本节内容：
- 访问像素值
- 用指针扫描图像
- 用迭代器扫描图像
- 编写高效的图像扫描循环
- 扫描图像并访问相邻像素
- 实现简单的图像运算
- 图像重映射
访问像素值
准备工作：
创建一个简单函数，用它在图像中加入椒盐噪声.
实现如下:
void salt(cv::Mat image, int n){
int i, j;
for(int k = 0; k < n; k ++){
i = std::rand()%image.cols;
j = std::rand()%image.rows;
if(image.type() == CV_8UC1){ //灰度图
image.at<uchar>(j,i) = 255;
}else {
image.at<cv::Vec3b>(j,i)[0] = 255;
image.at<cv::Vec3b>(j,i)[1] = 255;
image.at<cv::Vec3b>(j,i)[2] = 255;
}
}
}完整代码:
#include <cstdlib>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
void salt(cv::Mat image, int n){
int i, j;
for(int k = 0; k < n; k ++){
i = std::rand()%image.cols;
j = std::rand()%image.rows;
if(image.type() == CV_8UC1){ //灰度图
image.at<uchar>(j,i) = 255;
}else {
image.at<cv::Vec3b>(j,i)[0] = 255;
image.at<cv::Vec3b>(j,i)[1] = 255;
image.at<cv::Vec3b>(j,i)[2] = 255;
}
}
}
int main(){
cv::Mat image = cv::imread("./data/rgb.png");
salt(image,3000);
cv::namedWindow("image");
cv::imshow("Image", image);
cv::waitKey(0);
cv::imwrite("./data/output.png", image);
return 0;
}View Code
效果如图:
用指针扫描图像
准备工作：
先完成一个简单任务：减少图像中的颜色数量。
原理：如果N是减少因子，那么对于像素的每一个频道，除以N(由于是整除，所以余数会丢失)。如果将结果再乘以N，那么结果将会小于原来的像素值。然后再加上N/2你将会获得两个相邻N倍数中间的那个数，然后你就得到了一个256/NX256/NX256/N颜色数的图像。下面是我们所写的函数，函数处理是in-place的,也就是说处理结果直接赋值给源图像，不占用额外的存储空间。
代码：
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <iostream>
void colorReduce(cv::Mat image, int div){
int nl = image.rows;
int nc = image.cols * image.channels();
for(int j = 0; j < nl; j++){
uchar* data = image.ptr<uchar>(j);
for(int i = 0; i < nc; i++){
data[i] = data[i]/div*div + div/2;
}
}
}
int main(){
cv::Mat image = cv::imread("./data/beauty.jpg");
colorReduce(image, 64);
cv::namedWindow("Image");
cv::imshow("Image",image);
cv::waitKey(0);
cv::imwrite("./data/output.jpg", image);
return 0;
}View Code
补充：还可以使用为运算来计算data的值；
uchar mask = 0xFF<<n; //例如：div = 16,则 mask = 0xF0
*data &= mask;
*data++ += div>>1;
处理前： 处理后：
用迭代器扫描图像
准备工作：仍然使用上面减色程序。
使用Mat_模板类内部定义的iterator类型 Mat_<cv::Vec3b>::iterator it;
修改后的减色程序如下：
void colorReduce(cv::Mat &image, int div){
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;
}
}View Code
效果同上；
编写高效的图像扫描循环
在前面的章节，我们已经提到过了不同的访问图像像素的方法。现在我们将比较一下这些不同方法的效率。因为代码的效率执行时间是我们必须要考虑的。但是代码效率最大化带来来的往往是减少了代码的可读性。所以只要适当的在核心地方增加代码的效率。
为了计算代码的执行时间，我们使用OpenCV中的cv::getTickCount()方法。这个方法给出从开机到现在的时钟周期数。因为我们想要的时间单位是毫秒，所以我们还要使用cv::getTickFrequency()方法。这个给出了每一秒的始终周期数。然后计算方法如下：
double duration;
duration = static_cast<double>(cv::getTickCount());
colorReduce(image); // the function to be tested
duration = static_cast<double>(cv::getTickCount())-duration;
duration /= cv::getTickFrequency(); // the elapsed time in ms
最后得出的结果是：使用位计算得到的结果速度最快！
扫描图像并访问相邻像素
准备工作:
这里使用一个锐化的处理函数. 如果从图像中减去拉普拉斯算子部分,图像的边缘就会放大,因而使图像更尖锐.
用以下的方法计算锐化的数值: sharpened_pixel = 5 * current -left - right - up -down;
实现:
/********************************************************
> File name:sharpen
> author: yoyo
> Source from:xiang gao
> time:2016.7.18 Monday 17:22
>
*************************************************************/
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <iostream>
using namespace std;
void sharpen(const cv::Mat &image, cv::Mat &result){
//判断是否需要分配图像数据
result.create(image.size(), image.type());
int nchannels = image.channels(); //获取通道数
//处理除第一与最后行的所有行
for(int j = 1; j < image.rows-1; j++){
const uchar* previous = image.ptr<const uchar>(j-1);
const uchar* current = image.ptr<const uchar>(j);
const uchar* next = image.ptr<const uchar>(j+1);
uchar* output = result.ptr<uchar>(j);
for(int i = nchannels; i < (image.cols - 1)*nchannels; i++){
*output++ = cv::saturate_cast<uchar>(5*current[i] - current[i-nchannels] - current[i+nchannels] -previous[i] -next[i]);
}
}
result.row(0).setTo(cv::Scalar(0));
result.row(result.rows-1).setTo(cv::Scalar(0));
result.col(0).setTo(cv::Scalar(0));
result.col(result.cols-1).setTo(cv::Scalar(0));
}
int main(int argc, char * argv[]){
cv::Mat image = cv::imread("/home/yoyo/openCV/data/beauty.jpg");
cv::Mat image1 = image;
cv::imshow("image1", image1);
sharpen(image1 ,image);
// cv::namedWindow("image");
cv::imshow("Image", image);
cv::waitKey(0);
cv::imwrite("/home/yoyo/openCV/data/sharpen.jpg", image);
return 0;
}View Code
效果:
前: 后:
实现简单的图像运算
图像就是普通的矩阵,可以进行加减乘除运算,因此可以用多种不同的方式组合图像.
准备工作:两张相等大小的图像；
代码：
#include <cv.h>
#include <highgui.h>
#include <iostream>
using namespace cv;
int main( int argc, char** argv )
{
double alpha = 0.5; double beta; double input;
Mat src1, src2, dst;
/// Ask the user enter alpha
std::cout<<" Simple Linear Blender "<<std::endl;
std::cout<<"-----------------------"<<std::endl;
std::cout<<"* Enter alpha [0-1]: ";
std::cin>>input;
/// We use the alpha provided by the user iff it is between 0 and 1
if( alpha >= 0 && alpha <= 1 )
{ alpha = input; }
/// Read image ( same size, same type )
src1 = imread("../../images/LinuxLogo.jpg");
src2 = imread("../../images/WindowsLogo.jpg");
if( !src1.data ) { printf("Error loading src1 \n"); return -1; }
if( !src2.data ) { printf("Error loading src2 \n"); return -1; }
/// Create Windows
namedWindow("Linear Blend", 1);
beta = ( 1.0 - alpha );
addWeighted( src1, alpha, src2, beta, 0.0, dst);
imshow( "Linear Blend", dst );
waitKey(0);
return 0;
}View Code
图像重映射
