(转载)快速对图像的像素进行操作 opencv 实战

本文系转载，原文出处：http://blog.csdn.net/zwlq1314521/article/details/45038271

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：

[cpp] view
plain copy







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：

[cpp] view
plain copy







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：

[cpp] view
plain copy







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。

[cpp] view
plain copy







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：

[cpp] view
plain copy







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。

[cpp] view
plain copy







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

（复制不过来，直接参看原文连接吧）

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!