Opencv 图片融合 addWeighted性能测试

原文：http://blog.csdn.net/u011503970/article/details/18615537

    这次介绍OpenCV中一个简单的点运算函数，用来实现图片合成。 对应于例程中的 (TUTORIAL) AddingImages 和 (TUTORIAL) AddingImagesTrackbar。

Opencv中提供的函数是addWeighted，用法很简单，为了比较性能了，我们手工实现了一段相同功能的代码，并比较两者的性能，到底快了多少，且看下文分解。

图像处理中一个简单而有趣的点运算操作可以用以下的公式表示，可以实现两张图片的线性融合。

这里α 表示两种图片的融合比例，这个g(x) 表示 融合图片中的像素点，f0(x) 和 f1(x) 分别表示背景和前景图片中的像素点。

下面为例程中的函数调用，

beta = ( 1.0 - alpha );
addWeighted( src1, alpha, src2, beta, 0.0, dst);

opencv 通过 addWeighted 函数实现图片的线性融合，这个函数在之前的例程中也有提到过。

这个函数的原型如下所示，可以看出这个函数最小需要6个参数。

1、 第1个参数，输入图片1，

2、第2个参数，图片1的融合比例

3、第3个参数，输入图片2

4、第4个参数，图片2的融合比例

5、第5个参数，偏差

6、第6个参数，输出图片

//! computes weighted sum of two arrays (dst = alpha*src1 + beta*src2 + gamma)
CV_EXPORTS_W void addWeighted(InputArray src1, double alpha, InputArray src2,
                              double beta, double gamma, OutputArray dst, int dtype=-1);

 下面是程序运行结果

程序会提示输入第一个图片的融合比例，输入0.5时，图片的效果。

不过有时候会想，调节alpha 的值，查看不同情况下的融合结果。这个也不难做到，在例程(TUTORIAL) AddingImagesTrackbar中已经帮我实现了

先看看运行的结果。

相比之前的结果，可以看出在图像上方多了一个滑动条，用来改变alpha的值，范围从0~100。

相应的代码如下：

/// Create Windows
namedWindow("Linear Blend", 1);

/// Create Trackbars
char TrackbarName[50];
sprintf( TrackbarName, "Alpha x %d", alpha_slider_max );
createTrackbar( TrackbarName, "Linear Blend", &alpha_slider, alpha_slider_max, on_trackbar );

/// Show some stuff
on_trackbar( alpha_slider, 0 );

利用highgui库中的 createTrackbar 函数创建一个滑块，函数的原型如下

CV_EXPORTS int createTrackbar(const string& trackbarname, const string& winname,
                              int* value, int count,
                              TrackbarCallback onChange = 0,
                              void* userdata = 0);

可以看到，这个函数有6个参数，最后一个为用户数据的指针，类似回调函数中的用户数据指针。

1、第一个参数，为滑块的名字

2、第二个参数，为滑块所在窗口的名字，用来获取窗口的handle

3、第三个参数，为传人一个数据的指针，通过滑块来改变该数据的值，该变量需要在回调函数TrackbarCallback 中作用域可见，因此例程中将它定义为全局变量

4、第四个参数，为传人数据的最大值，用来控制数据的变化范围

5、第五个参数，回调函数的函数指针，当滑块变化时，便调用回调函数，实现融合画面随着滑块的滑动而变化

下面我们来看下回调函数 on_trackbar， 它被定义了成一个static函数，意味着函数生命周期从被调用开始一直存在知道程序结束，第二个参数对应createTrackbar函数中的第6个参数，用户数据指针。

/**
 * @function on_trackbar
 * @brief Callback for trackbar
 */
static void on_trackbar( int, void* )
{
   alpha = (double) alpha_slider/alpha_slider_max ;

   beta = ( 1.0 - alpha );

   addWeighted( src1, alpha, src2, beta, 0.0, dst);

   imshow( "Linear Blend", dst );
}

为了测试addWeighted 函数性能，我们手工打造了一段相同功能的函数MyaddWeighted，代码如下

void MyaddWeight(InputArray _src1, double alpha, InputArray _src2, double beta, double gamma, OutputArray _dst)
{
    CV_Assert(_src1.depth() == CV_8U && _src2.depth() == CV_8U);
    CV_Assert(_src1.channels() == _src2.channels() &&_src1.size() == _src2.size());
    _dst.create(_src1.size(),_src1.type());

    Mat src1  = _src1.getMat();
    Mat src2  = _src2.getMat();
    Mat dst   = _dst.getMat();

    int rows = src1.rows;
    int cols = src1.cols * src1.channels();

    if (src1.isContinuous() && src2.isContinuous() && dst.isContinuous())
    {
        cols *= rows;
        rows = 1;
    }

    uchar* pSrc1 = NULL;
    uchar* pSrc2 = NULL;
    uchar* pDst  = NULL;
    for (int i=0; i
    {
        pSrc1 = src1.ptr(i);
        pSrc2 = src2.ptr(i);
        pDst  = dst.ptr(i);
        for (int j=0; j
        {
            pDst[j] = saturate_cast(pSrc1[j]*alpha + pSrc2[j]*beta + gamma);
        }
    }
}

在手工打造的程序中，运用C [ ]下标对图像像素点进行遍历，在前面的例程有过相关介绍，C[ ] 是三种遍历方法中性能最好的。

下图是各自方法 运行1000次的平均时间，可以看出手工打造的代码，虽然很好理解，但相对于opencv 的addWeightd函数性能差了很多，运行时间是6:1 。

注意到在我们代码中有用到 saturate_cast 进行类型转换以保证值的安全，那么这种类型转换方式对我们性能有多大的影响呢，我们通过去掉这条语句后，重新运行后的结果为

可以看出，平均运行时间从3.7毫秒缩短到了2.4毫秒，占了运行时间的1/3。

现在换过一个方法来写MyAddWeight 函数，还记得opencv中LUT函数中用到的NAryMatIterator，这次我们利用它来重写MyAddWeight

void MyaddWeight2(InputArray _src1, double alpha, InputArray _src2, double beta, double gamma, OutputArray _dst)
{
    CV_Assert(_src1.depth() == CV_8U && _src2.depth() == CV_8U);
    CV_Assert(_src1.channels() == _src2.channels() &&_src1.size() == _src2.size());
    _dst.create(_src1.size(),_src1.type());

    Mat src1  = _src1.getMat();
    Mat src2  = _src2.getMat();
    Mat dst   = _dst.getMat();

    int cn = src1.channels();

    AddFun fun = AddFunTable[src1.depth()];   //  通过数据类型，从函数指针数组中选择相应的函数进行调用

    const Mat* arrays[] = {&src1, &src2, &dst,0};   // 注意需要在最后加一个0，作为指针数组结束的标志，以确定数组中有效指针的个数
    uchar* ptrs[3];
    NAryMatIterator it(arrays, ptrs);
    int len = (int)it.size;
    for( size_t i = 0; i < it.nplanes; i++, ++it )
        fun(ptrs[0], ptrs[1], ptrs[2], len, cn, alpha, beta, gamma);
}

AddFun 是我们定义的一个函数指针类型，利用它加上一个函数指针数组AddFunTable，我们可以很容易的扩展MyAddWeight的使用范围，使它对CV_16S, CV_32F的数据类型也能适用

typedef void (*AddFun) (const uchar*, const uchar*, const uchar*, int, int, double, double, double);

static void ADD8u_(const uchar* src1, const uchar* src2, uchar* dst, int len, int cn, double aplha, double beta, double gamma)
{
    for (int i=0; i
        dst[i] = src1[i]*aplha + src2[i]*beta + gamma;
}

这个是函数ADD8u_ 的定义，相应的，我们可以快速的写出适合其他数据类型，如CV_8U,CV_16S,CV_32F的处理函数，

static AddFun AddFunTable[] =
{
    (AddFun)ADD8u_, 0
};

这个是函数指针数组，目前只实现了对数据类型CV_8U的操作，这样就可以根据数据的类型，调用相应的函数，而不必针对每一种数据类型写一个函数，大大提高了代码的重用率，也大大减少了以后代码维护的工作量，是一个很值得学习的技巧。

下面看下，这种写法是否对性能有所提高。

可以看到，运行时间从2.48 毫秒减少到了2.29毫秒，性能提高了大约 7.6%左右，相对于代码重用方面，性能上面的提高不是很明显。