opencv中“单通道灰度图”怎么转成cvMat类型，我是要做PCA的，求大牛解答。。。

Posted 2023-04-06

参考技术A 设灰度图是IplImage* src
CvMat* mat=cvCreateMat(src->height,src->width,CV_32SC1);
cvConvert(src,mat)；
就好了 参考技术B 好像是可以直接转的，要不就是用iplimage中的imagedata转成cvMat
你可以加载的时候直接用cvMat本回答被提问者采纳 参考技术C IplImage*img=cvLoadImage(agrv[1],0);
用CvMat*mat=cvCreateMat(img->width,img->height,img->depth);
一个CvMat类型的矩阵就创建成功啦！ 参考技术D 顶楼上，不过图像的话第三个参数是CV_8UC1就可以了

《OpenCV:访问Mat图像中每个像素值》

图像容器Mat

还是先看Mat的存储形式。Mat和Matlab里的数组格式有点像，但一般是二维向量，如果是灰度图，一般存放<uchar>类型；如果是RGB彩色图，存放<Vec3b>类型。

单通道灰度图数据存放格式：

多通道的图像中，每列并列存放通道数量的子列，如RGB三通道彩色图：

注意通道的顺序反转了：BGR。通常情况内存足够大的话图像的每一行是连续存放的，也就是在内存上图像的所有数据存放成一行，这中情况在访问时可以提供很大方便。可以用 isContinuous()函数来判断图像数组是否为连续的。

 

访问图像中的像素

 

高效的方法：C操作符[ ]

最快的是直接用C风格的内存访问操作符[]来访问：

1. Mat& ScanImageAndReduceC(Mat& I, const uchar* const table)  
   {  
       // accept only char type matrices  
       CV_Assert(I.depth() != sizeof(uchar));  
       int channels = I.channels();  
       int nRows = I.rows ;  
       int nCols = I.cols* channels;  
       if (I.isContinuous())  
       {  
           nCols *= nRows;  
           nRows = 1;  
       }  
       int i,j;  
       uchar* p;  
       for( i = 0; i < nRows; ++i)  
       {  
           p = I.ptr<uchar>(i);  
           for ( j = 0; j < nCols; ++j)  
           {  
               p[j] = table[p[j]];  
           }  
       }  
       return I;  
   }

    

    注意：书中这段代码是有问题的，前面写成了  

int nRows = I.rows * channels;  
int nCols = I.cols;

　　一般情况 isContinous为true，运行不会出错，但你可以注释掉那个if，会有访问越界的问题。

这种访问形式就是在每行定义一个指针，然后在内存上直接连续访问。如果整个数组在内存上都是连续存放的，那么只需要定义一个指针就可以访问所有的数据！如单通道的灰度图访问方式如下：

uchar* p = I.data;  
for( unsigned int i =0; i < ncol*nrows; ++i)  
    *p++ = table[*p];

安全的方法：迭代器iterator

相比用指针直接访问可能出现越界问题，迭代器绝对是非常安全的方法：

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;  
}

　　这里我们只定义了一个迭代器，用了一个for循环，这是因为在OpenCV里迭代器会访问每一列然后自动跳到下一行，不用管在内存上是否isContinous。另外要注意的是在三通道图像中我们定义的是 <Vec3b>格式的迭代器，如果定义成uchar，则只能访问到B即蓝色通道的值。
这种方式虽然安全，但是挺慢的，一会儿就知道了。

 

更慢的方法：动态地址计算

这种方法在需要连续扫描所有点的应用时并不推荐，因为它更实用与随机访问。这种方法最基本的用途是访问任意的某一行某一列：

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)];  
            break;  
        }  
    case 3:  
        {  
            Mat_<Vec3b> _I = I;  
  
            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;  
}  

因为这种方法是为随机访问设计的，所以真的是奇慢无比。。。

减小颜色空间 color space reduction

现在来介绍下上述函数对每个元素的操作，也就是用table更改像素值。这里其实是做了个减小颜色空间的操作，这在一些识别之类的应用中会大大降低运算复杂度。类如uchar类型的三通道图像，每个通道取值可以是0~255，于是就有 256*256个不同的值。我们可以通过定义：
0~9 范围的像素值为 0
10~19 范围的像素值 为 10
20~29 范围的像素值为 20
。。。。。。
着这样的操作将颜色取值降低为 26*26*26 种情况。这个操作可以用一个简单的公式：

来实现，因为C++中int类型除法操作会自动截余。 类如 Iold=14; Inew=(Iold/10)*10=(14/10)*10=1*10=10;
在处理图像像素时，每个像素需要进行一遍上述计算也需要一定的时间花销。但我们注意到其实只有 0~255 种像素，即只有256种情况。进一步可以把256种计算好的结果提前存在表中 table 中，这样每种情况不需计算直接从 table 中取结果即可。

int divideWith=10;   
uchar table[256];  
for (int i = 0; i < 256; ++i)  
    table[i] = divideWith* (i/divideWith);

于是table[i]存放的是值为i的像素减小颜色空间的结果，这样也就可以理解上述方法中的操作：

 

p[j] = table[p[j]];

LUT : Look up table

OpenCV 很聪明的有个 LUT 函数就是针对这种 Look up talbe 的操作：

Mat lookUpTable(1, 256, CV_8U);  
uchar* p = lookUpTable.data;  
for( int i = 0; i < 256; ++i)  
    p[i] = table[i];  
for (int i = 0; i < times; ++i)  
    LUT(I, lookUpTable, J);

算法计时

为了验证几种方法的效率，可以用一个简单的计时和输出：

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

实验结果

 

原图：

 

降低颜色空间结果：

 

算法时间：

 

更清楚的时间对比表：

 

转载请注明出处：http://blog.csdn.net/xiaowei_cqu/article/details/7771760
实验代码下载：http://download.csdn.net/detail/xiaowei_cqu/4443761