Opencv之矩阵的掩码操作

矩阵的掩码操作很简单。其思想是：根据掩码矩阵（也称作核）重新计算图像中每个像素的值。掩码矩阵中的值表示近邻像素值（包括该像素自身的值）对新像素值有多大影响。从数学观点看，我们用自己设置的权值，对像素邻域内的值做了个加权平均。

实现掩码操作的两种方法

•  基本的像素访问方法

    void Sharpen(const Mat& myImage,Mat& Result){
    CV_Assert(myImage.depth()== CV_8U);  // 仅接受uchar图像
 
   Result.create(myImage.size(),myImage.type());
    const intnChannels = myImage.channels();
 
    for(int j =1 ; j < myImage.rows-1; ++j)
    {
        constuchar* previous = myImage.ptr<uchar>(j - 1);
        constuchar* current  =myImage.ptr<uchar>(j    );
        constuchar* next     =myImage.ptr<uchar>(j + 1);
 
        uchar*output = Result.ptr<uchar>(j);
 
        for(inti= nChannels;i < nChannels*(myImage.cols-1); ++i)
        {
           *output++ = saturate_cast<uchar>(5*current[i]
                         -current[i-nChannels]- current[i+nChannels] - previous[i] - next[i]);
        }
    }
 
   Result.row(0).setTo(Scalar(0));
   Result.row(Result.rows-1).setTo(Scalar(0));
    Result.col(0).setTo(Scalar(0));
   Result.col(Result.cols-1).setTo(Scalar(0));
}

刚进入函数的时候，我们要确保输入图像是无符号字符类型的。为了做到这点，我们使用了 CV_Assert函数。若该函数括号内的表达式为false，则会抛出一个错误。

CV_Assert(myImage.depth() == CV_8U);  // 仅接受uchar图像

然后，我们创建了一个与输入有着相同大小和类型的输出图像。在 图像矩阵是如何存储在内存之中的？ 一节可以看到，根据图像的通道数，我们有一个或多个子列。我们用指针在每一个通道上迭代，因此通道数就决定了需计算的元素总数。

Result.create(myImage.size(),myImage.type());
const int nChannels = myImage.channels();

利用C语言的[]操作符，我们能简单明了地访问像素。因为要同时访问多行像素，所以我们获取了其中每一行像素的指针（分别是前一行、当前行和下一行）。此外，我们还需要一个指向计算结果存储位置的指针。有了这些指针后，我们使用[]操作符，就能轻松访问到目标元素。为了让输出指针向前移动，我们在每一次操作之后对输出指针进行了递增（移动一个字节）：

for(int j = 1 ; j < myImage.rows-1; ++j)
{
    const uchar* previous = myImage.ptr<uchar>(j - 1);
    const uchar* current  = myImage.ptr<uchar>(j    );
    const uchar* next     = myImage.ptr<uchar>(j + 1);

    uchar* output = Result.ptr<uchar>(j);

    for(int i= nChannels;i < nChannels*(myImage.cols-1); ++i)
    {
        *output++ = saturate_cast<uchar>(5*current[i]
                     -current[i-nChannels] - current[i+nChannels] 
- previous[i] - next[i]);
    }
}

在图像的边界上，上面给出的公式会访问不存在的像素位置（比如(0,-1)）。因此我们的公式对边界点来说是未定义的。一种简单的解决方法，是不对这些边界点使用掩码，而直接把它们设为0：

Result.row(0).setTo(Scalar(0));             // 上边界
Result.row(Result.rows-1).setTo(Scalar(0)); // 下边界
Result.col(0).setTo(Scalar(0));             // 左边界
Result.col(Result.cols-1).setTo(Scalar(0)); // 右边界

• filter2D函数

  C++: void filter2D(InputArray src, OutputArray dst, int ddepth, InputArray kernel, Point anchor=Point(-1,-1), double delta=0, int borderType=BORDER_DEFAULT )

  
  

  功能：把输入图像src与核kernel做卷积，结果存放在dst中。

  Parameters:

  src – 输入图像. dst – 输出图像，和输入图像有相同的大小和通道数 ddepth – 输出图像的深度，如果该值设为负数则输出图像和输入图像有相同的通道数。ddepth可以根据以下罗列的方式设定。 src.depth() = CV_8U, ddepth = -1/CV_16S/CV_32F/CV_64F src.depth() = CV_16U/CV_16S, ddepth = -1/CV_32F/CV_64F src.depth() = CV_32F, ddepth = -1/CV_32F/CV_64F src.depth() = CV_64F, ddepth = -1/CV_64F kernel – 卷积核 (or rather a correlation kernel), 为一个单通道的浮点型矩阵; 对于多通道的彩色图像，如果要对每一通道计算卷积，请使用split（）函数将图像分割为多个通道，然后各个通道分别进行卷积处理。 anchor – 核矩阵中哪一个位置和src图像中要处理的像素对齐；该值默认为(-1,-1)，也就是中心位置和src图像要处理的像素对齐。 delta – 可选值，该值与卷积过后的元素值相加存入dst中，默认值为0 borderType – 边界元素处理办法，一般为默认值(seeborderInterpolate() for details)

  
  

Mat kern = (Mat_<char>(3,3) <<  0, -1,  0,
                            -1,  5, -1,
                             0, -1,  0);
filter2D(I, K, I.depth(), kern );