今天百度搜資料還搜到了自己的。。。《通路圖像中每個像素的值》，這是之前寫的了，用的也是2.0的風格IplImage*格式，不太适用後來Mat的格式，特此重寫一篇。
以下例子源自《The OpenCV Tutorials --Release 2.4.2》2.2 How to scan images, lookup tables and time measurement with OpenCV
圖像容器Mat
還是先看Mat的存儲形式。Mat和Matlab裡的數組格式有點像，但一般是二維向量，如果是灰階圖，一般存放 <uchar>類型；如果是RGB彩色圖，存放 <Vec3b>類型。 單通道灰階圖資料存放格式：
多通道的圖像中，每列并列存放通道數量的子列，如RGB三通道彩色圖：
注意通道的順序反轉了：BGR。通常情況記憶體足夠大的話圖像的每一行是連續存放的，也就是在記憶體上圖像的所有資料存放成一行，這中情況在通路時可以提供很大友善。可以用 isContinuous()函數來判斷圖像數組是否為連續的。
通路圖像中的像素
高效的方法：C操作符[ ]
最快的是直接用C風格的記憶體通路操作符[]來通路：
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： 書中這段代碼是有問題的，前面寫成了
int nRows = I.rows * channels;
int nCols = I.cols;
一般情況 isContinous為true，運作不會出錯，但你可以注釋掉那個if，會有通路越界的問題。 這種通路形式就是在每行定義一個指針，然後在記憶體上直接連續通路。如果整個數組在記憶體上都是連續存放的，那麼隻需要定義一個指針就可以通路所有的資料！如單通道的灰階圖通路方式如下：
uchar* p = I.data;
for( unsigned int i =0; i < ncol*nrows; ++i)
*p++ = table[*p];
安全的方法：疊代器iterator
相比用指針直接通路可能出現越界問題，疊代器絕對是非常安全的方法：
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;
}
這裡我們隻定義了一個疊代器，用了一個for循環，這是因為在OpenCV裡疊代器會通路每一列然後自動跳到下一行，不用管在記憶體上是否isContinous。另外要注意的是在三通道圖像中我們定義的是 <Vec3b>格式的疊代器，如果定義成uchar，則隻能通路到B即藍色通道的值。
這種方式雖然安全，但是挺慢的，一會兒就知道了。
更慢的方法：動态位址計算
這種方法在需要連續掃描所有點的應用時并不推薦，因為它更實用與随機通路。這種方法最基本的用途是通路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;
}
因為這種方法是為随機通路設計的，是以真的是奇慢無比。。。
減小顔色空間 color space reduction
現在來介紹下上述函數對每個元素的操作，也就是用table更改像素值。這裡其實是做了個減小顔色空間的操作，這在一些識别之類的應用中會大大降低運算複雜度。類如uchar類型的三通道圖像，每個通道取值可以是0~255，于是就有 256*256個不同的值。我們可以通過定義：
0~9 範圍的像素值為 0
10~19 範圍的像素值 為 10
20~29 範圍的像素值為 20
。。。。。。
着這樣的操作将顔色取值降低為 26*26*26 種情況。這個操作可以用一個簡單的公式：
來實作，因為C++中int類型除法操作會自動截餘。 類如 Iold=14; Inew=(Iold/10)*10=(14/10)*10=1*10=10;
在處理圖像像素時，每個像素需要進行一遍上述計算也需要一定的時間花銷。但我們注意到其實隻有 0~255 種像素，即隻有256種情況。進一步可以把256種計算好的結果提前存在表中 table 中，這樣每種情況不需計算直接從 table 中取結果即可。
int divideWith=10;
uchar table[256];
for (int i = 0; i < 256; ++i)
table[i] = divideWith* (i/divideWith);
于是table[i]存放的是值為i的像素減小顔色空間的結果，這樣也就可以了解上述方法中的操作：
p[j] = table[p[j]];
LUT : Look up table
OpenCV 很聰明的有個 LUT 函數就是針對這種 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);
算法計時
為了驗證幾種方法的效率，可以用一個簡單的計時和輸出：
double t;
t = (double)getTickCount();
t = 1000*((double)getTickCount() - t)/getTickFrequency();
t /= times;
實驗結果
原圖：
降低顔色空間結果：
算法時間：
更清楚的時間對比表：
轉載請注明出處：http://blog.csdn.net/xiaowei_cqu/article/details/7771760
實驗代碼下載下傳：http://download.csdn.net/detail/xiaowei_cqu/4443761