OpenCV， color reduction method

转载请注明出处！！！http://blog.csdn.net/zhonghuan1992

OpenCV， colorreduction method

目标：

         这次学习的目标是回答下面的几个问题：

                  1 图片像素是如何被扫描的?

                   2OpenCV 矩阵值如何被存储？

                   3如何衡量算法的性能？

                   4什么是查找表和为什么要用他们？

         看完这篇，希望能够解决上面的这些问题。

 

正文：

         首先我们考虑一下简单的色彩降低方法（color reduction method，翻译的不好请指正），如果使用的是c或c++无符号的char（八字节大小的空间），一个信道（channel）有256个不同的值（2^8=256），但是如果使用的是GRB方案，三个channel的话，颜色的数量就会变为256*256*256，大概是16个million这么多，这么多的颜色数量，对于计算机来说仍然是一个负担，所以可以想一些方法来降低这些色彩数量。

         可以使用简单的方法来降低图像色彩空间，比如，将0-9的数字都统一用0来代替，10-19的数字都统一用10代替。这种转换方案可以用下面的公式表示

         通过上面的公式，把所有像素点的值更新一下。但是，上面的公式中有除法，这里要表达一个是，计算量比较多的情况下，不用乘除，就不要用，最好把他们转换为加减。我们知道，在转换前像素点的值只有256个，所以我们可以用查找表的方式，我们事先把所有的计算结果都保存在一个数组里，每次要执行上面的公式计算的时候，结果直接从数组里取出来就ok了。比如32对应30，表table[32]=30是早计算出来的，直接访问table[32]就OK了。

 

图片矩阵如何在内存中存储的：

灰度图片的矩阵存储方式：

         灰度图片的每一个像素点，只由一个值来表示，所以，就是一个普通的二维矩阵。

 

彩色图片的矩阵存储方式：

        

         彩色图片的存储方式和灰度图片不一样，这里展示的是RGB格式的，可以看到，每一个像素，由三个值，代表蓝色，绿色，红色的三个数值表示，存储方式不是三维的，而是二维，不过列向量放大了三倍。从图片中可以清楚的看到。

 

效率：

         比较像素数量降低方式效率的代码，在本文的最后面，代码看上去很多，其实结构比较简单，看一会儿就明白了。附上一张结果图：

        

 

最快的OpenCV内的LUT函数。关于LUT，看这里

 

可以粗略的看一下代码，代码不难，很容易懂：

#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <iostream>
#include <sstream>

using namespace std;
using namespace cv;

static void help()
{
	//这里提示输入有三个参数，第一个是图像的名字，第二个是参数是公式中的降低颜色数的数字，这里是10，第三个参数，如果是[G]代表是灰度图片，否则不是。
    cout
        << "\n--------------------------------------------------------------------------" << endl
        << "This program shows how to scan image objects in OpenCV (cv::Mat). As use case"
        << " we take an input image and divide the native color palette (255) with the "  << endl
        << "input. Shows C operator[] method, iterators and at function for on-the-fly item address calculation."<< endl
        << "Usage:"                                                                       << endl
        << "./howToScanImages imageNameToUse divideWith [G]"                              << endl
        << "if you add a G parameter the image is processed in gray scale"                << endl
        << "--------------------------------------------------------------------------"   << endl
        << endl;
}

Mat& ScanImageAndReduceC(Mat& I, const uchar* table);
Mat& ScanImageAndReduceIterator(Mat& I, const uchar* table);
Mat& ScanImageAndReduceRandomAccess(Mat& I, const uchar * table);

/*
	程序主要是看不同的color reduction方式对于程序运行速度的影响。
	使用getTickCount()函数来获取当前时间，利用当前时间-上次获取的时间，来得到运行时间

*/
int main( int argc, char* argv[])
{
    help();
    if (argc < 3)
    {
        cout << "Not enough parameters" << endl;
        return -1;
    }

    Mat I, J;
    if( argc == 4 && !strcmp(argv[3],"G") ) 
        I = imread(argv[1], CV_LOAD_IMAGE_GRAYSCALE);
    else
        I = imread(argv[1], CV_LOAD_IMAGE_COLOR);

    if (!I.data)
    {
        cout << "The image" << argv[1] << " could not be loaded." << endl;
        return -1;
    }

    int divideWith = 0; // convert our input string to number - C++ style
    stringstream s;  //使用stringstream来负责将参数转换为数字
    s << argv[2];
    s >> divideWith;
    if (!s || !divideWith)
    {
        cout << "Invalid number entered for dividing. " << endl;
        return -1;
    }

    uchar table[256];
    for (int i = 0; i < 256; ++i)
       table[i] = (uchar)(divideWith * (i/divideWith));

    const int times = 100;
    double t;

    t = (double)getTickCount();

    for (int i = 0; i < times; ++i)
    {
        cv::Mat clone_i = I.clone();
        J = ScanImageAndReduceC(clone_i, table);
    }

    t = 1000*((double)getTickCount() - t)/getTickFrequency();
    t /= times;

    cout << "Time of reducing with the C operator [] (averaged for "
         << times << " runs): " << t << " milliseconds."<< endl;

    t = (double)getTickCount();

    for (int i = 0; i < times; ++i)
    {
        cv::Mat clone_i = I.clone();
        J = ScanImageAndReduceIterator(clone_i, table);
    }

    t = 1000*((double)getTickCount() - t)/getTickFrequency();
    t /= times;

    cout << "Time of reducing with the iterator (averaged for "
        << times << " runs): " << t << " milliseconds."<< endl;

    t = (double)getTickCount();

    for (int i = 0; i < times; ++i)
    {
        cv::Mat clone_i = I.clone();
        ScanImageAndReduceRandomAccess(clone_i, table);
    }

    t = 1000*((double)getTickCount() - t)/getTickFrequency();
    t /= times;

    cout << "Time of reducing with the on-the-fly address generation - at function (averaged for "
        << times << " runs): " << t << " milliseconds."<< endl;

    Mat lookUpTable(1, 256, CV_8U);
    uchar* p = lookUpTable.data;
    for( int i = 0; i < 256; ++i)
        p[i] = table[i];

    t = (double)getTickCount();

    for (int i = 0; i < times; ++i)
        LUT(I, lookUpTable, J);

    t = 1000*((double)getTickCount() - t)/getTickFrequency();
    t /= times;

    cout << "Time of reducing with the LUT function (averaged for "
        << times << " runs): " << t << " milliseconds."<< endl;
    return 0;
}

Mat& ScanImageAndReduceC(Mat& I, const uchar* const table)
{
    // accept only char type matrices
    CV_Assert(I.depth() != sizeof(uchar));

    int channels = I.channels();

    int nRows = I.rows;
    int nCols = I.cols * channels;

    if (I.isContinuous())
    {
        nCols *= nRows;
        nRows = 1;
    }

    int i,j;
    uchar* p;
    for( i = 0; i < nRows; ++i)
    {
        p = I.ptr<uchar>(i);
        for ( j = 0; j < nCols; ++j)
        {
            p[j] = table[p[j]];
        }
    }
    return I;
}

Mat& ScanImageAndReduceIterator(Mat& I, const uchar* const table)
{
    // accept only char type matrices
    CV_Assert(I.depth() != sizeof(uchar));

    const int channels = I.channels();
    switch(channels)
    {
    case 1:
        {
            MatIterator_<uchar> it, end;
            for( it = I.begin<uchar>(), end = I.end<uchar>(); it != end; ++it)
                *it = table[*it];
            break;
        }
    case 3:
        {
            MatIterator_<Vec3b> it, end;
            for( it = I.begin<Vec3b>(), end = I.end<Vec3b>(); it != end; ++it)
            {
                (*it)[0] = table[(*it)[0]];
                (*it)[1] = table[(*it)[1]];
                (*it)[2] = table[(*it)[2]];
            }
        }
    }

    return I;
}

Mat& ScanImageAndReduceRandomAccess(Mat& I, const uchar* const table)
{
    // accept only char type matrices
    CV_Assert(I.depth() != sizeof(uchar));

    const int channels = I.channels();
    switch(channels)
    {
    case 1:
        {
            for( int i = 0; i < I.rows; ++i)
                for( int j = 0; j < I.cols; ++j )
                    I.at<uchar>(i,j) = table[I.at<uchar>(i,j)];
            break;
        }
    case 3:
        {
         Mat_<Vec3b> _I = I;

         for( int i = 0; i < I.rows; ++i)
            for( int j = 0; j < I.cols; ++j )
               {
                   _I(i,j)[0] = table[_I(i,j)[0]];
                   _I(i,j)[1] = table[_I(i,j)[1]];
                   _I(i,j)[2] = table[_I(i,j)[2]];
            }
         I = _I;
         break;
        }
    }

    return I;
}