opencv 常见的优化问题和技巧
【1】释放Mat图像内存空间：
Mat image = imread("D:\\OpencvTest\\1.jpg");
image.release();【2】释放图像通道分割的图像空间
std::vector layers;
split(image, layers);
// free memory
for (auto ii = 0; ii < layers.size(); ii++)
layers[ii].release();
layers.clear(); 【3】关于vector内存释放的问题：
由于vector的内存占用空间只增不减，比如你首先分配了10,000个字节，然后erase掉后面9,999个，留下一个有效元素，但是内存占用仍为10,000个。所有内存空间是在vector析构时候才能被系统回收。empty()用来检测容器是否为空的，clear()可以清空所有元素。但是即使clear()，vector所占用的内存空间依然如故，无法保证内存的回收。
如果需要空间动态缩小，可以考虑使用deque。如果是vector类型，可以考虑用swap()来帮助你释放内存。具体方法如下：
如果需要空间动态缩小，可以考虑使用deque。如果是vector类型，可以考虑用swap()来帮助你释放内存。具体方法如下：
vector().swap(pointVec); //或者pointVec.swap(vector ()) 标准模板：
template < class T >
void ClearVector( vector< T >& vt )
{
vector< T > vtTemp;
veTemp.swap( vt );
} swap()是交换函数，使vector离开其自身的作用域，从而强制释放vector所占的内存空间，总而言之，释放vector内存最简单的方法是vector
#include
using namespace std;
vector v; 每次new之后调用v.push_back()该指针，在程序退出或者根据需要，用以下代码进行内存的释放：
for (vector::iterator it = v.begin(); it != v.end(); it ++)
if (NULL != *it)
{
delete *it;
*it = NULL;
}
v.clear(); 【4】opencv中Mat与数组之间值传递的快速方法
利用Mat来存储数据，避免使用数组等操作
cv::Mat mean = (cv::Mat_(2, 1) << 0.4404, 0.3111);
cout << "mean=" << mean << endl;
float a=mean.at(0, 0);
float b = mean.at(0, 0); 将数组内容传递给Mat，示例代码：
unsigned char cbuf[height][width];
cv::Mat img(height, width, CV_8UC1, (unsigned char*)cbuf);将Mat中的内容传递给数组，如果Mat中的数据是连续的，那么对于传递到一维vector我们可以这样：
std::vector array(mat.rows*mat.cols);
if (mat.isContinuous())
array = mat.data; -
unsigned char *array=new unsigned char[mat.rows*mat.cols]; if (mat.isContinuous()) array = mat.data;
对于二维vector的传值，我们可以这样处理
uchar **array = new uchar*[mat.rows];
for (int i=0; i(i); 【5】图像的遍历
OpenCV图像遍历最高效的方法是指针遍历方法。因为图像在OpenCV里的存储机制问题，行与行之间可能有空白单元（一般是补够4的倍数或8的倍数，有些地方也称作“位对齐”，目前我用到的FreeImage和c#中的bitmap中的存储机制也是这样的）。这些空白单元对图像来说是没有意思的，只是为了在某些架构上能够更有效率，比如intel MMX可以更有效的处理那种个数是4或8倍数的行。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。因此最高效的遍历方法如下：
void imageCopy(const Mat& image,Mat& outImage)
{
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(i);
uchar* outData=outImage.ptr(i);
for(int j=0;j PS：一般经过裁剪的Mat图像，都不再连续了，如cv::Mat crop_img = src(rect);crop_img 是不连续的Mat图像，如果想转为连续的，最简单的方法，就是将不连续的crop_img 重新clone()一份给新的Mat就是连续的了。关于Mat连续存储的问题，可见：http://blog.csdn.net/guyuealian/article/details/78614662
【6】防止图像Rect区域越界的好方法
OpenCV的cv::Rect提供了很多实用的方法，可参考： http://blog.csdn.net/da_yuan8421/article/details/60959419：在对图像进行处理时，经常需要截取图像中的某一区域进行处理，如果截取的区域越界时，就容易导致图像崩溃。
//求两个矩形的交集和并集
rect = rect1 & rect2;
rect = rect1 | rect2;
//对矩形进行对比，返回布尔变量
rect1 == rect2;
rect1 != rect2;利用两个Rect的交集，我们可以很轻松的避免图像裁剪区域越界的情况，如下：
Rect rect;
rect.x = -10;
rect.y = -10;
rect.height = 100000;
rect.width = 20000;
rect &= Rect(0, 0, src.cols, src.rows);//求交集
cv::Mat crop_img = src(rect);上例子，原图src的大小=200*200，需要裁剪为rect=[-10,-10,10000,20000]，为了避免裁剪Rect越界，需要特殊的保护，最简单的方法就是，加入这句话：rect &= Rect(0, 0, src.cols, src.rows)，这个交集的Rect肯定是不会越界。
【7】获取OpenCV版本
#define CV_VERSION_ID CVAUX_STR(CV_MAJOR_VERSION) CVAUX_STR(CV_MINOR_VERSION) CVAUX_STR(CV_SUBMINOR_VERSION)
//若你OpenCV的版本是3.2.0，那麽输出为：
cout << CV_VERSION_ID << endl;//320
cout << CVAUX_STR(CV_MAJOR_VERSION) << endl;//3
cout << CVAUX_STR(CV_MINOR_VERSION) << endl;//2
cout << CVAUX_STR(CV_SUBMINOR_VERSION) << endl;//0【8】读写XML或者yml文件数据的
read.xml文本内容：
-
10 8 - f
10. 10. 10. 10. 10. 10. 10. 10. 11. 11. 11. 11. 11. 11. 11. 11. 12. 12. 12. 12. 12. 12. 12. 12. 13. 13. 13. 13. 13. 13. 13. 13. 14. 14. 14. 14. 14. 14. 14. 14. 15. 15. 15. 15. 15. 15. 15. 15. 16. 16. 16. 16. 16. 16. 16. 16. 17. 17. 17. 17. 17. 17. 17. 17. 18. 18. 18. 18. 18. 18. 18. 18. 19. 19. 19. 19. 19. 19. 19. 19.10 1 - f
0. 1. 2. 3. 4. 5. 6. 7. 8. 9.
OpenCV读写方法：
//读xml_test.xml文本的数据
FileStorage fs_read;
Mat TrainningData;
Mat Classes;
string readPath = "D:\\SmartAlbum\\image1\\read.xml";
bool bR = fs_read.open(readPath, FileStorage::READ);
if (bR)
{
fs_read["TrainingData"] >> TrainningData;
fs_read["classes"] >> Classes;
cout << TrainningData << endl;
cout << Classes << endl;
}
fs_read.release();
//将数据写到xml_write.xml文本中 (若不存在会自动创建一个空的xml文件)
string writePath = "D:\\SmartAlbum\\image1\\write.xml";
cv::FileStorage fs_write;
bool bW=fs_write.open(writePath, FileStorage::WRITE);
if (bW)
{
fs_write << "TrainingData" << TrainningData;
fs_write << "classes" << Classes;
}
fs_write.release();保存Vector数据的方法
#include
#include
#include
#include
#include "opencv2/opencv.hpp"
using namespace std;
using namespace cv;
template
void saveVector(FileStorage &fs, vector<_Tp> v,string nodeName) {
fs << nodeName << "["; // 开始时，先输入"["
for (size_t i = 0; i < v.size(); i++)
{
fs << v.at(i);
}
fs << "]";
}
template
bool readVector(FileStorage &fs, vector<_Tp> &v, string nodeName) {
FileNode n = fs[nodeName];
if (n.type() != FileNode::SEQ)
{
cout << "err" << endl;
return false;
}
FileNodeIterator it = n.begin(), it_end = n.end();
for (; it != it_end; ++it) {
v.push_back((_Tp)*it);
}
return true;
}
int main()
{
string savePath = "D:\\SmartAlbum\\image1\\data.xml";
vector imageName;
imageName.push_back("image1.jpg");
imageName.push_back("image2.jpg");
imageName.push_back("image3.jpg");
vector level;
level.push_back(1);
level.push_back(2);
level.push_back(3);
FileStorage fw;
string nodeName1 = "imageName";
string nodeName2 = "level";
//将数据写到xml_write.xml文本中 (若已存在该文件,则会清空当前文件内容再写入)
if (fw.open(savePath, FileStorage::WRITE)) {
saveVector(fw, imageName, nodeName1);
saveVector(fw, level, nodeName2);
}
fw.release();
//读取文件内容
vector imageName2;
vector level2;
string readPath = savePath;
FileStorage fr;
if (fr.open(readPath, FileStorage::READ)) {
readVector(fr, imageName2, nodeName1);
readVector(fr, level2, nodeName2);
}
fr.release();
system("pause");
return 0;
} cv::FileStorage pfs(fileToRead, cv::FileStorage::READ);
cv::FileNode fn = pfs.root();
for (cv::FileNodeIterator fit = fn.begin(); fit != fn.end(); ++fit)
{
cv::FileNode item = *fit;
std::string somekey = item.name();//可以获得node的名称
std::cout << somekey << std::endl;
}cv::Mat test = cv::Mat::zeros(cv::Size(100,100), CV_8UC3);
cv::Mat test1 = test + 128;//仅第1通道被赋值为128
cv::Mat test2 = test + cv::Scalar(128, 128, 128);//三个通道都被赋值为128//IplImage—>Mat
//EXAMPLE：
//浅拷贝：
IplImage* pBinary=cvLoadImage("c://temp.jpg",0);
Mat Img;
Img=cvarrToMat(pBinary);
//深拷贝只需要再在Mat里创建一个新的Mat对象，然后进行数据的复制，再用上述的函数进行数据头的复制（浅拷贝）：
IplImage* pBinary=cvLoadImage("c://temp.jpg", 0);
Mat ImgTemp;
Img=cvarrToMat(pBinary);
Mat Img = ImgTemp.clone();
//Mat—>IplImage
//EXAMPLE:
//浅拷贝:
Mat Img=imread("1.jpg");
IplImage* pBinary = &IplImage(Img);
//深拷贝只要再加一次复制数据：
IplImage *input = cvCloneImage(pBinary);
https://blog.csdn.net/lijiayu2015/article/details/52438160char ->CV_8SC
unsigned char,uchar ->CV_8UC
unsigned short int,ushort->CV_16UC
short int->CV_16SC
int ->CV_32SC
float ->CV_32FC
double->CV_64FCfloat: 4字节，6-7位有效数字 -3.4E-38 到 3.4E38
double: 8字节，15~16位有效数字 -1.7E-308 到 1.7E308
在OpenCV里面，许多数据结构为了达到內存使用的最优化，通常都会用它最小上限的空间来分配变量，有的数据结构也会因为图像文件格式的关系而给予适当的变量，因此需要知道它们声明的空间大小来配置适当的变量。一 般标准的图片，为RGB格式它们的大小为8bits格式，范围为0~255,对一个int空间的类型来说实在是太小，整整浪费了24bits的空间,假设有个640*480的BMP文件空间存储內存,那整整浪费了640*480*3*(32-8)bits的內存空间,总共浪费了2.6MB!，也就是那 2.6MB内什么东西都没存储，如果今天以8bits的格式来存储则只使用到0.6MB的內存而已(640*480*3*(8)+54 bits)，因此，对于文件格式的对应是一件很重要的事。
在这边除了要考虑bits的空间大小外，还要考虑使用类型的正负号的问题，一般的图像文件是不存在负号的，如果今天即使选则正确的空间大小，可是出现的结果却是负的，那就功亏一篑了。这里除了Float及double类型，char，int,short int都是用二的补数表示法,它们不具正负号bit,而Float,double则是用IEEE 754,在第32bit,64bit上有一个正负号bit.
cvCreateImage()及cvCreateMat()对应
1.Unsigned 8bits(一般的图像文件格式使用的大小)
IplImage数据结构参数：IPL_DEPTH_8U
CvMat数据结构参数：CV_8UC1，CV_8UC2，CV_8UC3，CV_8UC4
| 变量类型 | 空间大小 | 范围 | 其他 |
|---|---|---|---|
| uchar | 8bits | 0~255 | (OpenCV缺省变量,同等unsigned char) |
| unsigned char | 8bits | 0~255 |
2.Signed 8bits
IplImage数据结构参数：IPL_DEPTH_8S
CvMat数据结构参数：CV_8SC1，CV_8SC2，CV_8SC3，CV_8SC4
| 变量类型 | 空间大小 | 范围 | 其他 |
|---|---|---|---|
| char | 8bits | -128~127 |
3.Unsigned 16bits
IplImage数据结构参数：IPL_DEPTH_16U
CvMat数据结构参数：CV_16UC1，CV_16UC2，CV_16UC3，CV_16UC4
| 变量类型 | 空间大小 | 范围 | 其他 |
|---|---|---|---|
| ushort | 16bits | 0~65535 | (OpenCV缺省变量,同等unsigned short int) |
| unsigned short int | 16bits | 0~65535 | (unsigned short) |
4.Signed 16bits
IplImage数据结构参数：IPL_DEPTH_16S
CvMat数据结构参数：CV_16SC1，CV_16SC2，CV_16SC3，CV_16SC4
| 变量类型 | 空间大小 | 范围 | 其他 |
|---|---|---|---|
| short int | 16bits | -32768~32767 | (short) |
5.Signed 32bits
IplImage数据结构参数：IPL_DEPTH_32S
CvMat数据结构参数：CV_32SC1，CV_32SC2，CV_32SC3，CV_32SC4
| 变量类型 | 空间大小 | 范围 | 其他 |
|---|---|---|---|
| int | 32bits | -2147483648~2147483647 | (long) |
6.Float 32bits
IplImage数据结构参数：IPL_DEPTH_32F
CvMat数据结构参数：CV_32FC1，CV_32FC2，CV_32FC3，CV_32FC4
| 变量类型 | 空间大小 | 范围 | 其他 |
|---|---|---|---|
| float | 32bits | 1.18*10-38~3.40*1038 |
7.Double 64bits
CvMat数据结构参数：CV_64FC1，CV_64FC2，CV_64FC3，CV_64FC4
| 变量类型 | 空间大小 | 范围 | 其他 |
|---|---|---|---|
| double | 64bits | 2.23*10-308~1.79*10308 |
8.Unsigned 1bit
IplImage数据结构参数：IPL_DEPTH_1U
| 变量类型 | 空间大小 | 范围 | 其他 |
|---|---|---|---|
| bool | 1bit | 0~1 |
其他变量对应
1.Signed 64bits
int64
long long
2.Unsigned 64 bits
uint64
unsigned long long
cv::Mat CreatTable(int level) {
Mat lookUpTable(1, 256, CV_8UC1);
uchar *p = lookUpTable.data;
int div = 256 / level;
for (size_t i = 0; i < 256; i++)
{
p[i] = (i / div)*div;
}
return lookUpTable;
}
static cv::Mat lookUpTable = CreatTable(64);
void main() {
string p1= "D:\\SmartAlbum\\image1\\B\\B15.jpg";
cv::Mat image1 = cv::imread(p1);
cv::Mat dest;
cv::LUT(image1, lookUpTable2, dest);
cv::waitKey(0);
}转载于：http://blog.csdn.net/guyuealian/article/details/78540206