用指针扫描图像 - sumpig/OpenCV GitHub Wiki

本节和下一节将展示几种实现高效扫描循环的方法，本节将使用 指针运算。

我们来做一个简单的任务：减少图像中颜色的数量。

基本的减色算法很简单。假设 N 是减色因子，将图像中每个像素的值除以 N（这里假定使用整数除法，不保留余数）。然后将结果乘以 N，得到 N 的倍数，并且刚好不超过原始像素值。加上 N / 2，就得到相邻的 N 倍数之间的中间值。对所有 8 位通道值重复这个过程，就会得到 (256 / N) × (256 / N) × (256 / N)种可能的颜色值。


实现

创建一个二重循环遍历所有像素值，代码如下所示：

void colorReduce(cv::Mat image, int div=64) {

    int nl= image.rows;
    int nc= image.cols * image.channels(); // 每行的元素数量

    for (int j=0; j<nl; j++) {

        // 取得行j 的地址
        uchar* data= image.ptr<uchar>(j);

        for (int i=0; i<nc; i++) {

            data[i]= data[i]/div*div + div/2;
        } 
    }
}

原理

在彩色图像中，图像数据缓冲区的前 3 字节表示左上角像素的三个通道的值，接下来的 3 字节表示第 1 行的第 2 个像素，以此类推（注意OpenCV 默认的通道次序为BGR）。

出于性能上的考虑，我们会用几个额外的像素来填补行的长度。这些额外的像素既不会显示也不被保存，它们的额外数据会被忽略。

OpenCV 把经过填充的行的长度指定为有效宽度。如果图像没有用额外的像素填充，那么有效宽度就等于实际的图像宽度。用 step 数据属性可得到单位是字节的有效宽度。

通过 elemSize 方法（例如一个三通道短整型的矩阵CV_16SC3，elemSize 会返回6）可以获得像素的大小，通过 channels 方法（灰度图像为1，彩色图像为3）获得图像中通道的数量，最后用 total 方法返回矩阵中的像素（即矩阵的条目）总数。

为了简化指针运算的计算过程，cv::Mat 类提供了 ptr 方法，可以直接访问图像中一行的起始地址。


扩展

其他减色算法

减色计算也可以使用取模运算符，它可以直接得到div 的倍数，代码如下所示：

data[i] = data[i] – data[i]%div + div/2;

还可以使用位运算符,使用位运算的代码运行效率很高。

如果把减色因子限定为 2 的指数，即 div=pow(2,n)，那么把像素值的前 n 位掩码后就能得到最接近的 div 的倍数。可以用简单的位移操作获得掩码，代码如下所示：

// 用来截取像素值的掩码
uchar mask = 0xFF << n; // 如div=16，则 mask = 0xF0

可用下面的代码实现减色运算：

*data &= mask; // 掩码
*data += div>>1; // 加上div/2
// 这里的+也可以改用“按位或”运算符

使用输入和输出参数

有的程序不希望对原始图像进行修改，这时就必须在调用函数前备份图像。

对图像进行深复制最简单的方法是使用 clone() 方法，如下面的代码所示：

// 读入图像
image= cv::imread("boldt.jpg");
// 复制图像
cv::Mat imageClone= image.clone();

这里的关键是先检查输出图像，验证它是否分配了一定大小的数据缓冲区，以及像素类型与输入图像是否相符。

当你用新的大小和像素类型重新分配矩阵时，就要调用 create 方法。。如果矩阵已有的大小和类型刚好与指定的大小和类型相同，这个方法就不会执行任何操作，也不会修改实例，而只是直接返回。

因此，函数中首先要调用create 方法，构建一个大小和类型都与输入图像相同的矩阵（如果必要）：

result.create(image.rows, image.cols, image.type());

分配的内存块的大小表示为 total()*elemSize()。

扫描过程中使用两个指针：

for (int j=0; j<nl; j++) {

    // 获得第j 行的输入和输出的地址
    const uchar* data_in = image.ptr<uchar>(j);
    uchar* data_out = result.ptr<uchar>(j);

    for (int i=0; i<nc*nchannels; i++) {

        data_out[i] = data_in[i]/div*div + div/2;
    } 
}

对连续图像的高效扫描

用 cv::Mat 的 isContinuous 方法可轻松判断图像有没有被填充。如果图像中没有填充像素，它就返回 true。

我们还能这样测试矩阵的连续性：

// 检查行的长度（字节数）与“列的个数×单个像素”的字节数是否相等
image.step == image.cols*image.elemSize();

在一些特殊的处理算法中，你可以充分利用图像的连续性，在单个（更长）循环中处理图像。处理函数就可以改为：

void colorReduce(cv::Mat image, int div=64) {

    int nl= image.rows; 
    int nc= image.cols * image.channels();

    if (image.isContinuous()) {

        // 没有填充的像素
        nc= nc*nl;
        nl= 1; // 它现在成了一个一维数组
    }

    int n= static_cast<int>(log(static_cast<double>(div))/log(2.0) + 0.5);
    uchar mask= 0xFF<<n; 
    uchar div2 = div >> 1; 

    // 对于连续图像，这个循环只执行一次
    for (int j=0; j<nl; j++) {

        uchar* data= image.ptr<uchar>(j);
        for (int i=0; i<nc; i++) {

            *data &= mask;
            *data++ += div2;
        }
    }
}

如果连续性测试结果表明图像中没有填充像素，我们就把宽度设为 1，高度设为 W×H，从而去除外层的循环。注意，这里还需要用 reshape 方法。本例中需要这样写：

if (image.isContinuous()){

    // 没有填充像素
    image.reshape(
        1, // 新的通道数
        1); // 新的行数
}

int nl = image.rows; // 行数
int nc = image.cols * image.channels();

如果是用reshape 方法修改矩阵的维数，就不需要复制内存或重新分配内存了。第一个参数是新的通道数，第二个参数是新的行数。列数会进行相应的修改。

低层次指针算法

在 cv::Mat 类中，图像数据是存放在无符号字符型的内存块中的。其中 data 属性表示内存块第一个元素的地址，它会返回一个无符号字符型的指针。

如果要从图像的起点开始循环，你可以用如下代码：

uchar *data= image.data;

利用有效宽度来移动行指针，可以从一行移到下一行，代码如下所示：

data += image.step; // 下一行

用 step 属性可得到一行的总字节数（包括填充像素）。通常可以用下面的方法得到第 j 行、第 i 列的像素的地址：

// (j,i)像素的地址，即&image.at(j,i)
data = image.data + j*image.step + i*image.elemSize();

尽管这种处理方法在上述例子中能起作用，但是并不推荐使用。

⚠️ **GitHub.com Fallback** ⚠️