- 当Mat为多通道时,如3通道,如果我们将其内容输出到终端,则可以看出其列数为Mat::cols的n倍,当然n为Mat的通道数。虽是如此,但是Mat::cols的数值并没有随之改变。
- 当复制一副图像时,利用函数cv::Mat::clone(),则将在内存中重新开辟一段新的内存存放复制的图像(图像数据也将全部复制),而如果利用cv::Mat::copyTo()复制图像,则不会在内存中开辟一段新的内存块,同时也不会复制图像数据,复制前后的图像的指针指向同一个内存块。使用的时候需注意两个函数的区别。
- 为了避免函数参数传递时出现复制情况,函数的形参多采用传递reference,如cv::Mat &image,传递输入图像的引用,不过这样函数可能会对输入图像进行修改,并反映到输出结果上;如果想避免修改输入图像,则函数形参可传递const reference,这样输入图像不会被修改,同时可以创建一个输出图像Mat,将函数处理的结果保存到输出图像Mat中,例如:void
colorReduce4(const cv::Mat &image, cv::Mat &result,int div = 64)。 - 采用迭代器iterator来遍历图像像素,可简化过程,比较安全,不过效率较低;如果想避免修改输入图像实例cv::Mat,可采用const_iterator。
- 遍历图像时,不要采用.at()方式,这种效率最低。
- 进行图像像素压缩时,利用位操作的算法效率最高,其次是利用整数除法中向下取整,效率最低的是取模运算。
- 设计函数时,需要检查计算效率来提高程序的性能,不过以牺牲程序的可读性来提高代码执行的效率并不是一个明智的选择。
- 执行效率情况见程序运行结果。
/*************************************************************** * ***************************************************************/ #include <opencv2/core/core.hpp> #include <opencv2/imgproc/imgproc.hpp> #include <opencv2/highgui/highgui.hpp> #include <iostream> //利用.ptr和数组下标进行图像像素遍历 void colorReduce0(cv::Mat &image, int div = 64) { int nl = image.rows; int nc = image.cols * image.channels(); //遍历图像的每个像素 for(int j=0; j<nl ;++j) { uchar *data = image.ptr<uchar>(j); for(int i=0; i<nc; ++i) { data[i] = data[i]/div*div+div/2; //减少图像中颜色总数的关键算法:if div = 64, then the total number of colors is 4x4x4;整数除法时,是向下取整。 } } } //利用.ptr和 *++ 进行图像像素遍历 void colorReduce1(cv::Mat &image, int div = 64) { int nl = image.rows; int nc = image.cols * image.channels(); //遍历图像的每个像素 for(int j=0; j<nl ;++j) { uchar *data = image.ptr<uchar>(j); for(int i=0; i<nc; ++i) { *data++ = *data/div*div + div/2; } } } //利用.ptr和数组下标进行图像像素遍历,取模运算用于减少图像颜色总数 void colorReduce2(cv::Mat &image, int div = 64) { int nl = image.rows; int nc = image.cols * image.channels(); //遍历图像的每个像素 for(int j=0; j<nl ;++j) { uchar *data = image.ptr<uchar>(j); for(int i=0; i<nc; ++i) { data[i] = data[i]-data[i]%div +div/2; //利用取模运算,速度变慢,因为要读每个像素两次 } } } //利用.ptr和数组下标进行图像像素遍历,位操作运算用于减少图像颜色总数 void colorReduce3(cv::Mat &image, int div = 64) { int nl = image.rows; int nc = image.cols * image.channels(); int n = static_cast<int>(log(static_cast<double>(div))/log(2.0)); //div=64, n=6 uchar mask = 0xFF<<n; //e.g. div=64, mask=0xC0 //遍历图像的每个像素 for(int j=0; j<nl ;++j) { uchar *data = image.ptr<uchar>(j); for(int i=0; i<nc; ++i) { *data++ = *data&mask + div/2; } } } //形参传入const conference,故输入图像不会被修改;利用.ptr和数组下标进行图像像素遍历 void colorReduce4(const cv::Mat &image, cv::Mat &result,int div = 64) { int nl = image.rows; int nc = image.cols * image.channels(); result.create(image.rows,image.cols,image.type()); //遍历图像的每个像素 for(int j=0; j<nl ;++j) { const uchar *data_in = image.ptr<uchar>(j); uchar *data_out = result.ptr<uchar>(j); for(int i=0; i<nc; ++i) { data_out[i] = data_in[i]/div*div+div/2; //减少图像中颜色总数的关键算法:if div = 64, then the total number of colors is 4x4x4;整数除法时,是向下取整。 } } } //利用.ptr和数组下标进行图像像素遍历,并将nc放入for循环中(比较糟糕的做法) void colorReduce5(cv::Mat &image, int div = 64) { int nl = image.rows; //遍历图像的每个像素 for(int j=0; j<nl ;++j) { uchar *data = image.ptr<uchar>(j); for(int i=0; i<image.cols * image.channels(); ++i) { data[i] = data[i]/div*div+div/2; //减少图像中颜色总数的关键算法:if div = 64, then the total number of colors is 4x4x4;整数除法时,是向下取整。 } } } //利用迭代器 cv::Mat iterator 进行图像像素遍历 void colorReduce6(cv::Mat &image, int div = 64) { cv::Mat_<cv::Vec3b>::iterator it = image.begin<cv::Vec3b>(); //由于利用图像迭代器处理图像像素,因此返回类型必须在编译时知道 cv::Mat_<cv::Vec3b>::iterator itend = image.end<cv::Vec3b>(); for(;it != itend; ++it) { (*it)[0] = (*it)[0]/div*div+div/2; //利用operator[]处理每个通道的像素 (*it)[1] = (*it)[1]/div*div+div/2; (*it)[2] = (*it)[2]/div*div+div/2; } } //利用.at<cv::Vec3b>(j,i)进行图像像素遍历 void colorReduce7(cv::Mat &image, int div = 64) { int nl = image.rows; int nc = image.cols; //遍历图像的每个像素 for(int j=0; j<nl ;++j) { for(int i=0; i<nc; ++i) { image.at<cv::Vec3b>(j,i)[0] = image.at<cv::Vec3b>(j,i)[0]/div*div + div/2; image.at<cv::Vec3b>(j,i)[1] = image.at<cv::Vec3b>(j,i)[1]/div*div + div/2; image.at<cv::Vec3b>(j,i)[2] = image.at<cv::Vec3b>(j,i)[2]/div*div + div/2; } } } //减少循环次数,进行图像像素遍历,调用函数较少,效率最高。 void colorReduce8(cv::Mat &image, int div = 64) { int nl = image.rows; int nc = image.cols; //判断是否是连续图像,即是否有像素填充 if(image.isContinuous()) { nc = nc*nl; nl = 1; } int n = static_cast<int>(log(static_cast<double>(div))/log(2.0)); uchar mask = 0xFF<<n; //遍历图像的每个像素 for(int j=0; j<nl ;++j) { uchar *data = image.ptr<uchar>(j); for(int i=0; i<nc; ++i) { *data++ = *data & mask +div/2; *data++ = *data & mask +div/2; *data++ = *data & mask +div/2; } } } const int NumTests = 9; //测试算法的数量 const int NumIteration = 20; //迭代次数 int main(int argc, char* argv[]) { int64 t[NumTests],tinit; cv::Mat image1; cv::Mat image2; //数组初始化 int i=0; while(i<NumTests) { t[i++] = 0; } int n = NumIteration; //迭代n次,取平均数 for(int i=0; i<n; ++i) { image1 = cv::imread("../boldt.jpg"); if(!image1.data) { std::cout<<"read image failue!"<<std::endl; return -1; } // using .ptr and [] tinit = cv::getTickCount(); colorReduce0(image1); t[0] += cv::getTickCount() - tinit; // using .ptr and *++ image1 = cv::imread("../boldt.jpg"); tinit = cv::getTickCount(); colorReduce1(image1); t[1] += cv::getTickCount() - tinit; // using .ptr and [] and modulo image1 = cv::imread("../boldt.jpg"); tinit = cv::getTickCount(); colorReduce2(image1); t[2] += cv::getTickCount() - tinit; // using .ptr and *++ and bitwise image1 = cv::imread("../boldt.jpg"); tinit = cv::getTickCount(); colorReduce3(image1); t[3] += cv::getTickCount() - tinit; //using input and output image image1 = cv::imread("../boldt.jpg"); tinit = cv::getTickCount(); colorReduce4(image1,image2); t[4] += cv::getTickCount() - tinit; // using .ptr and [] with image.cols * image.channels() image1 = cv::imread("../boldt.jpg"); tinit = cv::getTickCount(); colorReduce5(image1); t[5] += cv::getTickCount() - tinit; // using .ptr and *++ and iterator image1 = cv::imread("../boldt.jpg"); tinit = cv::getTickCount(); colorReduce6(image1); t[6] += cv::getTickCount() - tinit; //using at image1 = cv::imread("../boldt.jpg"); tinit = cv::getTickCount(); colorReduce7(image1); t[7] += cv::getTickCount() - tinit; //using .ptr and * ++ and bitwise (continuous+channels) image1 = cv::imread("../boldt.jpg"); tinit = cv::getTickCount(); colorReduce8(image1); t[8] += cv::getTickCount() - tinit; } cv::namedWindow("Result"); cv::imshow("Result",image1); cv::namedWindow("Result Image"); cv::imshow("Result Image",image2); std::cout<<std::endl<<"-------------------------------------------------------------------------"<<std::endl<<std::endl; std::cout<<"using .ptr and [] = "<<1000*t[0]/cv::getTickFrequency()/n<<"ms"<<std::endl; std::cout<<"using .ptr and *++ = "<<1000*t[1]/cv::getTickFrequency()/n<<"ms"<<std::endl; std::cout<<"using .ptr and [] and modulo = "<<1000*t[2]/cv::getTickFrequency()/n<<"ms"<<std::endl; std::cout<<"using .ptr and *++ and bitwise = "<<1000*t[3]/cv::getTickFrequency()/n<<"ms"<<std::endl; std::cout<<"using input and output image = "<<1000*t[4]/cv::getTickFrequency()/n<<"ms"<<std::endl; std::cout<<"using .ptr and [] with image.cols * image.channels() = "<<1000*t[5]/cv::getTickFrequency()/n<<"ms"<<std::endl; std::cout<<"using .ptr and *++ and iterator = "<<1000*t[6]/cv::getTickFrequency()/n<<"ms"<<std::endl; std::cout<<"using at = "<<1000*t[7]/cv::getTickFrequency()/n<<"ms"<<std::endl; std::cout<<"using .ptr and * ++ and bitwise (continuous+channels) = "<<1000*t[8]/cv::getTickFrequency()/n<<"ms"<<std::endl; std::cout<<std::endl<<"-------------------------------------------------------------------------"<<std::endl<<std::endl; cv::waitKey(); return 0; }
http://www.cnblogs.com/liu-jun/archive/2012/08/12/JackyLiu.html