第四章(上)-阿里云开发者社区

开发者社区> 人工智能> 正文
登录阅读全文

第四章(上)

简介: 第四章The cv::Mat Class: N-Dimensional Dense Arrays Mat n维稠密阵列 The cv::Mat class can be used for arrays of any number of dimensions. The data is                  mat可以作为任意维的数组。
第四章
The cv::Mat Class: N-Dimensional Dense Arrays
Mat n维稠密阵列
The cv::Mat class can be used for arrays of any number of dimensions. The data is                  mat可以作为任意维的数组。这些数据可以被认为以“光栅扫描”
stored in the array in what can be thought of as an n-dimensional analog of “raster                   的形式进行了保存。也就是说,在一维数据中,数据是连续的。
scan order.” This means that in a one-dimensional array, the elements are sequential.
In  a  two-dimensional  array,  the  data  is  organized  into  rows,  and  each  row  appears       在二维数据中,数据分割成行,而且每一个行紧密排列。
one after the other. For three-dimensional arrays, each plane is filled out row by row,               在三维数据中,每一个平面连续排列。
and then the planes are packed one after the other.

Each matrix contains a flags element signaling the contents of the array, a dims ele‐                   每一个矩阵包含一个flag,分别表明不同特性。dims 表明维度;rows cols表明 rows 
ment  indicating  the  number  of  dimensions,  rows  and  cols  elements  indicating  the            columns大小,此外还包含一个指向数据保存位置的指针;还有一个ptr<>使用频率
number  of  rows  and  columns  (these  are  not  valid  for  dims>2),  a  data  pointer  to          计数。ptr<>可以是Mat使用起来非常类似smart 的指针。
where the array data is stored, and a refcount reference counter analogous to the ref‐
erence counter used by cv::Ptr<>. This latter member allows cv::Mat to behave very
much like a smart pointer for the data contained in data. The memory layout in data                 Mat的内存布局很大程度上由step[]来表示。内存结构为
is described by the array step[]. The data array is laid out such that the address of an
element whose indices are given by (i0, ii,  … , iN) is

img_2e2e263befbcb1ffd6831641e9d3ecf2.png

img_255e29d754d4bb2ac503f92d5d000de5.jpe
对于简单的2维矩阵,也就是图片
img_6e0ac0c7cba5f6b1398c53f50fdaec27.png
    
 
Mat的多种定义方法
img_fbb22365ce59ac7ae0c02f1ab965b13a.png
img_14933eca70c8effe181395a5171f22ed.png
 img_f3bce9dca3a99e75b432d97e657a1d93.png
img_d215aa22655a41b205266593c6a5d403.png
img_a9fb3b1b1bd6a5fab47ec72440fccae0.png
img_3443d51c0e7446b234e86d73838b5aec.png
从老版本的cvmat和iplimage中转换得到mat
    img_ccac58a2b0a828953a4a3a3cf1205403.png

遍历图像的4种方式(来自 cnblogs ronny)

一、at<typename>(i,j)

Mat类提供了一个at的方法用于取得图像上的点,它是一个模板函数,可以取到任何类型的图像上的点。下面我们通过一个图像处理中的实际来说明它的用法。

在实际应用中,我们很多时候需要对图像降色彩,因为256*256*256实在太多了,在图像颜色聚类或彩色直方图时,我们需要用一些代表性的颜色代替丰富的色彩空间,我们的思路是将每个通道的256种颜色用64种代替,即将原来256种颜色划分64个颜色段,每个颜色段取中间的颜色值作为代表色。

void colorReduce(Mat& image,int div){  
  for(int i=0;i<image.rows;i++){     
   for(int j=0;j<image.cols;j++){          
  image.at<Vec3b>(i,j)[0]=image.at<Vec3b>(i,j)[0]/div*div+div/2;           
  image.at<Vec3b>(i,j)[1]=image.at<Vec3b>(i,j)[1]/div*div+div/2;           
  image.at<Vec3b>(i,j)[2]=image.at<Vec3b>(i,j)[2]/div*div+div/2;
        }
    }
}

通过上面的例子我们可以看出,at方法取图像中的点的用法:

image.at<uchar>(i,j):取出灰度图像中i行j列的点。

image.at<Vec3b>(i,j)[k]:取出彩色图像中i行j列第k通道的颜色点。其中uchar,Vec3b都是图像像素值的类型,不要对Vec3b这种类型感觉害怕,其实在core里它是通过typedef Vec<T,N>来定义的,N代表元素的个数,T代表类型。

二、高效一点:用指针来遍历图像

上面的例程中可以看到,我们实际喜欢把原图传进函数内,但是在函数内我们对原图像进行了修改,而将原图作为一个结果输出,很多时候我们需要保留原图,这样我们需要一个原图的副本。

void colorReduce(const Mat& image,Mat& outImage,int div)
{    // 创建与原图像等尺寸的图像    
outImage.create(image.size(),image.type());    
int nr=image.rows;    // 将3通道转换为1通道  
  int nl=image.cols*image.channels();   
for(int k=0;k<nr;k++)
    {        // 每一行图像的指针       
 const uchar* inData=image.ptr<uchar>(k);   
     uchar* outData=outImage.ptr<uchar>(k);     
   for(int i=0;i<nl;i++)
        {
            outData[i]=inData[i]/div*div+div/2;
        }
    }
}

从上面的例子中可以看出,取出图像中第i行数据的指针:image.ptr<uchar>(i)

值得说明的是:程序中将三通道的数据转换为1通道,在建立在每一行数据元素之间在内存里是连续存储的,每个像素三通道像素按顺序存储。也就是一幅图像数据最开始的三个值,是最左上角的那像素的三个通道的值。

三、更高效的方法

上面已经提到过了,一般来说图像行与行之间往往存储是不连续的,但是有些图像可以是连续的,Mat提供了一个检测图像是否连续的函数isContinuous()。当图像连通时,我们就可以把图像完全展开,看成是一行。

void colorReduce(const Mat& image,Mat& outImage,int div)
{   
 int nr=image.rows;    
  int nc=image.cols;  
     outImage.create(image.size(),image.type());   
    if(image.isContinuous()&&outImage.isContinuous())
    {
        nr=1;
        nc=nc*image.rows*image.channels();
    }    
    for(int i=0;i<nr;i++)
    {       
       const uchar* inData=image.ptr<uchar>(i);      
       uchar* outData=outImage.ptr<uchar>(i);     
      for(int j=0;j<nc;j++)
        {
            *outData++=*inData++/div*div+div/2;
        }
    }
}

用指针除了用上面的方法外,还可以用指针来索引固定位置的像素:

image.step返回图像一行像素元素的个数(包括空白元素),image.elemSize()返回一个图像像素的大小。

&image.at<uchar>(i,j)=image.data+i*image.step+j*image.elemSize();

四、还有吗?用迭代器来遍历。

下面的方法可以让我们来为图像中的像素声明一个迭代器:

MatIterator_<Vec3b> it;

Mat_<Vec3b>::iterator it;

如果迭代器指向一个const图像,则可以用下面的声明:

MatConstIterator<Vec3b> it;  

Mat_<Vec3b>::const_iterator it;

下面我们用迭代器来简化上面的colorReduce程序:

void colorReduce(const Mat& image,Mat& outImage,int div)
{   
 outImage.create(image.size(),image.type());    
 MatConstIterator_<Vec3b> it_in=image.begin<Vec3b>();  
 MatConstIterator_<Vec3b> itend_in=image.end<Vec3b>();  
 MatIterator_<Vec3b> it_out=outImage.begin<Vec3b>();   
 MatIterator_<Vec3b> itend_out=outImage.end<Vec3b>();    
while(it_in!=itend_in)
    {
        (*it_out)[0]=(*it_in)[0]/div*div+div/2;
        (*it_out)[1]=(*it_in)[1]/div*div+div/2;
        (*it_out)[2]=(*it_in)[2]/div*div+div/2;
        it_in++;
        it_out++;
    }
}

如果你想从第二行开始,则可以从image.begin<Vec3b>()+image.rows开始。(

tips:在opencv中,两种生成随机数的方法

randu(src,-1.0f,1.0f);

rng.fill(src,RNG::UNIFORM,0.f,1.f);

img_c03e437e1b9f5a7868e38f50f30f47b9.png

img_b8470d4710f28eeb51434097104b5a2c.png





目前方向:图像拼接融合、图像识别 联系方式:jsxyhelu@foxmail.com

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享: