学习OpenCV范例（二）——OpenCV如何扫描图像、利用查找表和计时

对于如何扫描图像的方法实在是太多了，在浏览一些资料的时候也找到了一些好的方法，到最后把这些方法的链接都贴出来，大家有兴趣的可以参考一下，看看哪种方法适合自己，在这里我还是根据OpenCV提供的范例进行分析。

1、建立查找表

颜色缩减方法：如果矩阵元素存储的是单通道像素，使用C或C++的无符号字符类型，那么像素可有256个不同值。但若是三通道图像，这种存储格式的颜色数就太多了（确切地说，有一千六百多万种）。用如此之多的颜色可能会对我们的算法性能造成严重影响。其实有时候，仅用这些颜色的一小部分，就足以达到同样效果。所以其做法是：将现有颜色空间值除以某个输入值，以获得较少的颜色数。例如，颜色值0到9可取为新值0，10到19可取为10，以此类推。其公式为：



即输入的颜色值为：0-9 输出为：0

10-19 10

20-29 20

…… ……

这样的话，简单的颜色空间缩减算法就可由下面两步组成：一、遍历图像矩阵的每一个像素；二、对像素应用上述公式。

由此可知，对于较大的图像，有效的方法是预先计算所有可能的值，然后需要这些值的时候，利用查找表直接赋值即可。查找表是一维或多维数组，存储了不同输入值所对应的输出值，其优势在于只需读取、无需计算。

计算查找表代码为：

[cpp] view
plaincopy





int divideWith; // convert our input string to number - C++ style

stringstream s;

s << argv[2];

s >> divideWith;

if (!s)

{

cout << "Invalid number entered for dividing. " << endl;

return -1;

}

uchar table[256];

for (int i = 0; i < 256; ++i)

table[i] = divideWith* (i/divideWith);

这里我们先使用C++的 stringstream 类，把第三个命令行参数由字符串转换为整数。然后，我们用数组和前面给出的公式计算查找表。

2、计算运行时间

OpenCV提供了两个简便的可用于计时的函数 getTickCount() 和 getTickFrequency() 。第一个函数返回你的CPU自某个事件（如启动电脑）以来走过的时钟周期数，第二个函数返回你的CPU一秒钟所走的时钟周期数。这样，我们就能轻松地以秒为单位对某运算计时：

[cpp] view
plaincopy





double t = (double)getTickCount();

// 做点什么 ...

t = ((double)getTickCount() - t)/getTickFrequency();

cout << "Times passed in seconds: " << t << endl;

3、四种方式扫描图像

代码在范例的基础上做了一些小修改

[cpp] view
plaincopy





#include "stdafx.h"

#include <opencv2/core/core.hpp>

#include <opencv2/highgui/highgui.hpp>

#include <iostream>

#include <sstream>

using namespace std;

using namespace cv;

static void help()

{

cout

<< "\n--------------------------------------------------------------------------" << endl

<< "This program shows how to scan image objects in OpenCV (cv::Mat). As use case"

<< " we take an input image and divide the native color palette (255) with the " << endl

<< "input. Shows C operator[] method, iterators and at function for on-the-fly item address calculation."<< endl

<< "Usage:" << endl

<< "./howToScanImages imageNameToUse divideWith [G]" << endl

<< "if you add a G parameter the image is processed in gray scale" << endl

<< "--------------------------------------------------------------------------" << endl

<< endl;

}

Mat& ScanImageAndReduceC(Mat& I, const uchar* table);//通过高效的C风格运算符[]（指针）

Mat& ScanImageAndReduceIterator(Mat& I, const uchar* table);//通过安全的迭代法

Mat& ScanImageAndReduceRandomAccess(Mat& I, const uchar * table);//通过相关返回值的On-the-fly地址计算

int main( int argc, char* argv[])

{

help();

namedWindow("The original picture",1);//命名显示原图像窗口

namedWindow("The change picture", 1);//命名显示改变图像窗口

//选择显示彩色or灰色

char ch=NULL;

printf("GRAYSCALE OR COLOR?please enter G/C");

scanf("%c",&ch);

Mat I, J;

if( ch== 'G' )

//读取灰色图片

I = imread("F:\\QTproject\\how_to_scan_images\\Lena.jpg", CV_LOAD_IMAGE_GRAYSCALE);

else

//读取彩色图片

I = imread("F:\\QTproject\\how_to_scan_images\\Lena.jpg", CV_LOAD_IMAGE_COLOR);

if (!I.data)

{

cout << "The image could not be loaded." << endl;

return -1;

}

int divideWith = 0;

// 把输入的字符串转为整数

stringstream s;

s << "50";

s >> divideWith;

if (!s || !divideWith)

{

cout << "Invalid number entered for dividing. " << endl;

return -1;

}

//根据颜色空间缩减，建立查找表

uchar table[256];

for (int i = 0; i < 256; ++i)

table[i] = (uchar)(divideWith * (i/divideWith));

//执行次数为100次

const int times = 100;

double t;

t = (double)getTickCount();

for (int i = 0; i < times; ++i)

{

cv::Mat clone_i = I.clone();

J = ScanImageAndReduceC(clone_i, table);

}

//计算100次的平均时间

t = 1000*((double)getTickCount() - t)/getTickFrequency();

t /= times;

//显示原图片和改变图片

imshow("The original picture",I);

imshow("The change picture",J);

waitKey(0);

cout << "Time of reducing with the C operator [] (averaged for "

<< times << " runs): " << t << " milliseconds."<< endl;

t = (double)getTickCount();

for (int i = 0; i < times; ++i)

{

cv::Mat clone_i = I.clone();

J = ScanImageAndReduceIterator(clone_i, table);

}

t = 1000*((double)getTickCount() - t)/getTickFrequency();

t /= times;

cout << "Time of reducing with the iterator (averaged for "

<< times << " runs): " << t << " milliseconds."<< endl;

t = (double)getTickCount();

for (int i = 0; i < times; ++i)

{

cv::Mat clone_i = I.clone();

ScanImageAndReduceRandomAccess(clone_i, table);

}

t = 1000*((double)getTickCount() - t)/getTickFrequency();

t /= times;

cout << "Time of reducing with the on-the-fly address generation - at function (averaged for "

<< times << " runs): " << t << " milliseconds."<< endl;

//通过核心函数LUT

Mat lookUpTable(1, 256, CV_8U);

uchar* p = lookUpTable.data;

for( int i = 0; i < 256; ++i)

p[i] = table[i];

t = (double)getTickCount();

for (int i = 0; i < times; ++i)

LUT(I, lookUpTable, J);

t = 1000*((double)getTickCount() - t)/getTickFrequency();

t /= times;

cout << "Time of reducing with the LUT function (averaged for "

<< times << " runs): " << t << " milliseconds."<< endl;

char ch1=NULL;

scanf("%c",&ch1);

while (ch1!='c')

{

ch1=getchar();

}

return 0;

}

Mat& ScanImageAndReduceC(Mat& I, const uchar* const table)

{

// accept only char type matrices

CV_Assert(I.depth() != sizeof(uchar));

int channels = I.channels();//得到通道数

int nRows = I.rows;//获得行数

int nCols = I.cols * channels;//行数*通道数=一行中有多少个数值

//如果图像矩阵存储空间是连续的

if (I.isContinuous())

{

nCols *= nRows;//得到存储矩阵的大小

nRows = 1;

}

int i,j;

uchar* p;

for( i = 0; i < nRows; ++i)

{

p = I.ptr<uchar>(i);//得到存储矩阵的起始地址

for ( j = 0; j < nCols; ++j)

{

p[j] = table[p[j]];//赋值

}

}

//整个过程起始是将矩阵看出是一个一行nCols列的矩阵，由p指针指向矩阵，再进行赋值。

return I;

}

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;//定义uchar的迭代器

for( it = I.begin<uchar>(), end = I.end<uchar>(); it != end; ++it)

*it = table[*it];

break;

}

case 3:

{

MatIterator_<Vec3b> it, end;//定义Vec3b的迭代器

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;

}

Mat& ScanImageAndReduceRandomAccess(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:

{

for( int i = 0; i < I.rows; ++i)

for( int j = 0; j < I.cols; ++j )

I.at<uchar>(i,j) = table[I.at<uchar>(i,j)];//对行列循环对每个数据点进行赋值

break;

}

case 3:

{

Mat_<Vec3b> _I = I;//使用Mat_类进行运算，较为方便

for( int i = 0; i < I.rows; ++i)

for( int j = 0; j < I.cols; ++j )

{

_I(i,j)[0] = table[_I(i,j)[0]];

_I(i,j)[1] = table[_I(i,j)[1]];

_I(i,j)[2] = table[_I(i,j)[2]];

}

I = _I;

break;

}

}

return I;

}

4、运行图片结果为：

图1、原图片 图2、颜色缩减图片

时间对比如下：

5、结论：

Efficient Way	2.27585 milliseconds
Iterator	54.8902 milliseconds
On-The-Fly RA	116.674 milliseconds
LUT function	1.35165 milliseconds

①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

②从安全性角度来考虑，迭代法是更佳的选择，但是效率不是很明显

③On-The-Fly
RA方法扫描全图是一个最浪费资源的方法

④Efficient Way方法是比较有效的方法，使用起来也方便，推荐使用

下面网址是其他博客收集或者自己编写的代码，大家可以参考一下

【OpenCV】访问Mat图像中每个像素的值

【OpenCV】访问Mat中每个像素的值（新）

OpenCV学习笔记（四十二）——Mat数据操作之普通青年、文艺青年、暴力青年

6、用到的类：

Mat_类：

这个类来源于Mat类，数据结构为：

[cpp] view
plaincopy





template<typename _Tp> class Mat_ : public Mat

{

public:

// ... some specific methods

// and

// no new extra fields

};

这个类只封装了Mat的头部，没有数据空间，也没有Mat的虚拟函数，所以他和Mat之间的引用和指针之间的转换非常容易，例如：

[cpp] view
plaincopy





// create a 100x100 8-bit matrix

Mat M(100,100,CV_8U);

// this will be compiled fine. no any data conversion will be done.

Mat_<float>& M1 = (Mat_<float>&)M;

一般情况下有Mat类就足够了，但是当你对元素进行大量的操作时，Mat_类会给你带来更大的方便，Mat::at<_Tp>(int y, int x) 和 Mat_<_Tp>::operator ()(int y, int x)两个操作是一样的，后面的函数会显得简短一些。

通过vec作为参数，可以使用Mat_多通道矩阵，如：

[cpp] view
plaincopy





// allocate a 320x240 color image and fill it with green (in RGB space)

Mat_<Vec3b> img(240, 320, Vec3b(0,255,0));

// now draw a diagonal white line

for(int i = 0; i < 100; i++)

img(i,i)=Vec3b(255,255,255);

// and now scramble the 2nd (red) channel of each pixel

for(int i = 0; i < img.rows; i++)

for(int j = 0; j < img.cols; j++)

img(i,j)[2] = 255;

LUT函数：

数据结构：

[cpp] view
plaincopy





void LUT(InputArray src, InputArray lut, OutputArray dst)

src：8位的源矩阵

lut：256个元素的查找表

dst：输出矩阵，和src有着同样的size和同样的channel，和lut有着同样的depth

功能是为目标矩阵填充查找表数据，原理是如下：





将src的数据加上d再通过查找表查找数据，最后赋值给dst。

网址：http://blog.csdn.net/chenjiazhou12/article/details/21052849