OpenCV2.4+遍歷讀寫像素方法總結及時間度量

以下文本及代碼基本基於《OpenCV 2.4.13.0 documentation》的How to scan images, lookup tables and time measurement with OpenCV一節，英文好的同學可以直接看原文。

• 1. 顏色壓縮

顏色壓縮（Color Reduction）最簡單的理解就是減少表示圖像的顏色數目，我們都知道，8位位深的3通道RGB真彩圖像包括了1600多萬（16777216）的顏色數目，其實在某些應用中用不到這么多數量（例如圖像傳輸（transmission）、分割（segmentation）、壓縮（compression））的顏色。這也是一個研究的小方向，想了解更多，可以閱讀文章Adaptive Color Reduction，Color reduction and estimation of the number of dominant colors by using a self-growing and self-organized neural gas 。

在這里，我們實現一個很簡單的方法：

I_old 為輸入的像素值，I_new為輸出的像素值，divideWidth代表要減少的度，我們可以理解為當divideWidth為128的時候，對於灰度圖像就做的是一個閾值為128的二值化。

上點圖更直觀一點，左邊為灰度原始圖像，右邊為輸出圖像：

當divideWidth為128時：

 

當divideWidth為64時：

根據以上描述，實際上這個公式我們可以建立一個映射表來避免重復計算，對於0-255的有限的輸入值，建立輸出值的映射表：

// color space divide width
const int divideWidth = 128;
// converting table for reducing color space
uchar table[256];
// first, we should build the converting table
for (int i = 0; i < 256; i++)
{
table[i] = (uchar)(divideWidth * (i / divideWidth));
}

　　

我們的測試程序做的就是：

1. 讀入一幅灰度圖像和一幅RGB彩色圖像；

2. 按照下文描述的四種訪問像素的方式來實現這個算法；

3. 多次分別跑算法，取平均，對四種訪問像素的方式進行對比。

• 2. 圖像數據的存儲

首先大致說明下圖像數據如何在內存中存儲。Mat是OpenCV2.x版本以上基本的圖像類型，Mat可以視為一個矩陣，矩陣的大小依賴於該Mat是什么顏色空間（Color Space），比如最基本的灰度（Gray scale）或者RGB，CMYK，YCbCr等，因為這決定了該Mat具有多少個通道，一般來講，灰度圖像只有一個通道，而RGB圖像具有三個通道。

對於灰度圖像來講，圖像數據在內存中的存儲如圖所示：

 

對於多通道圖像來講，有幾個通道，每一列就包含多少個子列。對於經常使用的基於RGB顏色空間，其圖像數據存儲如下：

 

需要注意的是通道的順序是BGR而非RGB。

一般而言，圖像數據的每一行在內存中都是連續存儲的，因為這樣對於遍歷圖像數據更高效。Mat提供了isContinuous()函數來獲取是否是連續存儲的數據。

• 3. 時間的度量

OpenCV提供了兩個簡單的函數，getTickCount()和getTickFrequency()。getTickCount返回從操作系統啟動到當前所經的計時周期數，類型為int64。getTickFrequency返回每秒的計時周期數，類型為double。因此就可以用如下的代碼計算以秒為單位的兩個操作所耗費的時間：

double dtime = (double) getTickCount();
// do something
dtime = ((double)getTickCount() - dtime)/getTickFrequency();

• 4. 圖像像素的訪問方式

4.1 ptr操作和指針-高效的方式

這種方式基於.ptr和C的[]操作，這種方式也是比較推薦的遍歷圖像的方式。

/** @Method 1: the efficient method
 accept grayscale image and RGB image */
int ScanImageEfficiet(Mat & image)
{
	// channels of the image
	int iChannels = image.channels();
	// rows(height) of the image
	int iRows = image.rows;
	// cols(width) of the image
	int iCols = image.cols * iChannels;

	// check if the image data is stored continuous
	if (image.isContinuous())
	{
		iCols *= iRows;
		iRows = 1;
	}

	uchar* p;
	for (int i = 0; i < iRows; i++)
	{
		// get the pointer to the ith row
		p = image.ptr<uchar>(i);
		// operates on each pixel
		for (int j = 0; j < iCols; j++)
		{
			// assigns new value
			p[j] = table[p[j]];
		}
	}

	return 0;
}

這里獲取一個指向每一行的指針，然后遍歷這一行所有的數據。當圖像數據是連續存儲的時候，只需要取一次指針，然后就可以遍歷整個圖像數據。

4.2 迭代器-比較安全的方式

相較於高效的方式需要自己來計算需要遍歷的數據量，以及當圖像的行與行之間數據不連續的時候需要跳過一些間隙。迭代器（iterator）方式提供了一個更安全的訪問圖像像素的方式。你只需要做的就是聲明兩個MatIterator_變量，一個指向圖像開始，一個指向圖像結束，然后迭代。

/** @Method 2: the iterator(safe) method
 accept grayscale image and RGB image */
int ScanImageIterator(Mat & image)
{
	// channels of the image
	int iChannels = image.channels();

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

	return 0;
}

彩色圖像的話，由於是三個通道的向量，OpenCV提供了Vec3b的數據類型來存儲。

• 4.3 動態地址計算-更適合隨機訪問的方式

這種方式不推薦用來遍歷圖像，一般用在要隨機訪問很少量的圖像數據的時候。基本用法就是指定行列號，返回該位置的像素值。不過需要你事先知道返回的數據類型是uchar還是Vec3b或者其他的。

/** @Method 3: random access method
 accept grayscale image and RGB image */
int ScanImageRandomAccess(Mat & image)
{
	// channels of the image
	int iChannels = image.channels();
	// rows(height) of the image
	int iRows = image.rows;
	// cols(width) of the image
	int iCols = image.cols;
	
	switch (iChannels)
	{
	// grayscale
	case 1:
	{
		for (int i = 0; i < iRows; i++)
		{
			for (int j = 0; j < iCols; j++)
			{
				image.at<uchar>(i, j) = table[image.at<uchar>(i, j)];
			}
		}
		break;
	}
	// RGB
	case 3:
	{
		Mat_<Vec3b> _image = image;
		for (int i = 0; i < iRows; i++)
		{
			for (int j = 0; j < iCols; j++)
			{
				_image(i, j)[0] = table[_image(i, j)[0]];
				_image(i, j)[1] = table[_image(i, j)[1]];
				_image(i, j)[2] = table[_image(i, j)[2]];
			}
		}
		image = _image;
		break;
	}
	}

	return 0;
}

4.4 查找表-一顆賽艇的方式

OpenCV大概也考慮到了有很多這種需要改變單個像素值的場合（比如基於單個像素值的亮度變換，gamma矯正等），因此在core模塊提供了一個更加高效很一顆賽艇的LUT()函數來進行這種操作而且不需要遍歷整個圖像。

首先建個映射查找表：

// build a Mat type of the lookup table
Mat lookupTable(1, 256, CV_8U);
uchar* p = lookupTable.data;
for (int i = 0; i < 256; i++)
{
	p[i] = table[i];
}

然后調用LUT()函數:

// call the function
LUT(image, lookupTable, matout);

image是輸入圖像，matout是輸出圖像。

• 5. 不同方式的性能度量

測試環境：OpenCV版本3.1.0，Windows 7 64位系統。

測試圖像是512*512的Lena灰度圖和512*512的Lena彩色圖。分別跑100次不同的方法，然后得到的平均時間如下：

Debug版本：

Release版本：

總體時間表格如下：

	灰度圖像 (Debug)	灰度圖像 (Release)	RGB圖像 (Debug)	RGB圖像 (Release)
高效的方式	1.1676	0.3039	3.5123	1.2646
迭代器的方式	151.4467	1.2219	270.9925	1.8997
隨機訪問的方式	78.6002	0.7484	328.5551	1.9967
LUT方式	0.7442	0.1687	2.1805	0.6941

 

可以看到不管Debug版本還是Release版本，性能上都是LUT方式>高效的方式>迭代器的方式和隨機訪問的方式。Debug版本后兩種方式花費時間更大，Release版本四種方式都差別不是太大。從中也可以看出Debug版本與Release版本之間性能間的巨大差異。

 

參考鏈接：

1. http://docs.opencv.org/2.4/doc/tutorials/core/how_to_scan_images/how_to_scan_images.html#howtoscanimagesopencv

2. http://blog.csdn.net/xiaowei_cqu/article/details/7771760