OpenCV的几个小技巧

申明：以下的小技巧，均为OpenCV2.4.2下验证过的，但并不保证其它版本依然奏效（1）利用数组来构建cv::Mat 示例代码如下所示：

void ArrayToMat()  
{  
    double m[3][3];  
    for (int i=0; i<3; i++)  
    {  
        for (int j=0; j<3; j++)  
        {  
            m[i][j] = i+j;  
            cout<<m[i][j]<<" ";  
        }  
        cout<<endl;  
    }  
    cout<<"****************************************"<<endl;  
  
    Mat M = Mat(3, 3, CV_64F, m);  
    double tempVal = 0.0;  
  
    for (int i=0; i<3; i++)  
    {  
        for (int j=0; j<3; j++)  
        {  
            tempVal = M.at<double>(i,j);  
            cout<<tempVal<<" ";  
        }  
        cout<<endl;  
    }  
}

不出意外的话，执行结果应该如下所示：


（2） IplImage*跟cv::Mat之间的互相转换示例代码：

void IplImageToMat()  
{  
    IplImage* pImg = cvLoadImage("c:/test.jpg");  
    if (!pImg)  
    {  
        cout<<"pImg load error"<<endl;  
        system("pause");  
        exit(-1);  
    }  
  
    cvNamedWindow("pImg", 0);  
    cvNamedWindow("mtx", 0);  
      
    Mat mtx(pImg);   
      
    cvShowImage("pImg", pImg);  
    imshow("mtx", mtx);  
    cvWaitKey(0);  
  
    cvReleaseImage(&pImg);  
}

笔者任意加载了电脑上一副图片，结果如下所示：


提醒，这里的格式转换并不申请新的内存，而仅仅是改变数据结构而已（3）Mat转换为IplImge示例代码：

void MatToIplImage()  
{  
    Mat m = imread("c:/test.jpg");  
    if (m.empty())  
    {  
        cout<<"mat load error"<<endl;  
        system("pause");  
        exit(-1);  
    }  
  
    IplImage img1 = IplImage(m);  
    IplImage img2 = m;  
  
    cvNamedWindow("img1", 0);  
    cvNamedWindow("img2", 0);  
  
    cvShowImage("img1", &img1);  
    cvShowImage("img2", &img2);  
  
    cvWaitKey(0);  
}

笔者任意加载一张图片，上述代码的执行结果为：


（4）访问二维数据（cv::Mat）最高效的方式是先得到该二维数据的每一行的指针，然后利用下标运算符逐列访问示例代码：

void MatAccess()  
{  
    double m[3][3];  
    for (int i=0; i<3; i++)  
    {  
        for (int j=0; j<3; j++)  
        {  
            m[i][j] = i+j;  
            cout<<m[i][j]<<" ";  
        }  
        cout<<endl;  
    }  
    cout<<"****************************************"<<endl;  
  
    Mat M = Mat(3, 3, CV_64F, m);  
    double sum = 0;  
    int rows = M.rows;  
    int cols = M.cols;  
  
    for (int i=0; i<rows; i++)  
    {  
        const double* Mi = M.ptr<double>(i);  
        for (int j=0; j<cols; j++)  
        {  
            sum += Mi[j];  
        }  
    }  
    cout<<"sum: "<<sum<<endl;  
}

上面的代码执行结果为：


（5）cv::Mat支持STL中的迭代器功能示例代码：

void MatAccess()  
{  
    double m[3][3];  
    for (int i=0; i<3; i++)  
    {  
        for (int j=0; j<3; j++)  
        {  
            m[i][j] = i+j;  
            cout<<m[i][j]<<" ";  
        }  
        cout<<endl;  
    }  
    cout<<"****************************************"<<endl;  
  
    Mat M = Mat(3, 3, CV_64F, m);  
    double sum = 0;  
    int rows = M.rows;  
    int cols = M.cols;  
  
    for (int i=0; i<rows; i++)  
    {  
        const double* Mi = M.ptr<double>(i);  
        for (int j=0; j<cols; j++)  
        {  
            sum += Mi[j];  
        }  
    }  
    cout<<"sum: "<<sum<<endl;  
  
    sum = 0;  
    MatConstIterator_<double> it = M.begin<double>();  
    MatConstIterator_<double> itEnd = M.end<double>();  
    for (;it!=itEnd; it++)  
    {  
        sum += *it;  
    }  
    cout<<"sum: "<<sum<<endl;  
}

运行结果：


（6） satureat_cast : openCV中用于数据“饱和”判断示例：

void Saturate_castTest()  
{  
    int r = 300;  
    uchar t = saturate_cast<uchar>(r);  
    cout<<int(t)<<endl;  
}

结果：


（7）获取函数执行时间getTickCount()和getTickFrequency()结合起来可以用来计算函数执行时间，尤其是很小的代码片段的执行时间举例：

void GetFuncTime()  
{  
    double exec_time = (double)getTickCount();  
    for (int i=0; i<10; i++)  
    {  
        ;  
    }  
    exec_time = ((double)getTickCount() - exec_time)*1000./getTickFrequency();  
    cout<<exec_time<<endl;  
}

上面的代码，重点在于for循环，且，该循环中什么也不处理；用一般的时间函数很难计算出该代码片段的执行时间，但利用getTickCount（）和getTickFrequency（）就很容易。笔者电脑上的结果是：