遍历opencv中的mat像素的几种方法和概念
今天在看矩形滤波的时候忽然脑子短路，把一些概念全弄混了，现总结一下，以便下次再混的时候可以参考确认下，自己的理解，有错的地方还请指正。
首先，在Opencv2中基本上都是用的Mat来表示图像了，C++的函数调用中基本上也都是Mat图，从根本上说，一张图像是一个由数值组成的矩阵，矩阵的每一个元素代表一个像素。对于灰度图像而言，像素有8位无符号数表示，其中0代表黑色，255代表白色。那么矩阵和图像间到底是一个什么样的关系呢。
第一：Mat图有行和列，即cv::Mat中有公有成员变量cols和rows，注意，这里的cols就是图像的宽度width，rows就是图像的高度height。这个width和height我们可以在其它Opencv的成员中得到，比如矩形Rect，而矩形Rect就是一个经常会用到的结构了，我自己接触到的就包括鼠标选择矩形区域、框住目标的矩形区域、滤波器矩形模版、目标的矩形特征、矩形内的运算等等。可以说Rect是一个非常常用的结构，也是Opencv里非常有用的一个结构，本质上矩形区域就是图像的一个子部分，或者说图像矩阵的一个子矩阵。
这里我引用《OpenCV学习笔记（四十一）——再看基础数据结构core》中关于Rect的介绍，Rect_类有些意思，成员变量x、y、width、height，分别为左上角点的坐标和矩形的宽和高。常用的成员函数有Size()返回值为一个Size，area()返回矩形的面积，contains(Point)用来判断点是否在矩形内，inside(Rect)函数判断矩形是否在该矩形内，tl()返回左上角点坐标，br()返回右下角点坐标。
第二：Mat图中的图像像素位置表示和矩阵中元素的表示。这里引用《访问Mat图像中每个像素的值》中几张图来表示Mat矩阵中存数据的关系。单通道灰度图数据存放格式：
多通道的图像中，每列并列存放通道数量的子列，如RGB三通道彩色图：
这时，大家得注意了，二维矩阵的行和列用来表示一个元素，并且一般是从0标号开始，所以实际上是有m+1列，也就是说宽度width是m+1的，行类似。还有就是Mat.at（int y， int x）来访问一个像素，这时候的y表示的行号，x表示的列号，相对应的就是x表示水平的宽，y表示的竖直的高，只不过x和y都是从0开始的标号。容易搞混的地方就在于一些矩阵的相减了，相减完后怎么表示像素位置，这个时候一般比较难把握，但是只要明白矩阵里x，y，width，height的关系，搞清楚就容易多了。
Mat dst；
int height = dst.rows;
int width = dst.cols;
for (int i = 0; i < height; i++) {
for (int j = 0; j < width; j++) {
//假如以十字形遍历索引，则十字中心（i * width + j），上下分别是（(i -1)* width + j）（(i +1)* width + j）
//左右分别是（i * width + j-1）（i * width + j+1）
//这里的i是代表行数，j代表列数，即所在的行的第几列
int index = i * width + j;
//像素值
int data = (int)dst.data[index];
}
}
//=====================================指针法==================================================//
#include
#include
using namespace std;
using namespace cv;
int main()
{
Mat img=imread("f:/1.jpg");
int height=img.rows;
int width=img.cols;
for(int i=0;i
{
unsigned char *data=img.data+i*width*img.channels();
for(int j=0;j
{
int r=*(data+j*img.channels());
int g=*(data+j*img.channels()+1);
int b=*(data+j*img.channels()+2);
cout<" "<" "<
}
}
img.release();
system("pause");
return 1;
}
//============================================================================================//
推荐使用C++格式，比较方便使用
#include "WangSetup.h"
#include
#include
#include
using namespace std;
int main()
{
//C++ Format
cv::Mat img = cv::imread("lena.jpg");
//取img中(30, 20)这个像素点的bgr信息
cv::Vec3b bgr = img.at
cout << "B: " << (unsigned int)bgr.val[0] << ", ";
cout << "G: " << (unsigned int)bgr.val[1] << ", ";
cout << "R: " << (unsigned int)bgr.val[2] << endl;
//C Format
IplImage *img2 = cvLoadImage("lena.jpg"); //8UC3, (0,0)B, (0,0)G, (0,0)R, (0,1)B, ...
char *ptr = img2->imageData //图像首地址
+ img2->widthStep * 30 //每行大小 * 行数
+ 3 * 20; //BGR占3个大小空间 * 列数
printf("B: %d, G: %d, R: %d\n", (uchar)ptr[0], (uchar)ptr[1], (uchar)ptr[2]);
cvReleaseImage(&img2);
return 0;
}
1.用动态地址操作像素：
Mat srcImage(100, 100, CV_8UC3, Scalar(200,20,100));
imshow("显示图像", srcImage);
int rowNumber = srcImage.rows;
int colNumber = srcImage.cols;
for (int i = 0; i < rowNumber; i++)
{
for (int j = 0; j < colNumber; j++)
{
if (srcImage.at
{
srcImage.at
}
if (srcImage.at
{
srcImage.at
}
if (srcImage.at
{
srcImage.at
}
}
}
imshow("处理后的图像", srcImage);
cv::mat的成员函数： .at(int y， int x)可以用来存取图像中对应坐标为（x，y）的元素坐标。（Mat类中的cols和rows给出了图像的宽和高。而成员函数at（int x, int y）可以用来存取图像的元素。）由于at方法本身不会对任何数据类型进行转化，故一定要确保指定的数据类型和矩阵中的数据类型相符合。
假设提前已知一幅图像img的数据类型为 unsigned char型灰度图（单通道），对像素的赋值操作为image.at
以下是统计canndy后的0像素点与255像素点之间的数量的比值：
#define _CRT_SECURE_NO_WARNINGS
#include
#include
using namespace std;
using namespace cv;
int main()
{
Mat graySrc = imread("../../11.bmp", 0);
Mat canImage;
Canny(graySrc, canImage, 60, 120);
int PicZero = 0;
int PicFull = 0;
for (int i = 0; i < graySrc.rows; ++i)
{
for (int j = 0; j < graySrc.cols; ++j)
{
if (canImage.at
{
PicZero++;
}
else
{
PicFull++;
}
}
}
cout << "0像素点比255像素点的比值为" << (double)PicZero / PicFull << endl;
system("pause");
}
2.用指针的方法：
有时候我们需要遍历Mat中的每一个像素点，并且对像素点进行处理，这里以图像所有像素点都减去div（div属于int类型）
void colorReduce(Mat& inputImage, Mat& outputImage, int div)
{
// 参数准备
outputImage = inputImage.clone();
int rowNumber = outputImage.rows;
int colNumber = outputImage.cols*outputImage.channels();
for (int i = 0; i < rowNumber; i++)
{
// 获取第i行的首地址
uchar* data = outputImage.ptr
for (int j = 0; j < colNumber; j++) // 列循环
{
// 开始处理每一个像素值，每一个像素值都减去div
data[j] = data[j] - div;
}
}
}
也可以写成如下形式：
Mat inverseColor1(Mat srcImage)
{
Mat tempImage = srcImage.clone();
int row = tempImage.rows;
int col = tempImage.cols * tempImage.channels();
for (int i = 0; i < row; ++i)
{
const unsigned char* sourcedata = srcImage.ptr(i);
unsigned char* data = tempImage.ptr(i);
for (int j = 0; j < col; j++)
{
data[j] = sourcedata[j] - div;
}
}
return tempImage;
}
此时是定义了两个指针类型： const unsigned char*和 unsigned char*，其中const unsigned char* 中的内容只能够被读取，不能被修改。
特别需要注意的是：Mat中每一行元素的个数=列数*通道数
如需要打印M，
Mat M(3, 2, CV_8UC3, Scalar(0, 0, 255));
cout << M << endl;
打印结果为：验证了每一行元素的个数为： 列数*通道数
另外需要注意的是：Mat 除了拥有成员变量cols，rows，成员函数channels()之外，还提供了ptr函数可以返回得到图像任意行的首地址。
3.用迭代器Matlterator_：
Matlterator_是Mat数据操作的迭代器，：begin()表示指向Mat数据的起始迭代器，：end()表示指向Mat数据的终止迭代器。迭代器方法是一种更安全的用来遍历图像的方式，首先获取到数据图像的矩阵起始，再通过递增迭代实现移动数据指针。
Mat inverseColor4(Mat srcImage)
{
Mat tempImage = srcImage.clone();
// 初始化原图像迭代器
MatConstIterator_
MatConstIterator_
// 初始化输出图像迭代器
MatIterator_
MatIterator_
while (srcIterStart != srcIterEnd)
{
(*resIterStart)[0] = 255 - (*srcIterStart)[0];
(*resIterStart)[1] = 255 - (*srcIterStart)[1];
(*resIterStart)[2] = 255 - (*srcIterStart)[2];
srcIterStart++;
resIterStart++;
}
return tempImage;
}
Color Reduce
还是使用经典的Reduce Color的例子，即对图像中的像素表达进行量化。如常见的RGB24图像有256×256×256中颜色，通过Reduce Color将每个通道的像素减少8倍至256/8=32种，则图像只有32×32×32种颜色。假设量化减少的倍数是N，则代码实现时就是简单的value/N*N，通常我们会再加上N/2以得到相邻的N的倍数的中间值，最后图像被量化为(256/N)×(256/N)×(256/N)种颜色。
方法零：.ptr和[]操作符
Mat最直接的访问方法是通过.ptr<>函数得到一行的指针，并用[]操作符访问某一列的像素值。
// using .ptr and []
void colorReduce0(cv::Mat &image, int div=64) {
int nr= image.rows; // number of rows
int nc= image.cols * image.channels(); // total number of elements per line
for (int j=0; j
for (int i=0; i
}
}
}
方法一：.ptr和指针操作
除了[]操作符，我们可以移动指针*++的组合方法访问某一行中所有像素的值。
// using .ptr and * ++
void colorReduce1(cv::Mat &image, int div=64) {
int nr= image.rows; // number of rows
int nc= image.cols * image.channels(); // total number of elements per line
for (int j=0; j
for (int i=0; i
} // end of row
}
}
方法二：.ptr、指针操作和取模运算
方法二和方法一的访问方式相同，不同的是color reduce用模运算代替整数除法
// using .ptr and * ++ and modulo
void colorReduce2(cv::Mat &image, int div=64) {
int nr= image.rows; // number of rows
int nc= image.cols * image.channels(); // total number of elements per line
for (int j=0; j
for (int i=0; i
*data++= v - v%div + div/2;
} // end of row
}
}
方法三：.ptr、指针运算和位运算
由于进行量化的单元div通常是2的整次方，因此所有的乘法和除法都可以用位运算表示。
// using .ptr and * ++ and bitwise
void colorReduce3(cv::Mat &image, int div=64) {
int nr= image.rows; // number of rows
int nc= image.cols * image.channels(); // total number of elements per line
int n= static_cast
// mask used to round the pixel value
uchar mask= 0xFF<
for (int i=0; i
} // end of row
}
}
方法四：指针运算
方法四和方法三量化处理的方法相同，不同的是用指针运算代替*++操作。
// direct pointer arithmetic
void colorReduce4(cv::Mat &image, int div=64) {
int nr= image.rows; // number of rows
int nc= image.cols * image.channels(); // total number of elements per line
int n= static_cast
int step= image.step; // effective width
// mask used to round the pixel value
uchar mask= 0xFF<
uchar *data= image.data;
for (int j=0; j
} // end of row
data+= step; // next line
}
}
方法五：.ptr、*++、位运算以及image.cols * image.channels()
这种方法就是没有计算nc，基本是个充数的方法。
// using .ptr and * ++ and bitwise with image.cols * image.channels()
void colorReduce5(cv::Mat &image, int div=64) {
int nr= image.rows; // number of rows
int n= static_cast
// mask used to round the pixel value
uchar mask= 0xFF<
for (int i=0; i
} // end of row
}
}
方法六：连续图像
Mat提供了isContinuous()函数用来查看Mat在内存中是不是连续存储，如果是则图片被存储在一行中。
// using .ptr and * ++ and bitwise (continuous)
void colorReduce6(cv::Mat &image, int div=64) {
int nr= image.rows; // number of rows
int nc= image.cols * image.channels(); // total number of elements per line
if (image.isContinuous()) {
// then no padded pixels
nc= nc*nr;
nr= 1; // it is now a 1D array
}
int n= static_cast
// mask used to round the pixel value
uchar mask= 0xFF<
for (int i=0; i
} // end of row
}
}
方法七：continuous+channels
与方法六基本相同，也是充数的。
// using .ptr and * ++ and bitwise (continuous+channels)
void colorReduce7(cv::Mat &image, int div=64) {
int nr= image.rows; // number of rows
int nc= image.cols ; // number of columns
if (image.isContinuous()) {
// then no padded pixels
nc= nc*nr;
nr= 1; // it is now a 1D array
}
int n= static_cast
// mask used to round the pixel value
uchar mask= 0xFF<
for (int i=0; i
*data++= *data&mask + div/2;
*data++= *data&mask + div/2;
} // end of row
}
}
方法八：Mat _iterator
真正有区别的方法来啦，用Mat提供的迭代器代替前面的[]操作符或指针，血统纯正的官方方法~
// using Mat_ iterator
void colorReduce8(cv::Mat &image, int div=64) {
// get iterators
cv::Mat_
cv::Mat_
for ( ; it!= itend; ++it) {
(*it)[0]= (*it)[0]/div*div + div/2;
(*it)[1]= (*it)[1]/div*div + div/2;
(*it)[2]= (*it)[2]/div*div + div/2;
}
}
方法九：Mat_ iterator 和位运算
把方法八中的乘除法换成位运算。
// using Mat_ iterator and bitwise
void colorReduce9(cv::Mat &image, int div=64) {
// div must be a power of 2
int n= static_cast
// mask used to round the pixel value
uchar mask= 0xFF<
cv::Mat_
cv::Mat_
for ( ; it!= itend; ++it) {
(*it)[0]= (*it)[0]&mask + div/2;
(*it)[1]= (*it)[1]&mask + div/2;
(*it)[2]= (*it)[2]&mask + div/2;
}
}
方法十：MatIterator_
和方法八基本相同。
// using MatIterator_
void colorReduce10(cv::Mat &image, int div=64) {
cv::Mat_
cv::Mat_
cv::Mat_
for ( ; it!= itend; it++) {
(*it)[0]= (*it)[0]/div*div + div/2;
(*it)[1]= (*it)[1]/div*div + div/2;
(*it)[2]= (*it)[2]/div*div + div/2;
}
}
方法十一：图像坐标
// using (j,i)
void colorReduce11(cv::Mat &image, int div=64) {
int nr= image.rows; // number of rows
int nc= image.cols; // number of columns
for (int j=0; j
image.at
image.at
} // end of row
}
}
方法十二：创建输出图像
之前的方法都是直接修改原图，方法十二新建了输出图像，主要用于后面的时间对比。
// with input/ouput images
void colorReduce12(const cv::Mat &image, // input image
cv::Mat &result, // output image
int div=64) {
int nr= image.rows; // number of rows
int nc= image.cols ; // number of columns
// allocate output image if necessary
result.create(image.rows,image.cols,image.type());
// created images have no padded pixels
nc= nc*nr;
nr= 1; // it is now a 1D array
int n= static_cast
// mask used to round the pixel value
uchar mask= 0xFF<
const uchar* idata= image.ptr
for (int i=0; i
*data++= (*idata++)&mask + div/2;
*data++= (*idata++)&mask + div/2;
} // end of row
}
}
方法十三：重载操作符
Mat重载了+&等操作符，可以直接将两个Scalar(B,G,R)数据进行位运算和数学运算。
// using overloaded operators
void colorReduce13(cv::Mat &image, int div=64) {
int n= static_cast
// mask used to round the pixel value
uchar mask= 0xFF<
image=(image&cv::Scalar(mask,mask,mask))+cv::Scalar(div/2,div/2,div/2);
}
时间对比
通过迭代二十次取平均时间，得到每种方法是运算时间如下。
可以看到，指针*++访问和位运算是最快的方法；而不断的计算image.cols*image.channles()花费了大量重复的时间；另外迭代器访问虽然安全，但性能远低于指针运算；通过图像坐标(j,i)访问时最慢的，使用重载操作符直接运算效率最高。