div/2;
        (*it)[2]= (*it)[2]/div*div + div/2;
	  }
}

 

方法十一:图像坐标

// using (j,i)
void colorReduce11(cv::Mat &image, int div=64) {
	  int nr= image.rows; // number of rows
	  int nc= image.cols; // number of columns
      for (int j=0; j<nr; j++) {
          for (int i=0; i<nc; i++) {
                  image.at<cv::Vec3b>(j,i)[0]=	 image.at<cv::Vec3b>(j,i)[0]/div*div + div/2;
                  image.at<cv::Vec3b>(j,i)[1]=	 image.at<cv::Vec3b>(j,i)[1]/div*div + div/2;
                  image.at<cv::Vec3b>(j,i)[2]=	 image.at<cv::Vec3b>(j,i)[2]/div*div + div/2;
            } // end of row                 
      }
}


方法十二:创建输出图像

之前的方法都是直接修改原图,方法十二新建了输出图像,主要用于后面的时间对比。

// with input/ouput images
void colorReduce12(const cv::Mat &image, // input image 
                 cv::Mat &result,      // output image
                 int div=64) {
	  int nr= image.rows; // number of rows
	  int nc= image.cols ; // number of columns
	  // allocate output image if necessary
	  result.create(image.rows,image.cols,image.type());
	  // created images have no padded pixels
	  nc= nc*nr; 
	  nr= 1;  // it is now a 1D array
	  int n= static_cast<int>(log(static_cast<double>(div))/log(2.0));
	  // mask used to round the pixel value
	  uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0
      for (int j=0; j<nr; j++) {
		  uchar* data= result.ptr<uchar>(j);
		  const uchar* idata= image.ptr<uchar>(j);
          for (int i=0; i<nc; i++) {
            *data++= (*idata++)&mask + div/2;
            *data++= (*idata++)&mask + div/2;
            *data++= (*idata++)&mask + div/2;
          } // end of row                 
      }
}


方法十三:重载操作符

Mat重载了+&等操作符,可以直接将两个Scalar(B,G,R)数据进行位运算和数学运算。

// using overloaded operators
void colorReduce13(cv::Mat &image, int div=64) {
	  int n= static_cast<int>(log(static_cast<double>(div))/log(2.0));
	  // mask used to round the pixel value
	  uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0
	  // perform color reduction
	  image=(image&cv::Scalar(mask,mask,mask))+cv::Scalar(div/2,div/2,div/2);
}


时间对比

通过迭代二十次取平均时间,得到每种方法是运算时间如下。

可以看到,指针*++访问和位运算是最快的方法;而不断的计算image.cols*image.channles()花费了大量重复的时间;另外迭代器访问虽然安全,但性能远低于指针运算;通过图像坐标(j,i)访问时最慢的,使用重载操作符直接运算效率最高。

(转载请注明作者和出处:http://blog.csdn.net/xiaowei_cqu 未经允许请勿用于商业用途)


阅读更多
想对作者说点什么?

博主推荐

换一批

没有更多推荐了,返回首页