OpenCV3——core组件进阶

颜色空间缩减

以BGR char无符号为例，我们的彩色图像是BGR三通道，每个通道的取值范围是0-255，那么一个像素的取值范围256*256*256这么多种，这个范围太大了，这就给我们的算法造成了严重的性能影响，所以我们就用到了颜色空间缩减。比如：将0-9范围的像素值定义为0,10-19为10,20-29为20，，，以此类推，那么每个像素值的取值就只有26*26*26种，这一下就将像素值的取值范围缩小了，那么在运算处理像素的时候就简单多了。I = （I/10）*10 （I代表像素值）—> （14/10）*10 = 10。

LUT（look up table）：

即将上面的颜色缩减的值保存在一个table表中，这样我们在处理图像像素的时候可以不用再次计算，直接对照表中提取对应的值就可以了。

Mat lookUpTable（1,256，CV_8U）;
uchar* p = lookUpTable.data;
for（int i= 0；i < 256；++i）//遍历所有像素
pi[i] = divideWith*（i/divideWith）；//颜色缩减
//调用函数（I是输入，J是输出）
for（int i= 0；i < times；++i）
LUT（I，lookUpTable，J）;//调用LUT函数取出对应的像素值

计时函数：

//【3】记录起始时间
double time0 = static_cast<double>(getTickCount());  //getTickCount：CPU自某个事件以来走过的时钟周期数
//【4】调用颜色空间缩减函数
colorReduce(srcImage,dstImage,32);
//【5】计算运行时间并输出
time0 = ((double)getTickCount() - time0)/getTickFrequency();//getTickFrequency：CPU一秒所走的时钟周期数
cout<<"\t此方法运行时间为： "<<time0<<"秒"<<endl;  //输出运行时间

访问图像像素的三类方法：

方法一：指针访问，用时：0.00665378

void colorReduce(Mat& inputImage, Mat& outputImage, int div)
{
//参数准备
outputImage = inputImage.clone();  //拷贝实参到临时变量
int rowNumber = outputImage.rows;  //行数
int colNumber = outputImage.cols*outputImage.channels();  //列数 x 通道数=每一行元素的个数

//双重循环，遍历所有的像素值
for(int i = 0;i < rowNumber;i++)  //行循环
{
uchar* data = outputImage.ptr<uchar>(i);  //获取第i行的首地址
for(int j = 0;j < colNumber;j++)   //列循环
{
// ---------【开始处理每个像素】-------------
data[j] = data[j]/div*div + div/2;
// ----------【处理结束】---------------------
}  //行处理结束
}
}

方法二：迭代器iterator，用时：0.242588

void colorReduce(Mat& inputImage, Mat& outputImage, int div)
{
//参数准备
outputImage = inputImage.clone();  //拷贝实参到临时变量
//获取迭代器
Mat_<Vec3b>::iterator it = outputImage.begin<Vec3b>();  //初始位置的迭代器
Mat_<Vec3b>::iterator itend = outputImage.end<Vec3b>();  //终止位置的迭代器

//存取彩色图像像素
for(;it != itend;++it)
{
// ------------------------【开始处理每个像素】--------------------
(*it)[0] = (*it)[0]/div*div + div/2;
(*it)[1] = (*it)[1]/div*div + div/2;
(*it)[2] = (*it)[2]/div*div + div/2;
// ------------------------【处理结束】----------------------------
}
}

方法三：动态地址计算，用时：0.334131

void colorReduce(Mat& inputImage, Mat& outputImage, int div)
{
//参数准备
outputImage = inputImage.clone();  //拷贝实参到临时变量
int rowNumber = outputImage.rows;  //行数
int colNumber = outputImage.cols;  //列数

//存取彩色图像像素
for(int i = 0;i < rowNumber;i++)
{
for(int j = 0;j < colNumber;j++)
{
// ------------------------【开始处理每个像素】--------------------
outputImage.at<Vec3b>(i,j)[0] =  outputImage.at<Vec3b>(i,j)[0]/div*div + div/2;  //蓝色通道
outputImage.at<Vec3b>(i,j)[1] =  outputImage.at<Vec3b>(i,j)[1]/div*div + div/2;  //绿色通道
outputImage.at<Vec3b>(i,j)[2] =  outputImage.at<Vec3b>(i,j)[2]/div*div + div/2;  //红是通道
// -------------------------【处理结束】----------------------------
}  // 行处理结束
}
}

对图像的简单处理方式：

ROI（region of interest）设置图像的感兴趣区域，然后对这个区域的图像进行处理。

方法一：

Mat imageROI= srcImage1(Rect(200,250,logoImage.cols,logoImage.rows));

方法二：

Mat imageROI= srcImage1(Range(250，250+logoImage.rows)，Range(200,200+logoImage.cols));

实例：

// 添加掩膜
Mat mask= imread("dota_logo.jpg",0);
//将logoImage通过mask复制到imageROI区域中
logoImage.copyTo(imageROI,mask);

掩膜（mask）：这个mask是取的需要需要添加到原图中的其它图片的单通道值，比如：将A 复制到B 中，这里的mask指的就是A的灰度图，通过 A.copyTo(B,mask)方法，将A复制到B 中，通过对比相同位置mask的值是否为0来确定是否将A中对应点的像素值完全复制到B中，不为0则复制过去，为0则不复制，即掩盖住不操作，即显示B中原图像的像素值。dst(I) = src(I) if mask(I) ！= 0.

图象线性混合操作：

将两张大小尺寸类型相同，内容不同的图片各自按照不同的比例混合在一起。

方法：

addWeighted(inputarray src1,double alpha,inputarray src2,double bate,double gamma,outputarray dst);
//一般传入两个输入以及各自的占比，和一个输出，gamma一般为0，默认还有一个参数 int dtype 输出矩阵的可选深度 默认值为-1，深度为数组值的类型，如：int、long等等

颜色通道的分离、合并：

分离，将多通道的图片分离成一个个单通道的灰度图（图片的矩阵大小还是没有改变，只是通道数减少了，其像素值的大小代表了黑白之间灰色的程度），如：BGR分离成B、G和R三个单通道的灰度图。合并，将几个单通道的灰度图合并一个多通道的彩图。

分离：

vector<Mat> channels;
split(srcImage,channels);//分离色彩通道为单通道，并保存在向量channels
imageBlueChannel= channels.at(0);//B
imageGreenChannel= channels.at(1);//G
imageGreenChannel= channels.at(2);//R

合并：

merge(channels,srcImage);//上面的逆过程，输出为srcImage

图像的对比度和亮度：

对比度，代表一副图像黑、白之间亮度的差异，越大对比度越大。

亮度，代表单位面积上发光（反色光）的强度。

它们两个之间的关系满足如下公式：

g(i,j) = a*f(i,j)+b a代表对比度、b代表亮度

static void ContrastAndBright(int, void *)
{
// 创建窗口
namedWindow("【原始图窗口】", 1);
// 三个for循环，执行运算 g_dstImage(i,j) = a*g_srcImage(i,j) + b
for( int y = 0; y < g_srcImage.rows; y++ )
{
for( int x = 0; x < g_srcImage.cols; x++ )
{
for( int c = 0; c < 3; c++ )
{
g_dstImage.at<Vec3b>(y,x)[c] = saturate_cast<uchar>( (g_nContrastValue*0.01)*( g_srcImage.at<Vec3b>(y,x)[c] ) + g_nBrightValue );//通过改变图像中没有像素的值
}
}
}
// 显示图像
imshow("【原始图窗口】", g_srcImage);
imshow("【效果图窗口】", g_dstImage);
}

saturate_cast 模板函数用于保护像素值溢出，小于0的赋值为0，大于255的赋值为255.

离散傅里叶变换

将图像从空间域变换到频域来处理，原因是很多时候噪声是混合在图片信号中的，在空间域我们很难将其分离，但是通过离散傅里叶变换，我们可以将连续的空间信号转换成离散的频域，这样通过噪声和原图像频域值大小的通过，我们使用滤波器将噪声剔除。

//【2】将输入图像延扩到最佳的尺寸，边界用0补充
int m = getOptimalDFTSize(srcImage.rows);
int n = getOptimalDFTSize(srcImage.cols);
//将添加的像素初始化为0.
Mat padded;
copyMakeBorder(srcImage, padded, 0, m - srcImage.rows, 0, n - srcImage.cols, BORDER_CONSTANT, Scalar::all(0));

//【3】为傅立叶变换的结果(实部和虚部)分配存储空间。
//将planes数组组合合并成一个多通道的数组complexI
Mat planes[] = { Mat_<float>(padded), Mat::zeros(padded.size(), CV_32F) };
Mat complexI;
merge(planes, 2, complexI);

//【4】进行就地离散傅里叶变换
dft(complexI, complexI);

//【5】将复数转换为幅值，即=> log(1 + sqrt(Re(DFT(I))^2 + Im(DFT(I))^2))
split(complexI, planes); // 将多通道数组complexI分离成几个单通道数组，planes[0] = Re(DFT(I), planes[1] = Im(DFT(I))
magnitude(planes[0], planes[1], planes[0]);// planes[0] = magnitude
Mat magnitudeImage = planes[0];

//【6】进行对数尺度(logarithmic scale)缩放
magnitudeImage += Scalar::all(1);
log(magnitudeImage, magnitudeImage);//求自然对数
//【7】剪切和重分布幅度图象限
//若有奇数行或奇数列，进行频谱裁剪
magnitudeImage = magnitudeImage(Rect(0, 0, magnitudeImage.cols & -2, magnitudeImage.rows & -2));
//重新排列傅立叶图像中的象限，使得原点位于图像中心
int cx = magnitudeImage.cols / 2;
int cy = magnitudeImage.rows / 2;
Mat q0(magnitudeImage, Rect(0, 0, cx, cy));   // ROI区域的左上
Mat q1(magnitudeImage, Rect(cx, 0, cx, cy));  // ROI区域的右上
Mat q2(magnitudeImage, Rect(0, cy, cx, cy));  // ROI区域的左下
Mat q3(magnitudeImage, Rect(cx, cy, cx, cy)); // ROI区域的右下
//交换象限（左上与右下进行交换）
Mat tmp;
q0.copyTo(tmp);
q3.copyTo(q0);
tmp.copyTo(q3);
//交换象限（右上与左下进行交换）
q1.copyTo(tmp);
q2.copyTo(q1);
tmp.copyTo(q2);

//【8】归一化，用0到1之间的浮点值将矩阵变换为可视的图像格式
normalize(magnitudeImage, magnitudeImage, 0, 1, CV_MINMAX);

扩展知识

加法运算快还是乘法运算快？

这个要看运算量、实现算法和指令集共同决定，但是一般认为数据量很小的时候加法快，当数据量变大的时候乘法快。

1．二进制数的算术运算

二进制数的算术运算包括：加、减、乘、除四则运算，下面分别予以介绍。

（1）二进制数的加法

根据“逢二进一”规则，二进制数加法的法则为：

0＋0＝0

0＋1＝1＋0＝1

1＋1＝0　（进位为1）

1＋1＋1＝1 （进位为1）

例如：1110和1011相加过程如下：



（2）二进制数的减法

根据“借一有二”的规则，二进制数减法的法则为：

0－0＝0

1－1＝0

1－0＝1

0－1＝1 （借位为1）

例如：1101减去1011的过程如下：



（3）二进制数的乘法

二进制数乘法过程可仿照十进制数乘法进行。但由于二进制数只有0或1两种可能的乘数位，导致二进制乘法更为简单。二进制数乘法的法则为：

0×0＝0

0×1＝1×0＝0

1×1＝1

　　例如：1001和1010相乘的过程如下：



　　由低位到高位，用乘数的每一位去乘被乘数，若乘数的某一位为1，则该次部分积为被乘数；若乘数的某一位为0，则该次部分积为0。某次部分积的最低位必须和本位乘数对齐，所有部分积相加的结果则为相乘得到的乘积。

（4）二进制数的除法

二进制数除法与十进制数除法很类似。可先从被除数的最高位开始，将被除数（或中间余数）与除数相比较，若被除数（或中间余数）大于除数，则用被除数（或中间余数）减去除数，商为1，并得相减之后的中间余数，否则商为0。再将被除数的下一位移下补充到中间余数的末位，重复以上过程，就可得到所要求的各位商数和最终的余数。

例如：100110÷110的过程如下：



所以，100110÷110＝110余10。