opencv基础到进阶

Posted 2020-09-20

本文为系列文章的第2篇，主要讲解对图像的像素的操作方法。

2.1存取像素值

为了存取矩阵元素，需要指定元素所在的行和列，程序会返回相应的元素。单通道图像返回单个数值，多通道图像，返回的则是一组向量(Vector)。

我们通过分析一段代码来学习这一节的知识点：

void salt(cv::Mat &image,int n){       
    for(int k = 0;k<n;k++){
    int i = rand()%image.cols;
    int j = rand()%image.rows;
　　if(image.channel() == 1)//灰度图
　　image.at<cv::Vec3b>(j,i)=255; 
    if(image.channels() == 3){//彩色
    image.at<cv::Vec3b>(j,i)[0] = 255;//设置为白色 Vec3b为一个由三个8位数组成的向量，是一种数据类型，即由三个unsigned char 组成的向量（三元素向量类型）
    image.at<cv::Vec3b>(j,i)[1] = 255;//彩色图像每个像素由三部分组成：红，绿，蓝通道
    image.at<cv::Vec3b>(j.i)[2] = 255;
        }
    }
}

这里创建了一个函数，他的第一个参数书一张输入图片，该函数会修改此函数，为了达到这个目的，我们需要传使用的参数传递方式。函数的第二个参数是我们想要替换成白的像素点个数。

Mat有很多函数可以获取其初始化的图像的的属性，公有成员变量cols和rows给出了图像的宽和高。成员函数at(int x,int y)可以用来存放图像元素，但需要在编译期知道图像的数据类型，因为cv::Mat可以存放任意数据类型的元素。所以调用at时需要使用以下方式:

image.at<uchar>(j,i) = 255;

调用时需要先打开一个图像;

cv::Mat  image = cv::imread("liufeng.jpg");
salt(image,3000);
cv::namedWindow("Image")；
cv::imshow（"image"，image）；

我们再来看一个实际应用的函数：

void colorReduce(cv::Mat &image, int div = 64){
    int nl = image.rows;//行数
    int nc = image.cols*image.channels();//每行的像素个数
    for(int j=0;j<nl;j++){
    uchar* data = image.ptr<uchar>(j);//cv::Mat提供ptr函数可以得到图像任意行的首地址 等效的指针运算：*data++=*data/div*div + div2
    for(int i=0;i<nc;i++){//对每行的元素进行数据处理
    data[i]= data[i]/div*div+div/2;//公式
        }
    }
}

解释一下原理：在一个彩色图像中，图像数据缓冲区中的前三个自己对应图像左上角像素的三个通道值，接下来的三个字节对应第一行的第二个元素，以此类推。opencv默认使用BGR的通道顺序，第一个通道通常是蓝色。一个WxH大小的图像需要WxHx3个uchar构成的内存块。但是，一般会为了提高效率而在每行的末尾添加一些额外像素，这是处理的的特性决定的，如果行的长度是4或8的倍数，芯片就会更加高效的处理图像，因为他们本身的处理器的位数就是4的倍数（8,16,32,64）。

关于公式的解释：注意到data[i]是整数（假设原来是120），x/div得到的是商（1），余数被舍弃，再×div得到的是64，再加上div/2就是64+32=98。推广点我们可以想到64～127之间的数经过上述运算得到的都是98，其他区间的数可以依此类推。这样就起到了压缩色彩空间的作用。

但是上面这个方法的缺点为有两个for循环，效率较低，我们可以改进一下：

void colorReduce(cv::Mat & image,int div =64){
    int nl = image.rows;
    int nc= iamge.cols*image.channels();//每行的像素个数
    if(image.isContinuous()){//，没有额外的填补像素
    nc = nc*nl;
    nl = 1;}       
}
for(int j=0;j<nl;j++){//对于连续图像，本循环只执行一次
    uchar*data = image.ptr<uchar>(j);
    for(int i=0;i<nc;i++){
    data[i]=data[i]/div*div+div/2;}
}

isContinuous函数可以用来判断这幅图像是否进行了填补，为真则没有进行填补。在没有进行填补时我们就将图像视为长度为WxH的一维数组。

reshape函数可以用来转换数组的维数。

if(image.isContinuous){
    image.reshape(1,//通道数 reshape不需要内存拷贝或者重新分配就能改变矩阵的维度。连个参数分别为新的通道数和新的行数
image.cols*image.rows);//行数
}
int nl = image.rows;
int nc = image.cols*image.channels;

2.2使用迭代器遍历图像

迭代器是一种特殊的类，他专门用来遍历集合中的各个元素，同时隐藏了在给定的集合上元素迭代的具体实现方式。标准模板库（STL）为每个容器类提供了迭代器。下划线意味着cv::Mat Iterator_是一个模板类。这样做的原因是因为通过迭代器来存取图像的元素，就必须在编译期知道图像元素的数据类型。

创建迭代器

cv::Mat  Iterator_<cv::Vec3b> it;

另一种方法是使用定义在Mat_内部的迭代器类型：

cv::Mat_<cv::Vec3b>::iterator  it;

使用第二种方法可以通过常规的begin和end这两个迭代器方法来遍历所有像素：

void colorReduce(cv::Mat &image,int div = 64){
    cv::Mat_<cv::Vec3b>::iterator it =image.begin<cv::Vec3b>();//得到起始位置的迭代器
     cv::Mat_<cv::Vec3b>::iterator itend =image.begin<cv::Vec3b>();//终止位置迭代器
    for(;it!= itend;++it){//处理每个像素
    (*it)[0] = (*it)[0]/div[0]*div+div/2;
    (*it)[1] = (*it)[0]/div[0]*div+div/2;
    (*it)[2] = (*it)[0]/div[0]*div+div/2;
    }
     }

因为我们处理的是彩色图像，所以迭代器返回的是一个向量cv::Vec3b。每个颜色分量可以通过操作符[]得到。

需要的话，对迭代器也可以采取代数运算，如需要把矩阵的第二行作为起始点时可以利用image.begin<cv::Vec3b>()+image.rows来初始化迭代器,使用运算符“*”来读或写元素,读操作：element = *it;写操作：*it = element.

2.3遍历图像与领域操作

在图像处理中，通过当期位置的相邻像素计算新的像素值是很常见的操作（对比等等），当相邻包含图像的前几行和下几行是，你就需要同时扫描图像的若干行。

const  uchar* previous = image.ptr<const uchar>(j-1);
const  uchar* current  = image.ptr<const uchar>(j);
const  uchar* next = image.ptr<const uchar>(j+1);
uchar* output = result.ptr<uchar>(j);//输出行

2.4简单的图像运算

图像是矩阵，矩阵可以代数运算，那么图像当然也可以诺。所有的二元算术函数工作方式都是一样的，他接受两个输入变量和一个输出变量，在一些情况下，还需要指定权重作为运算中的标量因子。每种函数都有几个不同的形式：

//c[i]=a[i]+b[i];
cv::add(imageA,imageB,resultC);
//c[i]=a[i]+b[i];
cv::add(imageA.cv::Scalar(k),resultC);
//c[i]=k1*a[i]+k2*b[i]+k3;
cv::addWeighted（imageA,k1,imageB,k2,k3,resultC）;
//c[i]=l*a[i]+b[i]
cv::sacleAdd(imageA,k,inageB,resultC);

数学运算时常常可能会发生结果超出范围（0~255）的情况发生，这时候我们就可以用cv::saturate_cast来保证结果在范围内。参与运算的图像必须相同的大小和类型，输出图像如果格式不符，那么他会重新分配。

是不是上面的运算特别的复杂，没事，opencv为你做了简化，你可以直接的进行代数运算：

result= 0.7*image1+0.9*image2;

2.5定义感兴趣区域

由于操作运算需要图片具有相同的尺寸，所以我们需要在运算之前定义感兴趣区域（ROI）。需要注意的是ROI和他的父元素指向同一块内存缓冲区。

cv::Mat imageROI;
imageROI = image(cv::Rect(110,110,liufeng.cols,liufeng,rows));
cv::addWeighted(imageaROI,1.0,logo,0.3,0.,imageROI);

两张图片合成后可能会出现不协调的情况出现，所以可以将插入出的像素设置为待插入图像的像素值效果会好一点。

imageROI =image(cv::Rect(110,110,liufeng.cols,liufeng.rows));//定义ROI
cv::Mat mask= cv::imread("liufeng.bmp",0);//加载掩模
liufeng.copyTo(imageROI,mask);//通过掩模拷贝ROI

利用cv:: rect定义ROI,指定矩形的左上角坐标（前两个参数）和矩形的长宽（后两个参数）就可以定义一个矩形区域了。

另一种方法是使用cv::range来指定感兴趣的行或列的范围：

cv::Mat imageROT= image(cv::Range(110,110+liufeng.rows),cv::range(110,110+liufeng.cols));

如果想创建原始图像特定行或列的ROI，则可以

cv::Mat imageROI = image.rowRange(start,end);
cv::Mat imageROI = image.colRange(start,end);