opencv中高斯模糊(滤波器)的源码解析(c++版) 下
剩下部分
/**
这里主要是针对opencl(GPU加速)无法使用的情况进行CPU版本计算
这个IPP是一个Intel提供的开源的计算机视觉加速库，可以提供很多算法的Intel专属的多线程优化方案API，这也是为什么下面在opencl的gpu优化代码之后还又添加了利用CPU版本的filter2D的计算方案(因为有部分Intel专属的优化函数，针对APU和老式的Intel CPU(09年之前)无法进行计算，所以只能选取最普通的filter2D计算方案执行)
官网FAQ(有兴趣可以了解一下): https://software.intel.com/en-us/articles/intel-integrated-performance-primitives-intel-ipp-open-source-computer-vision-library-opencv-faq/
*/
CV_IPP_RUN(!(ocl::useOpenCL() && _dst.isUMat()), ipp_GaussianBlur( _src, _dst, ksize, sigma1, sigma2, borderType));
Mat kx, ky;
/**
这里是新建一个高斯卷积内核(后面讲)
*/
createGaussianKernels(kx, ky, type, ksize, sigma1, sigma2);
/**
这里是针对ksize = 3 or 5的情况做了opencl优化(A卡N卡均可享受opencl优化qwq)
*/
CV_OCL_RUN(_dst.isUMat() && _src.dims() <= 2 &&
((ksize.width == 3 && ksize.height == 3) ||
(ksize.width == 5 && ksize.height == 5)) &&
(size_t)_src.rows() > ky.total() && (size_t)_src.cols() > kx.total(),
ocl_GaussianBlur_8UC1(_src, _dst, ksize, CV_MAT_DEPTH(type), kx, ky, borderType));
/**
这里便是利用filter2D进行操作了
传入Point(-1, -1) 是指内核中的锚点(就是后面的anchor)位置。默认值（-1，-1）表示锚点位于内核中心。
0 则是存储单位 默认是0 后面会通过计算改变并存储
*/
sepFilter2D(_src, _dst, CV_MAT_DEPTH(type), kx, ky, Point(-1,-1), 0, borderType);这里在下主要解析createGaussianKernels与sepFilter2D这两个函数，主要是因为无论是openvx_gaussianBlur还是ipp_GaussianBlur以及ocl_GaussianBlur_8UC1都有着大量未知的API，要读懂这些API还需要大量文档查阅，在下在此就先不解析了。
所以首先先来看一下createGaussianKernels这个函数：
/**
这个函数仅是用于是创建高斯卷积核
*/
static void createGaussianKernels( Mat & kx, Mat & ky, int type, Size ksize,
double sigma1, double sigma2 )
{
int depth = CV_MAT_DEPTH(type); // 根据输入图像类型获得位深度
if( sigma2 <= 0 )
sigma2 = sigma1; // 非正则与sigma1相同
// 从sigma自动检测内核大小(如果用户没有设置ksize的话)
// 根据CV_8U来计算 大致接近7*sigma 或者 9*sigma
// cvRound函数还内联了汇编 在下看不懂了
// |1 的原因是使宽高为奇数
if( ksize.width <= 0 && sigma1 > 0 )
ksize.width = cvRound(sigma1*(depth == CV_8U ? 3 : 4)*2 + 1)|1;
if( ksize.height <= 0 && sigma2 > 0 )
ksize.height = cvRound(sigma2*(depth == CV_8U ? 3 : 4)*2 + 1)|1;
// 这句只是为了保证卷积核的宽跟高是正奇数
CV_Assert( ksize.width > 0 && ksize.width % 2 == 1 &&
ksize.height > 0 && ksize.height % 2 == 1 );
// 取最大
sigma1 = std::max( sigma1, 0. );
sigma2 = std::max( sigma2, 0. );
kx = getGaussianKernel( ksize.width, sigma1, std::max(depth, CV_32F) );
if( ksize.height == ksize.width && std::abs(sigma1 - sigma2) < DBL_EPSILON )
// 这里 如果判断核高与核宽相等，且sigma相差很小的情况下
// 便可以直接进行赋值操作，减少了计算量
ky = kx;
else
ky = getGaussianKernel( ksize.height, sigma2, std::max(depth, CV_32F) );
}从中我们还需要解析getGaussianKernel这个函数：
cv::Mat cv::getGaussianKernel( int n, double sigma, int ktype )
{
// 这里定义了一个常量用以规定大小
const int SMALL_GAUSSIAN_SIZE = 7;
// 一个4 * 7的矩阵，用于对奇数长度小内核进行优化计算
static const float small_gaussian_tab[][SMALL_GAUSSIAN_SIZE] =
{
{1.f},
{0.25f, 0.5f, 0.25f},
{0.0625f, 0.25f, 0.375f, 0.25f, 0.0625f},
{0.03125f, 0.109375f, 0.21875f, 0.28125f, 0.21875f, 0.109375f, 0.03125f}
};
/**
这里计算滤波系数（数组）
如果 内核尺寸为奇数 且小于7
并且sigma小于等于0
那么滤波系数便是根据上面的small_gaussian_tab决定的
否则便是0
*/
const float* fixed_kernel = n % 2 == 1 && n <= SMALL_GAUSSIAN_SIZE && sigma <= 0 ? small_gaussian_tab[n>>1] : 0;
/**
检测数据类型是否为float和double
*/
CV_Assert( ktype == CV_32F || ktype == CV_64F );
Mat kernel(n, 1, ktype); // 建立一维向量
// 定义指针指向数据
float* cf = kernel.ptr();
double* cd = kernel.ptr();
// 当sigma小于0时，采用公式得到sigma(只与n有关)，大于0就可以直接使用了。
double sigmaX = sigma > 0 ? sigma : ((n-1)*0.5 - 1)*0.3 + 0.8;
// 表达式中e指数要用到
double scale2X = -0.5/(sigmaX*sigmaX);
double sum = 0;
int i;
for( i = 0; i < n; i++ )
{
double x = i - (n-1)*0.5;
// 根据上面计算出来的系数来决定是否重新计算值
double t = fixed_kernel ? (double)fixed_kernel[i]:std::exp(scale2X*x*x);
//根据精度选择变量
if( ktype == CV_32F )
{
cf[i] = (float)t;
sum += cf[i];
}
else
{
cd[i] = t;
sum += cd[i];
}
}
sum = 1./sum; // 归一化操作，计算需要除的数值
for( i = 0; i < n; i++ )
{
if( ktype == CV_32F )
cf[i] = (float)(cf[i]*sum);
else
cd[i] *= sum;
}
return kernel; // 返回建立好的一维内核
} 这两个函数的主要目的就是计算出高斯卷积核，这里选用分离计算，就是先计算水平（x）方向的一维卷积核，再根据sigma判断是否重新计算垂直（y）方向的一维卷积内核，这样子分离计算再针对尺寸较大的滤波器也可以有很高的效率，并且分离计算结合多线程也是很好的选择。
看完高斯内核的建立，我们知道高斯模糊主要利用了分离计算，那最后sepFilter2D函数也很容易看懂了：
void cv::sepFilter2D( InputArray _src, OutputArray _dst, int ddepth,
InputArray _kernelX, InputArray _kernelY, Point anchor,
double delta, int borderType )
{
CV_INSTRUMENT_REGION()
/*
这里考虑如果输入函数是UMat形式且维度小于等于2的情况下
优先考虑使用opencl优化过的filter2D计算
*/
CV_OCL_RUN(_dst.isUMat() && _src.dims() <= 2
&& (size_t)_src.rows() > _kernelY.total()
&& (size_t)_src.cols() > _kernelX.total(),
ocl_sepFilter2D(_src, _dst, ddepth, _kernelX, _kernelY, anchor, delta, borderType))
Mat src = _src.getMat(),
kernelX = _kernelX.getMat(),
kernelY = _kernelY.getMat();
if( ddepth < 0 )
ddepth = src.depth();
_dst.create( src.size(), CV_MAKETYPE(ddepth, src.channels()) );
Mat dst = _dst.getMat();
/*
找到src的矩阵的矩阵头存入wsz当中，并且将偏移量存入ofs变量中
这两个变量用于快速读取全部图像
*/
Point ofs;
Size wsz(src.cols, src.rows);
if( (borderType & BORDER_ISOLATED) == 0 )
src.locateROI( wsz, ofs );
/*
进行预先检测内核是否有误
*/
CV_Assert( kernelX.type() == kernelY.type() &&
(kernelX.cols == 1 || kernelX.rows == 1) &&
(kernelY.cols == 1 || kernelY.rows == 1) );
Mat contKernelX = kernelX.isContinuous() ? kernelX : kernelX.clone();
Mat contKernelY = kernelY.isContinuous() ? kernelY : kernelY.clone();
/*
生成一个二维滤波(filter2D)引擎
*/
Ptr c = hal::SepFilter2D::create(
src.type(), dst.type(), kernelX.type(),
contKernelX.data,
kernelX.cols + kernelX.rows - 1,
contKernelY.data,
kernelY.cols + kernelY.rows - 1,
anchor.x,
anchor.y,
delta,
borderType & ~BORDER_ISOLATED);
/*
调用这个引擎
*/
c->apply(src.data, src.step, dst.data, dst.step, dst.cols, dst.rows, wsz.width, wsz.height, ofs.x, ofs.y);
} 剩下的便是寻找到这个引擎跟调用函数的实现了。
/*
Ptr类似于boost::shared_ptr，它是Boost库的一部分 (http://www.boost.org/doc/libs/release/libs/smart_ptr/shared_ptr.htm)
和 std::shared_ptr[C ++ 11标准]（http://en.wikipedia.org/wiki/C++11）
P.S.其实大部分c++11标准都是boost库里面抄过来的
*/
Ptr SepFilter2D::create(int stype, int dtype, int ktype,
uchar * kernelx_data, int kernelx_len,
uchar * kernely_data, int kernely_len,
int anchor_x, int anchor_y, double delta, int borderType)
{
{
ReplacementSepFilter * impl = new ReplacementSepFilter();
if (impl->init(stype, dtype, ktype,
kernelx_data, kernelx_len,
kernely_data, kernely_len,
anchor_x, anchor_y, delta, borderType))
{
return Ptr(impl);
}
delete impl;
}
{
OcvSepFilter * impl = new OcvSepFilter();
impl->init(stype, dtype, ktype,
kernelx_data, kernelx_len,
kernely_data, kernely_len,
anchor_x, anchor_y, delta, borderType);
return Ptr(impl);
}
} 经查找，SepFilter2D是一个结构体，内含有上面的create函数以及两个虚函数(apply与析构函数)，这就说明对于不同的impl有着不同的apply跟init。
然后，从ReplacementSepFilter的函数开始看起:
/**
这个结构体继承自SepFilter2D
具体作用便是使用hal api进行优化加速计算
是一个关于移动和嵌入式设计的库
*/
struct ReplacementSepFilter : public hal::SepFilter2D
{
/**
这里的cvhalFilter2D是一个结构体
其目的就是作为context变量使用(ctx 便是context简写)
*/
cvhalFilter2D *ctx;
bool isInitialized;
/**
委托构造函数 委托了两个构造函数进行构造
一个是定义了context为0，另一个则是定义了isInitialized为否
关于context(上下文)这个概念可以百度一下
在下是看的这篇:
https://wanderinghorse.net/computing/papers/context_types.html
*/
ReplacementSepFilter() : ctx(0), isInitialized(false) {}
/**
初始化函数
*/
bool init(int stype, int dtype, int ktype,
uchar * kernelx_data, int kernelx_len,
uchar * kernely_data, int kernely_len,
int anchor_x, int anchor_y, double delta, int borderType)
{
// 这里返回的值根据是否初始化成功赋值的
int res = cv_hal_sepFilterInit(&ctx, stype, dtype, ktype,
kernelx_data, kernelx_len,
kernely_data, kernely_len,
anchor_x, anchor_y, delta, borderType);
// 这里首先判断res是否与CV_HAL_ERROR_OK(0)相等
// 如果不相等便将0赋值给isInitialized
// 否则便是将1赋值
isInitialized = (res == CV_HAL_ERROR_OK);
return isInitialized;
}
/**
这个是ReplacementSepFilter的执行函数
*/
void apply(uchar* src_data, size_t src_step, uchar* dst_data, size_t dst_step, int width, int height, int full_width, int full_height,
int offset_x, int offset_y)
{
if (isInitialized)
{
// 这里是调用并返回是否成功的结果
int res = cv_hal_sepFilter(ctx, src_data, src_step, dst_data, dst_step, width, height, full_width, full_height, offset_x, offset_y);
// 判断res是否与CV_HAL_ERROR_OK(0)不等
// 如果不等便无法调用
// 进入错误选项跳出滤波器
if (res != CV_HAL_ERROR_OK)
CV_Error(Error::StsNotImplemented, "Failed to run HAL sepFilter implementation");
}
}
/**
这里的析构函数在本篇不解析
*/
~ReplacementSepFilter()
{
if (isInitialized)
{
int res = cv_hal_sepFilterFree(ctx);
if (res != CV_HAL_ERROR_OK)
CV_Error(Error::StsNotImplemented, "Failed to run HAL sepFilter implementation");
}
}
};在接下来便是OcvSepFilter函数:
struct OcvSepFilter : public hal::SepFilter2D
{
/**
建立一个滤波引擎 f
*/
Ptr f;
int src_type;
int dst_type;
bool init(int stype, int dtype, int ktype,
uchar * kernelx_data, int kernelx_len,
uchar * kernely_data, int kernely_len,
int anchor_x, int anchor_y, double delta, int borderType)
{
src_type = stype;
dst_type = dtype;
/**
分离卷积所以建立了X与Y的卷积内核
*/
Mat kernelX(Size(kernelx_len, 1), ktype, kernelx_data);
Mat kernelY(Size(kernely_len, 1), ktype, kernely_data);
/**
创建一个创建可分离的线性滤波器
*/
f = createSeparableLinearFilter( stype, dtype, kernelX, kernelY,
Point(anchor_x, anchor_y),
delta, borderType & ~BORDER_ISOLATED );
return true;
}
void apply(uchar* src_data, size_t src_step, uchar* dst_data, size_t dst_step, nt width, int height, int full_width, int full_height,
int offset_x, int offset_y)
{
Mat src(Size(width, height), src_type, src_data, src_step);
Mat dst(Size(width, height), dst_type, dst_data, dst_step);
// 因为Ptr将模板设置为了FilterEngine，所以这里apply调用的是FilterEngine的启动函数
f->apply(src, dst, Size(full_width, full_height), Point(offset_x, offset_y));
}
}; 然后便是分析createSeparableLinearFilter 这个函数：
/**
可以看到其返回的是是一个引擎，
所以里面肯定是有横向与纵向线性滤波器了(所以才使用可分离的qwq)
*/
cv::Ptr cv::createSeparableLinearFilter(
int _srcType, int _dstType,
InputArray __rowKernel, InputArray __columnKernel,
Point _anchor, double _delta,
int _rowBorderType, int _columnBorderType,
const Scalar& _borderValue )
{
// 定义变量
Mat _rowKernel = __rowKernel.getMat(),
_columnKernel = __columnKernel.getMat();
// 求矩阵的数组类型，数据类型包过通道数，深度，和据类型3种
_srcType = CV_MAT_TYPE(_srcType);
_dstType = CV_MAT_TYPE(_dstType);
// 求深度(输入输出都求)
int sdepth = CV_MAT_DEPTH(_srcType),
ddepth = CV_MAT_DEPTH(_dstType);
// 求输入矩阵的通道数并判断输入矩阵是否与输出矩阵通道数相等
int cn = CV_MAT_CN(_srcType);
CV_Assert( cn == CV_MAT_CN(_dstType) );
// rowsize
int rsize = _rowKernel.rows + _rowKernel.cols - 1;
// columnsize
int csize = _columnKernel.rows + _columnKernel.cols - 1;
// 如果内核锚点是负数，则从中心点开始进行
if( _anchor.x < 0 )
_anchor.x = rsize/2;
if( _anchor.y < 0 )
_anchor.y = csize/2;
/**
获得内核的类型
大致分为五种：
KERNEL_GENERAL 通用内核 无任何对称性或其他属性
KERNEL_SYMMETRICAL kernel[i] == kernel[ksize-i-1] (系数对称)，且锚点位于中心
KERNEL_ASYMMETRICAL kernel[i] == -kernel[ksize-i-1] (系数相反对称)，锚点同上
KERNEL_SMOOTH 所有内核元素都是非负的并且总和为1
KERNEL_INTEGER 所有内核系数都是整数
*/
int rtype = getKernelType(_rowKernel,
_rowKernel.rows == 1 ? Point(_anchor.x, 0) : Point(0, _anchor.x));
int ctype = getKernelType(_columnKernel,
_columnKernel.rows == 1 ? Point(_anchor.y, 0) : Point(0, _anchor.y));
Mat rowKernel, columnKernel;
/**
在CV_32F, sdepth, ddepth中找到最大值并赋值给bdepth
bdepth: 位深度
*/
int bdepth = std::max(CV_32F,std::max(sdepth, ddepth));
int bits = 0;
/**
判断如果
输入输出图像都是8位无符号型且内核使用平滑对称核
或者
输出图像为16位有符号型且使用整形对称或反对称核
那么就不需要进行任何转换便可以直接使用，
否则便需要转换，因为输入前后的图像格式是完全相等的
所以delta就默认是0了
*/
if( sdepth == CV_8U &&
(
(rtype == KERNEL_SMOOTH+KERNEL_SYMMETRICAL &&
ctype == KERNEL_SMOOTH+KERNEL_SYMMETRICAL &&
ddepth == CV_8U)
||
(
(rtype & (KERNEL_SYMMETRICAL+KERNEL_ASYMMETRICAL)) &&
(ctype & (KERNEL_SYMMETRICAL+KERNEL_ASYMMETRICAL)) &&
(rtype & ctype & KERNEL_INTEGER) &&
ddepth == CV_16S
)
)
)
{
// 重新给bdepth赋值
bdepth = CV_32S;
// 此时bits(单位字节)将根据位深度进行计算，如果是8位无符号型则直接赋值为8位
bits = ddepth == CV_8U ? 8 : 0;
// 此时将row内核转换为CV_32S，即32位整数型，并且根据单位字节转换比例因子
// 如果不加比例因子那么图像会变得很白
// (可参见这篇提问https://bbs.csdn.net/topics/392411554)
// 比例因子：将原矩阵的所有元素乘以alpha
_rowKernel.convertTo( rowKernel, CV_32S, 1 << bits );
_columnKernel.convertTo( columnKernel, CV_32S, 1 << bits );
// 在这里是将单位字节*2
bits *= 2;
// 根据单位字节计算出了存储单位(偏移量)
_delta *= (1 << bits);
}
else
{
/**
如果不属于上面if里的任何一种情况，那么需要进行转换，用以使数据类型统一
*/
if( _rowKernel.type() != bdepth )
_rowKernel.convertTo( rowKernel, bdepth );
else
rowKernel = _rowKernel;
if( _columnKernel.type() != bdepth )
_columnKernel.convertTo( columnKernel, bdepth );
else
columnKernel = _columnKernel;
}
// 缓冲区存储，用于写入单个色所有素信息(包括多通道与深度信息)
int _bufType = CV_MAKETYPE(bdepth, cn);
// getLinearRowFilter是根据不同的输入图像类型，输出图像返回不同的线性滤波器
Ptr _rowFilter = getLinearRowFilter(
_srcType, _bufType, rowKernel, _anchor.x, rtype);
Ptr _columnFilter = getLinearColumnFilter(
_bufType, _dstType, columnKernel, _anchor.y, ctype, _delta, bits );
// 利用这两个线性滤波器建立滤波引擎
return Ptr( new FilterEngine(Ptr(), _rowFilter, _columnFilter,_srcType, _dstType, _bufType,_rowBorderType, _columnBorderType, _borderValue ));
}
/**
建立滤波引擎函数
*/
FilterEngine::FilterEngine( const Ptr& _filter2D,
const Ptr& _rowFilter,
const Ptr& _columnFilter,
int _srcType, int _dstType, int _bufType,
int _rowBorderType, int _columnBorderType,
const Scalar& _borderValue )
{
init(_filter2D, _rowFilter, _columnFilter, _srcType, _dstType, _bufType,
_rowBorderType, _columnBorderType, _borderValue);
}
void FilterEngine::init( const Ptr& _filter2D,
const Ptr& _rowFilter,
const Ptr& _columnFilter,
int _srcType, int _dstType, int _bufType,
int _rowBorderType, int _columnBorderType,
const Scalar& _borderValue )
{
// 依旧是获取类型
_srcType = CV_MAT_TYPE(_srcType);
_bufType = CV_MAT_TYPE(_bufType);
_dstType = CV_MAT_TYPE(_dstType);
// 临时变量
srcType = _srcType;
// 计算单个像素大小
// 下面会降解
int srcElemSize = (int)getElemSize(srcType);
// 下面这些全是建立临时变量的
dstType = _dstType;
bufType = _bufType;
filter2D = _filter2D;
rowFilter = _rowFilter;
columnFilter = _columnFilter;
// 这里是判断行列边缘类型是否出问题
if( _columnBorderType < 0 )
_columnBorderType = _rowBorderType;
rowBorderType = _rowBorderType;
columnBorderType = _columnBorderType;
// 检测边界填充类型是否不是wrap(复制元素填充)类型
CV_Assert( columnBorderType != BORDER_WRAP );
// 检测是否为可分离滤波器(因为这个是通用滤波引擎 并不知道是否为可分离滤波器)
if( isSeparable() )
{
// 检测横纵滤波器类型是否相等
CV_Assert( rowFilter && columnFilter );
// 并以横纵滤波器定义内核大小
ksize = Size(rowFilter->ksize, columnFilter->ksize);
// 锚点也根据滤波器锚点定义
anchor = Point(rowFilter->anchor, columnFilter->anchor);
}
else
{
// 如果不是 检测缓冲图像类型是否与输入图像类型相等
CV_Assert( bufType == srcType );
// 这里跟上面定义差不多，不过是非分离滤波器所以是只有一个(filter2D二维滤波器)
ksize = filter2D->ksize;
anchor = filter2D->anchor;
}
// 这个一看就懂了
CV_Assert( m 0 <= anchor.x && anchor.x < ksize.width &&
0 <= anchor.y && anchor.y < ksize.height );
// 根据边缘填充类型进行像素计算
borderElemSize = srcElemSize/(CV_MAT_DEPTH(srcType) >= CV_32S ?
sizeof(int) : 1);
// 这里也很好懂
int borderLength = std::max(ksize.width - 1, 1);
// 重定义边缘向量大小(这里是所占空间大小)
borderTab.resize(borderLength*borderElemSize);
// 初始化
maxWidth = bufStep = 0;
constBorderRow.clear();
// 如果行列边界是常数填充的
if( rowBorderType == BORDER_CONSTANT || columnBorderType == BORDER_CONSTANT )
{
// 则计算图像边长
constBorderValue.resize(srcElemSize*borderLength);
int srcType1 = CV_MAKETYPE(CV_MAT_DEPTH(srcType),
MIN(CV_MAT_CN(srcType),
4));
// 根据位深度将边界像素值转换成可直接使用的vector变量
scalarToRawData(_borderValue, &constBorderValue[0], srcType1,
borderLength*CV_MAT_CN(srcType));
}
// 初始化size
wholeSize = Size(-1,-1);
} 我们这时候来看上面提到的getElemSize:
最终这个其实是个宏定义，返回的就是这个宏定义计算的结果：
(CV_MAT_CN(type) << ((((sizeof(size_t)/4+1)*16384|0x3a50) >> CV_MAT_DEPTH(type)*2) & 3))
首先，针对
0x3a50这个奇怪的数值，我们先转换为2进制查看规律，通过查找比对，发现其数值与变量类型有着一一对应的关系，然后16384则是1 << 14的结果(刚好每个对应两位二进制数值)，这个换成二进制则是16384 = 10 00 00 00 00 00 00
0x3a50 = 11 10 10 01 01 00 00
稍微先理解一下，在下先说一下剩下的函数然后一起解析。
这里先计算无符号整型的长度(在64位系统下是4 desu)然后除以4 再加上1 ，
就是说这是2 * 16384 | 0x3a50
就是
01 00 00 00 00 00 00 00
00 11 10 10 01 01 00 00
01 11 10 10 01 01 00 00
的结果右移2 * 深度，观察上面便会发现最终右移之后便使得最后两位二进制数对应的刚好便是对应变量类型所占的二进制数。
这样，在跟3(二进制为11)进行 ‘与‘ 操作，便能得到各个变量的对应所占字节数的对数了。
又因为这里是 通道数 * 2 ^ (所占字节对数)
所以这样就能够计算的出单个像素点所占用的大小(size)了
因为滤波引擎是一个通用引擎，还可用以驱动其他的滤波器(中值滤波或者其他什么的)所以主要的就只不过是根据一些信息初始化用以后面的操作(就是init函数的意思)。
返回了滤波引擎之后便是调用了，这个是apply函数:
void FilterEngine::apply(const Mat& src, Mat& dst, const Size & wsz, const Point & ofs)
{
CV_INSTRUMENT_REGION()
CV_Assert( src.type() == srcType && dst.type() == dstType );
// 返回变化y值
int y = start(src, wsz, ofs);
// 传参的时候切除第一行与最后一列
proceed(src.ptr() + y*src.step,
(int)src.step,
endY - startY,
dst.ptr(),
(int)dst.step );
}其中start便是开始函数后面的proceed则是持续卷积到整个图像的关键，start函数最终返回了起始的Y值，一句一句写太累了，我就不解释了，只贴出start与proceed函数：
这两块其实在下分析的很差，很多函数都没看懂，有很大可能错误，建议先跳过，在下以后c++学透了还会回来改的。
/**
滤波引擎
发动！
*/
int FilterEngine::start(const Mat& src, const Size &wsz, const Point &ofs)
{
start( wsz, src.size(), ofs);
return startY - ofs.y;
}
int FilterEngine::start(const Size &_wholeSize, const Size &sz, const Point &ofs)
{
int i, j;
wholeSize = _wholeSize;
// 根据偏移量与矩阵头设置范围
roi = Rect(ofs, sz);
// 依旧是错误检测，很好懂
CV_Assert( roi.x >= 0 && roi.y >= 0 && roi.width >= 0 && roi.height >= 0 &&
roi.x + roi.width <= wholeSize.width &&
roi.y + roi.height <= wholeSize.height );
// 下面这些依旧是初始化
int esz = (int)getElemSize(srcType);
int bufElemSize = (int)getElemSize(bufType);
// 定值检查
const uchar* constVal = !constBorderValue.empty() ? &constBorderValue[0] : 0;
int _maxBufRows = std::max(ksize.height + 3,
std::max(anchor.y, ksize.height-anchor.y-1)*2+1);
if( maxWidth < roi.width || _maxBufRows != (int)rows.size() )
{
rows.resize(_maxBufRows);
maxWidth = std::max(maxWidth, roi.width);
int cn = CV_MAT_CN(srcType);
srcRow.resize(esz*(maxWidth + ksize.width - 1));
if( columnBorderType == BORDER_CONSTANT )
{
constBorderRow.resize(getElemSize(bufType)
*(maxWidth + ksize.width - 1 + VEC_ALIGN));
uchar *dst = alignPtr(&constBorderRow[0], VEC_ALIGN), *tdst;
int n = (int)constBorderValue.size(), N;
N = (maxWidth + ksize.width - 1)*esz;
tdst = isSeparable() ? &srcRow[0] : dst;
for( i = 0; i < N; i += n )
{
n = std::min( n, N - i );
for(j = 0; j < n; j++)
tdst[i+j] = constVal[j];
}
if( isSeparable() )
(*rowFilter)(&srcRow[0], dst, maxWidth, cn);
}
int maxBufStep = bufElemSize*(int)alignSize(maxWidth +
(!isSeparable() ? ksize.width - 1 : 0),VEC_ALIGN);
ringBuf.resize(maxBufStep*rows.size()+VEC_ALIGN);
}
// 调整bufstep，使环形缓冲区的已使用部分在内存中保持紧凑
bufStep = bufElemSize*(int)alignSize(roi.width + (!isSeparable() ? ksize.width - 1 : 0),16);
// dx1是检测锚点位置是否与范围边界检测
dx1 = std::max(anchor.x - roi.x, 0);
// 检测内核是否存在偏差
dx2 = std::max(ksize.width - anchor.x - 1 + roi.x + roi.width - wholeSize.width, 0);
// 如果存在偏差则重新计算边界表
if( dx1 > 0 || dx2 > 0 )
{
if( rowBorderType == BORDER_CONSTANT )
{
int nr = isSeparable() ? 1 : (int)rows.size();
for( i = 0; i < nr; i++ )
{
uchar* dst = isSeparable() ? &srcRow[0] : alignPtr(&ringBuf[0],VEC_ALIGN) + bufStep*i;
// 在内存中用后者填充前者，最后一个参数是大小
memcpy( dst, constVal, dx1*esz );
memcpy( dst + (roi.width + ksize.width - 1 - dx2)*esz, constVal, dx2*esz );
}
}
else
{
int xofs1 = std::min(roi.x, anchor.x) - roi.x;
int btab_esz = borderElemSize, wholeWidth = wholeSize.width;
int* btab = (int*)&borderTab[0];
for( i = 0; i < dx1; i++ )
{
int p0 = (borderInterpolate(i-dx1, wholeWidth, rowBorderType) + xofs1)*btab_esz;
for( j = 0; j < btab_esz; j++ )
btab[i*btab_esz + j] = p0 + j;
}
for( i = 0; i < dx2; i++ )
{
int p0 = (borderInterpolate(wholeWidth + i, wholeWidth, rowBorderType) + xofs1)*btab_esz;
for( j = 0; j < btab_esz; j++ )
btab[(i + dx1)*btab_esz + j] = p0 + j;
}
}
}
rowCount = dstY = 0;
/**
这整个函数其实最终要的就是这个
上面这些都是防止错误进行的调整
并用以计算下面这个值的
这个startY是另一方向的偏离值，就是说一个像素到另一个像素的偏离量
*/
startY = startY0 = std::max(roi.y - anchor.y, 0);
endY = std::min(roi.y + roi.height + ksize.height - anchor.y - 1, wholeSize.height);
if( columnFilter )
columnFilter->reset();
if( filter2D )
filter2D->reset();
return startY;
}
int FilterEngine::proceed( const uchar* src, int srcstep, int count,
uchar* dst, int dststep )
{
CV_Assert( wholeSize.width > 0 && wholeSize.height > 0 );
const int *btab = &borderTab[0];
int esz = (int)getElemSize(srcType), btab_esz = borderElemSize;
uchar** brows = &rows[0];
int bufRows = (int)rows.size();
int cn = CV_MAT_CN(bufType);
int width = roi.width, kwidth = ksize.width;
int kheight = ksize.height, ay = anchor.y;
int _dx1 = dx1, _dx2 = dx2;
int width1 = roi.width + kwidth - 1;
int xofs1 = std::min(roi.x, anchor.x);
bool isSep = isSeparable();
bool makeBorder = (_dx1 > 0 || _dx2 > 0) && rowBorderType != BORDER_CONSTANT;
int dy = 0, i = 0;
src -= xofs1*esz;
count = std::min(count, remainingInputRows());
CV_Assert( src && dst && count > 0 );
/**
这里就是卷积的主函数了
*/
for(;; dst += dststep*i, dy += i)
{
int dcount = bufRows - ay - startY - rowCount + roi.y;
dcount = dcount > 0 ? dcount : bufRows - kheight + 1;
dcount = std::min(dcount, count);
count -= dcount;
for( ; dcount-- > 0; src += srcstep )
{
int bi = (startY - startY0 + rowCount) % bufRows;
uchar* brow = alignPtr(&ringBuf[0], VEC_ALIGN) + bi*bufStep;
uchar* row = isSep ? &srcRow[0] : brow;
if( ++rowCount > bufRows )
{
--rowCount;
++startY;
}
memcpy( row + _dx1*esz, src, (width1 - _dx2 - _dx1)*esz );
if( makeBorder )
{
if( btab_esz*(int)sizeof(int) == esz )
{
const int* isrc = (const int*)src;
int* irow = (int*)row;
for( i = 0; i < _dx1*btab_esz; i++ )
irow[i] = isrc[btab[i]];
for( i = 0; i < _dx2*btab_esz; i++ )
irow[i + (width1 - _dx2)*btab_esz] = isrc[btab[i+_dx1*btab_esz]];
}
else
{
for( i = 0; i < _dx1*esz; i++ )
row[i] = src[btab[i]];
for( i = 0; i < _dx2*esz; i++ )
row[i + (width1 - _dx2)*esz] = src[btab[i+_dx1*esz]];
}
}
if( isSep )
(*rowFilter)(row, brow, width, CV_MAT_CN(srcType));
}
int max_i = std::min(bufRows, roi.height - (dstY + dy) + (kheight - 1));
for( i = 0; i < max_i; i++ )
{
int srcY = borderInterpolate(dstY + dy + i + roi.y - ay,
wholeSize.height, columnBorderType);
if( srcY < 0 ) // can happen only with constant border type
brows[i] = alignPtr(&constBorderRow[0], VEC_ALIGN);
else
{
CV_Assert( srcY >= startY );
if( srcY >= startY + rowCount )
break;
int bi = (srcY - startY0) % bufRows;
brows[i] = alignPtr(&ringBuf[0], VEC_ALIGN) + bi*bufStep;
}
}
if( i < kheight )
break;
i -= kheight - 1;
if( isSeparable() )
(*columnFilter)((const uchar**)brows, dst, dststep, i, roi.width*cn);
else
(*filter2D)((const uchar**)brows, dst, dststep, i, roi.width, cn);
}
dstY += dy;
CV_Assert( dstY <= roi.height );
return dy;
}总结
-
C++语法复杂度感觉世界上排的了前十
-
复杂但却也是少有的可以直接操作内存的语言之一，内联汇编效率不要太高
-
用轮子很简单，但是造轮子很难，造出普适性的轮子更难，自己用感觉有些算法还是很容易写的，但是要照顾到大量的其他语法或者平台那就很困难了
-
优化不一定是自己算法的优化，还有使用平台的优化，用别人的轮子真的很爽
-
大型项目里面代码风格各异，变量命名方案比较混乱，并且简写的比较多，看起来真的头大。。。。
-
在下的代码逻辑思维还是太低了，希望能够在毕业的时候看上20000行代码用以提升自己
-
相比之下python源码看起来真的舒服死了55555
借物表
-
attribute 机制详解(一)
-
What is this #ifdef GNUC about?
-
关于VC预定义常量WIN32，WIN32，WIN64等预定义宏的介绍（整理、转载）
-
opencv的CV_EXPORT
-
图像处理基础(4)：高斯滤波器详解
-
C/C++ 可变参数宏与VA_ARGS 宏
-
#、##、VA_ARGS和##VA_ARGS的作用
-
OpenVX嵌入式图像处理（一）硬件平台及软件介绍
-
OpenCV3.x中UMat对象介绍与使用
-
opencv学习之GaussianBlur()源码解析
-
手撕OpenCV源码之GaussianBlur
-
OpenCV的一些宏
感谢以上各位大佬给在下提供的各类知识
完美排版可以在在下的博客查看：
https://blog.fivezha.cn/2019/02/25/gaussianbulr-analyze/