图像像素操作
上节，我们介绍了 OPENCV与VS2008，Python2.7.5配置环境和图像载入，图像显示。本节主要探讨是：访问像素值、使用指针和迭代器遍历图像以及遍历图像和邻域操作。
访问像素值
为了访问 代码中指定元素所在的行和列。程序会返回相应的元素。如果是单通道的图像，返回值是单个数值；如查多通道的图像，返回值则是一组向量。
实现方法
我们创建一个椒盐现象的函数，第一个参数是一张输入图像，第二个参数是我们欲将其替换成白色像素点的像素点个数。
void salt(cv::Mat &img, int n){
for( int k = 0; k < n; k++){
int i = rand()%img.cols;
int j = rand()%img.rows;
if(img.channels( ) == 1){
img.at<uchar>(j,i) = 255;
}
else if(img.channels( ) == 3){
img.at<cv::Vec3b>(j,i)[0] =255;
img.at<cv::Vec3b>(j,i)[1] =255;
img.at<cv::Vec3b>(j,i)[2] =255;
}
}
}此处我们通过检查图的通道数来区分是GRAY图像和COLOR图像.这时，我们可以用imread（）函数来载入一张图像，然后将在调用这个函数时候将些图像传递它。
cv::Mat img = cv::imread("../../../waves.jpg");
salt(img,3000);
cv::namedWindow("Salt Window");
cv::imshow("Salt Window",img);处理后的结果，如下图所示：
完整代码：
C++版
// salt_image.cpp : Defines the entry point for the console application.
#include "stdafx.h"
#include <Opencv2\opencv.hpp>
void salt(cv::Mat &img, int n){
for( int k = 0; k < n; k++){
int i = rand()%img.cols;
int j = rand()%img.rows;
if(img.channels( ) == 1){
img.at<uchar>(j,i) = 255;
}
else if(img.channels( ) == 3){
img.at<cv::Vec3b>(j,i)[0] =255;
img.at<cv::Vec3b>(j,i)[1] =255;
img.at<cv::Vec3b>(j,i)[2] =255;
}
}
}
int _tmain(int argc, _TCHAR* argv[]){
cv::Mat img = cv::imread("../../../waves.jpg");
if(img.data){
salt(img,3000);
cv::namedWindow("Salt Window");
cv::imshow("Salt Window",img);
cv::waitKey(0);
cv::destroyAllWindows()
}
else
printf("Open Image is Error!");
return 0;
}
Python版
import cv2
import numpy as np
def salt(img, n):
for k in range(n):
i = int(np.random.random() * img.shape[1]);
j = int(np.random.random() * img.shape[0]);
if img.ndim == 2:
img[j,i] = 255
elif img.ndim == 3:
img[j,i,0]= 255
img[j,i,1]= 255
img[j,i,2]= 255
return img
if __name__ == '__main__':
img = cv2.imread("../waves.jpg")
saltImage = salt(img, 3000)
cv2.imshow("Salt", saltImage)
cv2.imwrite("../wavessalt.jpg",saltImage)
cv2.waitKey(0)
cv2.destroyAllWindows()
使用指针访问
我们在大多数的图像处理中，为了计算，需要遍历图像的所有像素。考虑到将要访问的像素个数非常之多，高效地遍历图像时非常重要的。
实现方法
首先我们定义一个颜色缩减函数原型如下：
void colorReduce(cv::Mat &img,int div =64);整个处理过程通过一个双重循环来遍历所在的像素值：
void colorReduce( cv::Mat &img, int div =32){
int nl =img.rows;
int nc = img.cols*img.channels();
for(int j =0; j< nl; j++){
uchar* data = img.ptr<uchar>(j);
for(int i=0; i<nc;i++){
data[i] =data[i]/div*div+div/2;
}
}
}整个函数可以通过以下的代码片段测试
cv::Mat img = cv::imread("../../../waves.jpg");
colorReduce(img);
cv::namedWindow("Reduce Window");
cv::imshow("Reduce Window",img);结果如下图所示：
完整代码
// Reduce_image.cpp : Defines the entry point for the console application.
#include "stdafx.h"
#include <Opencv2\opencv.hpp>
void colorReduce( cv::Mat &img, int div =32){
int nl =img.rows;
int nc = img.cols*img.channels();
for(int j =0; j< nl; j++){
uchar* data = img.ptr<uchar>(j);
for(int i=0; i<nc;i++){
data[i] =data[i]/div*div+div/2;
}
}
}
int _tmain(int argc, _TCHAR* argv[]){
cv::Mat img = cv::imread("../../../waves.jpg");
colorReduce(img);
cv::imwrite("Reduce.jpg",img);
cv::namedWindow("Reduce Window");
cv::imshow("Reduce Window",img);
cv::waitKey(0);
cv::destroyAllWindows();
return 0;
}
扩展知识
本例中提供的中是颜色缩减函数的一种实现方式，不必局限于此，可以使用其它的颜色缩减公式。我们也可以实现一个更通用的版本，它允许用户分别指定输入和输出图像。另外，图像遍历过程还可以通过利用图像数据的连续性，使得整个过程更高效。
1.其他的颜色缩减公式
我们可以选择使用位运算。
//mask used to round the pixel value uchar maks = 0xFF<<n; // e.g. for dive =16, mask =0xF0 data[i] =(data[i]&mask) +div/22.高效遍历连续图像
考虑到效率，图像有可能会在行尾扩大若干个像素。但是，值得注意的是当不对行进行填补的时候，图像可以被视为一个长为WxH的一维数组。我们可以通过OpenCV中的CV::Mat的一个成员函数 isContinuous来判断这幅图像是否对行进行了填补。重写颜色缩减函数为
void colorReduce( cv::Mat &img, int div =32){
if(img.isContinuous()){
img.reshape(1,img.cols*img.rows);
}
int nl =img.rows;
int nc = img.cols*img.channels();
for(int j =0; j< nl; j++){
uchar* data = img.ptr<uchar>(j);
for(int i=0; i<nc;i++){
data[i] =data[i]/div*div+div/2;
}
}
}这个方法在同时处理若干小图像时会很有优势。
3.底层的指针运算
在类 CV::Mat中，图像数据以unsigned char形成保存在一块内存中。即：
uchar *data= img.data; data =+img.step; data =img.data +j*img.step+i*img.elemSize();
但是，即使这种方式确实行之有效，但容易出错。
迭代器遍历
在面对象的编程中，遍历数据集合通常是通过迭代器完成的。所以，我们将重写颜色缩减函数为：
void colorReduce( cv::Mat &img, int div =32){
cv::Mat_<cv::Vec3b>::iterator it = img.begin<cv::Vec3b>();
cv::Mat_<cv::Vec3b>::iterator itend = img.end<cv::Vec3b>();
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;
}
}
遍历图像和邻域操作
在图像处理中，通过当前位置的相邻像素计算新的像素值是很常见的操作。当邻域包含图像的前几行和下几行时，你就需要同时扫描图像的若干行。本例子可以展示如何做到这一点。
void sharpen(const cv::Mat &img,cv::Mat &result){
result.create(img.size(),img.type());
for(int j =1; j<img.rows-1;j++){
const uchar* previous = img.ptr<const uchar>(j-1);
const uchar* current = img.ptr<const uchar>(j);
const uchar* next = img.ptr<const uchar>(j+1);
const uchar* output = result.ptr<const uchar>(j);
for(int i =1; i<img.cols-1;i++){
*output++= cv::saturate_cast<uchar>(
5*current[i]-current[i-1]
-current[i+1]-previous[i]-next[i]);
}
}
result.row(0).setTo(cv::Scalar(0));
result.row(result.rows-1).setTo(cv::Scalar(0));
result.col(0).setTo(cv::Scalar(0));
result.col(result.rows-1).setTo(cv::Scalar(0));
}
关于Image Engineering & Computer Vision的更多讨论与交流，敬请关注本博客和新浪微博songzi_tea.