OpenCV 学习（像素操作 2）

在上一个学习笔记中，简单介绍了访问图像像素的几种方法，并对这几种方法的效率进行了些简单的比较。但是更多的情况是我们要同时访问多个像素，经过较为复杂的运算才能得到我们希望的结果。今天就来讲讲这种情况如何处理。

同时访问多行像素数据

下面我们以laplace 锐化为例，Laplacian 算子写为矩阵形式如下：

⎛⎝⎜0−10−15−10−10⎞⎠⎟

可以看到，计算当前点的输出时需要上下左右 4 邻近点的值。这时最简单的想法就是同时用三个指针，分别指向当前行、上一行和下一行。下面是个例子代码：

void sharpen(const cv::Mat &image, cv::Mat &result)
{
// allocate if necessary
result.create(image.size(), image.type());
for (int j = 1; j < image.rows - 1; j++)
{ // for all rows
// (except first and last)
const uchar* previous = image.ptr<const uchar>(j-1); // previous row
const uchar* current = image.ptr<const uchar>(j); // current row
const uchar* next = image.ptr<const uchar>(j+1); // next row
uchar* output= result.ptr<uchar>(j); // output row
for (int i=1; i<image.cols-1; i++)
{
*output++= cv::saturate_cast<uchar>(
5  *current[i] - current[i-1] - current[i+1] - previous[i] - next[i]);
}
}
// Set the unprocess pixels to 0
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));
}

有几点需要说明：

这个函数只对灰度图像有效。

应为对原始图像我们只是读取而不改变其值，所以用的是 const uchar* 型的指针。

运算结果有可能会超出 uchar 型能够表示的范围，所以程序中用了 cv::saturate_cast () 将超出的部分截断。

图像的四条边框没有计算，而是直接填充了 0 值。

原始图像和处理后的图像对比如下：





如果要处理彩色图像，可以这样写：

void sharpen1(const cv::Mat &image, cv::Mat &result)
{
// allocate if necessary
result.create(image.size(), image.type());

int nr = image.rows;
int nl = image.cols;
for (int j = 1; j < nr - 1; j++)
{ // for all rows
// (except first and last)
const cv::Vec3b* previous = image.ptr<const cv::Vec3b>(j-1); // previous row
const cv::Vec3b* current = image.ptr<const cv::Vec3b>(j); // current row
const cv::Vec3b* next = image.ptr<const cv::Vec3b>(j+1); // next row
cv::Vec3b* output= result.ptr<cv::Vec3b>(j); // output row
for (int i = 1; i<nl - 1; i++)
{
output[i][0] = cv::saturate_cast<uchar>(
5  *current[i][0] - current[i - 1][0] - current[i + 1][0] - previous[i][0] - next[i][0]);
output[i][1] = cv::saturate_cast<uchar>(
5  *current[i][1] - current[i - 1][1] - current[i + 1][1] - previous[i][1] - next[i][1]);
output[i][2] = cv::saturate_cast<uchar>(
5  *current[i][2] - current[i - 1][2] - current[i + 1][2] - previous[i][2] - next[i][2]);
}
}
// Set the unprocess pixels to 0
result.row(0).setTo(cv::Vec3b(0, 0, 0));
result.row(result.rows-1).setTo(cv::Vec3b(0, 0, 0));
result.col(0).setTo(cv::Vec3b(0, 0, 0));
result.col(result.cols-1).setTo(cv::Vec3b(0, 0, 0));
}

或者还是用 uchar 型来处理：

void sharpen2(const cv::Mat &image, cv::Mat &result)
{
// allocate if necessary
result.create(image.size(), image.type());

int nr = image.rows;
int nl = image.cols * image.elemSize();
int stride = image.elemSize();
for (int j = 1; j < nr - 1; j++)
{ // for all rows
// (except first and last)
const uchar* previous = image.ptr<const uchar>(j-1); // previous row
const uchar* current = image.ptr<const uchar>(j); // current row
const uchar* next = image.ptr<const uchar>(j+1); // next row
uchar* output= result.ptr<uchar>(j); // output row
for (int i = stride; i < nl - stride; i++)
{
*output++= cv::saturate_cast<uchar>(
5  *current[i] - current[i - stride] - current[i + stride] - previous[i] - next[i]);
}
}
// Set the unprocess pixels to 0
result.row(0).setTo(cv::Vec3b(0, 0, 0));
result.row(result.rows-1).setTo(cv::Vec3b(0, 0, 0));
result.col(0).setTo(cv::Vec3b(0, 0, 0));
result.col(result.cols-1).setTo(cv::Vec3b(0, 0, 0));
}

实际上，上面的操作还可以使用 cv::filter2D 函数来做。代码会非常简洁，而且计算速度也是最快的。

void sharpen2D(const cv::Mat &image, cv::Mat &result)
{
// Construct kernel (all entries initialized to 0)
cv::Mat kernel(3, 3, CV_32F, cv::Scalar(0));
// assigns kernel values
kernel.at<float>(1,1) = 5.0;
kernel.at<float>(0,1) = -1.0;
kernel.at<float>(2,1) = -1.0;
kernel.at<float>(1,0) = -1.0;
kernel.at<float>(1,2) = -1.0;
//filter the image
cv::filter2D(image, result, image.depth(), kernel);
}

处理前后的图像对比如下：