OpenCV学习笔记：如何扫描图像、利用查找表和计时

快来打我* 2024-04-17 23:46 38阅读 0赞

## 目的 ##

我们将探索以下问题的答案：

*  如何遍历图像中的每一个像素？
 *  OpenCV的矩阵值是如何存储的？
 *  如何测试我们所实现算法的性能？
 *  查找表是什么？为什么要用它？

## 测试用例 ##

这里我们测试的，是一种简单的颜色缩减方法。如果矩阵元素存储的是单通道像素，使用C或C++的无符号字符类型，那么像素可有256个不同值。但若是三通道图像，这种存储格式的颜色数就太多了（确切地说，有一千六百多万种）。用如此之多的颜色可能会对我们的算法性能造成严重影响。其实有时候，仅用这些颜色的一小部分，就足以达到同样效果。

这种情况下，常用的一种方法是 *颜色空间缩减*。其做法是：将现有颜色空间值除以某个输入值，以获得较少的颜色数。例如，颜色值0到9可取为新值0，10到19可取为10，以此类推。

*uchar* （无符号字符，即0到255之间取值的数）类型的值除以 *int* 值，结果仍是 *char* 。因为结果是char类型的，所以求出来小数也要向下取整。利用这一点，刚才提到在 *uchar* 定义域中进行的颜色缩减运算就可以表达为下列形式：

![I\_\{new\} = (\\frac\{I\_\{old\}\}\{10\}) \* 10][I_new_ _ _frac_I_old_10_ _ 10]

这样的话，简单的颜色空间缩减算法就可由下面两步组成：一、遍历图像矩阵的每一个像素；二、对像素应用上述公式。值得注意的是，我们这里用到了除法和乘法运算，而这两种运算又特别费时，所以，我们应尽可能用代价较低的加、减、赋值等运算替换它们。此外，还应注意到，上述运算的输入仅能在某个有限范围内取值，如 *uchar* 类型可取256个值。

由此可知，对于较大的图像，有效的方法是预先计算所有可能的值，然后需要这些值的时候，利用查找表直接赋值即可。查找表是一维或多维数组，存储了不同输入值所对应的输出值，其优势在于只需读取、无需计算。

我们的测试用例程序（以及这里给出的示例代码）做了以下几件事：

以命令行参数形式读入图像（可以是彩色图像，也可以是灰度图像，由命令行参数决定），然后用命令行参数给出的整数进行颜色缩减。

目前，OpenCV主要有三种逐像素遍历图像的方法。我们将分别用这三种方法扫描图像，并将它们所用时间输出到屏幕上。我想这样的对比应该很有意思。

你可以从 [这里][Link 1] 下载源代码，也可以找到OpenCV的samples目录，进入cpp的tutorial\_code的core目录，查阅该程序的代码。程序的基本用法是：

how_to_scan_images imageName.jpg intValueToReduce [G]

最后那个参数是可选的。如果提供该参数，则图像以灰度格式载入，否则使用彩色格式。在该程序中，我们首先要计算查找表。

int divideWith; // convert our input string to number - C++ style
        stringstream s;//数据类型转换
        s << argv[2];
        s >> divideWith;
        if (!s)
        {
          
            cout << "Invalid number entered for dividing. " << endl; 
            return -1;
        }
        
        uchar table[256]; 
        for (int i = 0; i < 256; ++i)
           table[i] = divideWith* (i/divideWith);

这里我们先使用C++的 *stringstream* 类，把第三个命令行参数由字符串转换为整数。

然后，我们用数组和前面给出的公式计算查找表。这里并未涉及有关OpenCV的内容。

另外有个问题是如何计时。没错，OpenCV提供了两个简便的可用于计时的函数 [getTickCount()][getTickCount] 和 [getTickFrequency()][getTickFrequency] 。第一个函数返回你的CPU自某个事件（如启动电脑）以来走过的时钟周期数，第二个函数返回你的CPU一秒钟所走的时钟周期数。这样，我们就能轻松地以秒为单位对某运算计时：

double t = (double)getTickCount();
    // 做点什么 ...
    t = ((double)getTickCount() - t)/getTickFrequency();
    cout << "Times passed in seconds: " << t << endl;

## 图像矩阵是如何存储在内存之中的？ ##

图像矩阵的大小取决于我们所用的颜色模型，确切地说，取决于所用通道数。如果是灰度图像，矩阵就会像这样：

![\\newcommand\{\\tabItG\}\[1\] \{ \\textcolor\{black\}\{\#1\} \\cellcolor\[gray\]\{0.8\}\}\\begin\{tabular\} \{ccccc\}~ & \\multicolumn\{1\}\{c\}\{Column 0\} &   \\multicolumn\{1\}\{c\}\{Column 1\} &   \\multicolumn\{1\}\{c\}\{Column ...\} & \\multicolumn\{1\}\{c\}\{Column m\}\\\\Row 0 & \\tabItG\{0,0\} & \\tabItG\{0,1\} & \\tabItG\{...\}  & \\tabItG\{0, m\} \\\\Row 1 & \\tabItG\{1,0\} & \\tabItG\{1,1\} & \\tabItG\{...\}  & \\tabItG\{1, m\} \\\\Row ... & \\tabItG\{...,0\} & \\tabItG\{...,1\} & \\tabItG\{...\} & \\tabItG\{..., m\} \\\\Row n & \\tabItG\{n,0\} & \\tabItG\{n,1\} & \\tabItG\{n,...\} & \\tabItG\{n, m\} \\\\\\end\{tabular\}][newcommand_tabItG_1_ _ _textcolor_black_1_ _cellcolor_gray_0.8_begin_tabular_ _ccccc_ _ _multicolumn_1_c_Column 0_ _ _multicolumn_1_c_Column 1_ _ _multicolumn_1_c_Column ..._ _ _multicolumn_1_c_Column m_Row 0 _ _tabItG_0_0_ _ _tabItG_0_1_ _ _tabItG_..._ _ _tabItG_0_ m_ _Row 1 _ _tabItG_1_0_ _ _tabItG_1_1_ _ _tabItG_..._ _ _tabItG_1_ m_ _Row ... _ _tabItG_..._0_ _ _tabItG_..._1_ _ _tabItG_..._ _ _tabItG_..._ m_ _Row n _ _tabItG_n_0_ _ _tabItG_n_1_ _ _tabItG_n_..._ _ _tabItG_n_ m_ _end_tabular]

而对多通道图像来说，矩阵中的列会包含多个子列，其子列个数与通道数相等。例如，RGB颜色模型的矩阵：

![\\newcommand\{\\tabIt\}\[1\] \{ \\textcolor\{yellow\}\{\#1\} \\cellcolor\{blue\} &  \\textcolor\{black\}\{\#1\} \\cellcolor\{green\} & \\textcolor\{black\}\{\#1\} \\cellcolor\{red\}\}\\begin\{tabular\} \{ccccccccccccc\}~ & \\multicolumn\{3\}\{c\}\{Column 0\} &   \\multicolumn\{3\}\{c\}\{Column 1\} &   \\multicolumn\{3\}\{c\}\{Column ...\} & \\multicolumn\{3\}\{c\}\{Column m\}\\\\Row 0 & \\tabIt\{0,0\} & \\tabIt\{0,1\} & \\tabIt\{...\}  & \\tabIt\{0, m\} \\\\Row 1 & \\tabIt\{1,0\} & \\tabIt\{1,1\} & \\tabIt\{...\}  & \\tabIt\{1, m\} \\\\Row ... & \\tabIt\{...,0\} & \\tabIt\{...,1\} & \\tabIt\{...\} & \\tabIt\{..., m\} \\\\Row n & \\tabIt\{n,0\} & \\tabIt\{n,1\} & \\tabIt\{n,...\} & \\tabIt\{n, m\} \\\\\\end\{tabular\}][newcommand_tabIt_1_ _ _textcolor_yellow_1_ _cellcolor_blue_ _ _textcolor_black_1_ _cellcolor_green_ _ _textcolor_black_1_ _cellcolor_red_begin_tabular_ _ccccccccccccc_ _ _multicolumn_3_c_Column 0_ _ _multicolumn_3_c_Column 1_ _ _multicolumn_3_c_Column ..._ _ _multicolumn_3_c_Column m_Row 0 _ _tabIt_0_0_ _ _tabIt_0_1_ _ _tabIt_..._ _ _tabIt_0_ m_ _Row 1 _ _tabIt_1_0_ _ _tabIt_1_1_ _ _tabIt_..._ _ _tabIt_1_ m_ _Row ... _ _tabIt_..._0_ _ _tabIt_..._1_ _ _tabIt_..._ _ _tabIt_..._ m_ _Row n _ _tabIt_n_0_ _ _tabIt_n_1_ _ _tabIt_n_..._ _ _tabIt_n_ m_ _end_tabular]

注意到，子列的通道顺序是反过来的：BGR而不是RGB。很多情况下，因为内存足够大，可实现连续存储，因此，图像中的各行就能一行一行地连接起来，形成一个长行。连续存储有助于提升图像扫描速度，我们可以使用 [isContinuous()][isContinuous] 来去判断矩阵是否是连续存储的. 相关示例会在接下来的内容中提供。

## 1.高效的方法 Efficient Way ##

说到性能，经典的C风格运算符\[\]（指针）访问要更胜一筹. 因此，我们推荐的效率最高的查找表赋值方法，还是下面的这种：

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 * channels; 
        int nCols = I.cols;
    
        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; 
    }

这里，我们获取了每一行开始处的指针，然后遍历至该行末尾。如果矩阵是以连续方式存储的，我们只需请求一次指针、然后一路遍历下去就行。彩色图像的情况有必要加以注意：因为三个通道的原因，我们需要遍历的元素数目也是3倍。

这里有另外一种方法来实现遍历功能，就是使用 *data* ， data会从 *Mat* 中返回指向矩阵第一行第一列的指针。注意如果该指针为NULL则表明对象里面无输入，所以这是一种简单的检查图像是否被成功读入的方法。当矩阵是连续存储时，我们就可以通过遍历 *data* 来扫描整个图像。例如，一个灰度图像，其操作如下：

uchar* p = I.data;
    
    for( unsigned int i =0; i < ncol*nrows; ++i)
        *p++ = table[*p];

这回得出和前面相同的结果。但是这种方法编写的代码可读性方面差，并且进一步操作困难。同时，我发现在实际应用中，该方法的性能表现上并不明显优于前一种（因为现在大多数编译器都会对这类操作做出优化）。

## 2.迭代法 The iterator (safe) method ##

在高性能法（the efficient way）中，我们可以通过遍历正确的*uchar*域并跳过行与行之间可能的空缺-你必须自己来确认是否有空缺，来实现图像扫描，迭代法则被认为是一种以更安全的方式来实现这一功能。在迭代法中，你所需要做的仅仅是获得图像矩阵的begin和end，然后增加迭代直至从begin到end。将\*操作符添加在迭代指针前，即可访问当前指向的内容。

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; 
    }

对于彩色图像中的一行，每列中有3个uchar元素，这可以被认为是一个小的包含uchar元素的vector，在OpenCV中用 *Vec3b* 来命名。如果要访问第n个子列，我们只需要简单的利用\[\]来操作就可以。需要指出的是，OpenCV的迭代在扫描过一行中所有列后会自动跳至下一行，所以说如果在彩色图像中如果只使用一个简单的 *uchar* 而不是 *Vec3b* 迭代的话就只能获得蓝色通道(B)里的值。

## 3. 通过相关返回值的On-the-fly地址计算 ##

事实上这个方法并不推荐被用来进行图像扫描，它本来是被用于获取或更改图像中的随机元素。它的基本用途是要确定你试图访问的元素的所在行数与列数。在前面的扫描方法中，我们观察到知道所查询的图像数据类型是很重要的。这里同样的你得手动指定好你要查找的数据类型。下面的代码中是一个关于灰度图像的示例(运用 + [at()][at] 函数):

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;
    }

该函数输入为数据类型及需求元素的坐标，返回的是一个对应的值-如果用 *get* 则是constant，如果是用 *set* 、则为non-constant. 出于程序安全，当且仅当在 **debug 模式下** 它会检查你的输入坐标是否有效或者超出范围. 如果坐标有误，则会输出一个标准的错误信息. 和高性能法（the efficient way）相比, 在 release模式下，它们之间的区别仅仅是On-the-fly方法对于图像矩阵的每个元素，都会获取一个新的行指针，通过该指针和\[\]操作来获取列元素。

当你对一张图片进行多次查询操作时，为避免反复输入数据类型和at带来的麻烦和浪费的时间，OpenCV 提供了:basicstructures:Mat\_ <id3> data type. 它同样可以被用于获知矩阵的数据类型，你可以简单利用()操作返回值来快速获取查询结果. 值得注意的是你可以利用 [at()][at] 函数来用同样速度完成相同操作. 它仅仅是为了让懒惰的程序员少写点 >\_< .

## 4. 核心函数LUT（The Core Function） ##

这是最被推荐的用于实现批量图像元素查找和更改操作的图像方法。在图像处理中，对于一个给定的值，将其替换成其他的值是一个很常见的操作，OpenCV提供里一个函数直接实现该操作，并不需要你自己扫描图像，就是:operationsOnArrays:LUT() <lut> ，一个包含于core module的函数. 首先我们建立一个mat型用于查表:

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

然后我们调用函数 (I 是输入 J 是输出):

LUT(I, lookUpTable, J);

## 性能表现 ##

为了得到最优的结果，你最好自己编译并运行这些程序. 为了更好的表现性能差异，我用了一个相当大的图片(2560 X 1600). 性能测试这里用的是彩色图片，结果是数百次测试的平均值.

<table style="border:0px; border-collapse:collapse">     
 <tbody> 
  <tr> 
   <td style="padding:1px 8px 1px 5px; border-width:0px 0px 1px; border-bottom-style:solid; border-bottom-color:rgb(170,170,170); font-family:'Microsoft YaHei',微软雅黑!important"> Efficient Way</td> 
   <td style="padding:1px 8px 1px 5px; border-width:0px 0px 1px; border-bottom-style:solid; border-bottom-color:rgb(170,170,170); font-family:'Microsoft YaHei',微软雅黑!important"> 79.4717 milliseconds</td> 
  </tr> 
  <tr> 
   <td style="padding:1px 8px 1px 5px; border-width:0px 0px 1px; border-bottom-style:solid; border-bottom-color:rgb(170,170,170); font-family:'Microsoft YaHei',微软雅黑!important"> Iterator</td> 
   <td style="padding:1px 8px 1px 5px; border-width:0px 0px 1px; border-bottom-style:solid; border-bottom-color:rgb(170,170,170); font-family:'Microsoft YaHei',微软雅黑!important"> 83.7201 milliseconds</td> 
  </tr> 
  <tr> 
   <td style="padding:1px 8px 1px 5px; border-width:0px 0px 1px; border-bottom-style:solid; border-bottom-color:rgb(170,170,170); font-family:'Microsoft YaHei',微软雅黑!important"> On-The-Fly RA</td> 
   <td style="padding:1px 8px 1px 5px; border-width:0px 0px 1px; border-bottom-style:solid; border-bottom-color:rgb(170,170,170); font-family:'Microsoft YaHei',微软雅黑!important"> 93.7878 milliseconds</td> 
  </tr> 
  <tr> 
   <td style="padding:1px 8px 1px 5px; border-width:0px 0px 1px; border-bottom-style:solid; border-bottom-color:rgb(170,170,170); font-family:'Microsoft YaHei',微软雅黑!important"> LUT function</td> 
   <td style="padding:1px 8px 1px 5px; border-width:0px 0px 1px; border-bottom-style:solid; border-bottom-color:rgb(170,170,170); font-family:'Microsoft YaHei',微软雅黑!important"> 32.5759 milliseconds</td> 
  </tr> 
 </tbody> 
</table>

我们得出一些结论: 尽量使用 OpenCV 内置函数. 调用LUT 函数可以获得最快的速度. 这是因为OpenCV库可以通过英特尔线程架构启用多线程. 当然,如果你喜欢使用指针的方法来扫描图像，迭代法是一个不错的选择，不过速度上较慢。在debug模式下使用on-the-fly方法扫描全图是一个最浪费资源的方法，在release模式下它的表现和迭代法相差无几，但是从安全性角度来考虑，迭代法是更佳的选择

[I_new_ _ _frac_I_old_10_ _ 10]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/15/0af8559b90dc4e36bc184fa45b207b8c.png
[Link 1]: http://www.opencv.org.cn/opencvdoc/2.3.2/html/_downloads/how_to_scan_images.cpp
[getTickCount]: http://opencv.itseez.com/modules/core/doc/utility_and_system_functions_and_macros.html#gettickcount
[getTickFrequency]: http://opencv.itseez.com/modules/core/doc/utility_and_system_functions_and_macros.html#gettickfrequency
[newcommand_tabItG_1_ _ _textcolor_black_1_ _cellcolor_gray_0.8_begin_tabular_ _ccccc_ _ _multicolumn_1_c_Column 0_ _ _multicolumn_1_c_Column 1_ _ _multicolumn_1_c_Column ..._ _ _multicolumn_1_c_Column m_Row 0 _ _tabItG_0_0_ _ _tabItG_0_1_ _ _tabItG_..._ _ _tabItG_0_ m_ _Row 1 _ _tabItG_1_0_ _ _tabItG_1_1_ _ _tabItG_..._ _ _tabItG_1_ m_ _Row ... _ _tabItG_..._0_ _ _tabItG_..._1_ _ _tabItG_..._ _ _tabItG_..._ m_ _Row n _ _tabItG_n_0_ _ _tabItG_n_1_ _ _tabItG_n_..._ _ _tabItG_n_ m_ _end_tabular]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/15/1f1e1f04bb874aa68ec30f0a283fe0bd.png
[newcommand_tabIt_1_ _ _textcolor_yellow_1_ _cellcolor_blue_ _ _textcolor_black_1_ _cellcolor_green_ _ _textcolor_black_1_ _cellcolor_red_begin_tabular_ _ccccccccccccc_ _ _multicolumn_3_c_Column 0_ _ _multicolumn_3_c_Column 1_ _ _multicolumn_3_c_Column ..._ _ _multicolumn_3_c_Column m_Row 0 _ _tabIt_0_0_ _ _tabIt_0_1_ _ _tabIt_..._ _ _tabIt_0_ m_ _Row 1 _ _tabIt_1_0_ _ _tabIt_1_1_ _ _tabIt_..._ _ _tabIt_1_ m_ _Row ... _ _tabIt_..._0_ _ _tabIt_..._1_ _ _tabIt_..._ _ _tabIt_..._ m_ _Row n _ _tabIt_n_0_ _ _tabIt_n_1_ _ _tabIt_n_..._ _ _tabIt_n_ m_ _end_tabular]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/15/1699a2a61cde4c519ddac6c96c82e1e9.png
[isContinuous]: http://opencv.itseez.com/modules/core/doc/basic_structures.html#mat-iscontinuous
[at]: http://opencv.itseez.com/modules/core/doc/basic_structures.html#mat-at