前言
經過前面一節的怎樣讀取圖片，我們可以做一些有趣的圖像變換，下面我們首先介紹使用遍歷的方法實現，然后我們使用內置的函數實現。
矩陣掩碼實現
矩陣掩碼，和卷積神經網絡中的卷積類似。一個例子如下：
現在我們看看怎么實現：
1 void Sharpen(const Mat& myImage, Mat& Result) 2 { 3 CV_Assert(myImage.depth() == CV_8U); 4 5 Result.create(myImage.size(), myImage.type()); 6 const int nChannels = myImage.channels(); 7 8 for (int j=1; j<myImage.rows-1; ++j) { // 忽略第一和最后一行，防止數組越界 9 const uchar * previous = myImage.ptr<uchar>(j-1); 10 const uchar * current = myImage.ptr<uchar>(j); 11 const uchar * next = myImage.ptr<uchar>(j+1); 12 13 uchar * output = Result.ptr<uchar>(j); 14 15 // 用連續存儲的索引方法，所以每個點有三個uchar值 16 // saturate_cast溢出保護 17 for (int i=nChannels; i < nChannels * (myImage.cols-1); ++i) { 18 *output++ = saturate_cast<uchar>(5 * current[i] 19 - current[i-nChannels] - current[i+nChannels] - previous[i] - next[i]); 20 } 21 22 // 四周設置為0 23 Result.row(0).setTo(Scalar(0)); 24 Result.row(Result.rows-1).setTo(Scalar(0)); 25 Result.col(0).setTo(Scalar(0)); 26 Result.col(Result.cols-1).setTo(Scalar(0)); 27 } 28 }
我們看看結果：
因為掩碼是增強中間，削弱四周，下面如果我們換掩碼，使用內置函數看看效果：
1 void SharpenUseFilter2D(const Mat& src, Mat& dst) { 2 Mat kern = (Mat_<char>(3, 3) << 0,-1,0, 3 -1,-1,5, 4 0,-1,0); 5 filter2D(src, dst, src.depth(), kern); 6 }
下面是增強右邊元素，減弱左邊元素的效果（類似浮雕的效果，大家可以換着掩碼來玩）：
圖片混合
下面是線性混合操作：
這個可以實現幻燈片的淡入淡出，通過修改alpha值。
1 resize(src1, src1, cv::Size(200, 200)); 2 resize(src2, src2, cv::Size(200, 200)); 3 4 namedWindow("123"); 5 6 beta = 1.0 - alpha; 7 // dst = alpha * src1 + beta * src2 + gamma 8 // 這里gamma設置為0.0 9 addWeighted(src1, alpha, src2, beta, 0.0, dst);
下面看看結果：
自己實現的簡陋版本，除去錯誤檢查等：
1 void addWeight(Mat& src1, double w1, Mat& src2, double w2, Mat& dst) 2 { 3 dst.create(src1.size(), src2.type()); 4 5 Mat_<Vec3b> _src1 = src1; 6 Mat_<Vec3b> _src2 = src2; 7 Mat_<Vec3b> _dst = dst; 8 9 for (int i=0; i<src1.rows; ++i) { 10 for (int j=0; j<src1.cols; ++j) { 11 for (int c=0; c<3; ++c) 12 _dst(i, j)[c] = w1 * _src1(i, j)[c] + w2 * _src2(i, j)[c]; 13 } 14 } 15 }
改變圖片的對比度和亮度
1 Mat new_image = Mat::zeros(image.size(), image.type()); 2 3 alpha = 1.2; // 1.0-3.0 4 beta = 50; // 0-100 5 6 for (int y=0; y<image.rows; ++y) { 7 for (int x=0; x<image.cols; ++x) { 8 for (int c=0; c<3; ++c) 9 // Vec3b = [R, G, B] 10 new_image.at<Vec3b>(y, x)[c] = saturate_cast<uchar> 11 (alpha * (image.at<Vec3b>(y, x)[c]) + beta); 12 } 13 } 14 15 Mat new_image_2 = Mat::zeros(image.size(), image.type()); 16 // -1 代表輸入輸出類型一樣 17 image.convertTo(new_image_2, -1, alpha, beta);
結果如下：
基本繪圖
而產生隨機數可以使用 RNG rng( 0xFFFFFFFF ); 這樣就可以生成符合一定分布的數，例如高斯分布 rng.uniform(1, 10);
快速傅里葉變換
（上圖來源：http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/core/discrete_fourier_transform/discrete_fourier_transform.html）
1 // 當圖片大小是2，3，5的倍數的時候，傅里葉變換表現最高 2 // 所以先獲得最好的尺寸 m，n 3 // 然后再進行填充 4 Mat padded; 5 int m = getOptimalDFTSize(I.rows); 6 int n = getOptimalDFTSize(I.cols); 7 copyMakeBorder(I, padded, m-I.rows, 0, n-I.cols, 0, BORDER_CONSTANT, Scalar::all(0)); 8 9 // 對於每個原圖，結果是兩個圖像值 10 // 因為需要儲存復數部分，所以需要添加一個額外通道 11 // 存到complexI中 12 Mat planes[] = {Mat_<float>(padded), Mat::zeros(padded.size(), CV_32F)}; 13 Mat complexI; 14 merge(planes, 2, complexI); 15 16 dft(complexI, complexI); 17 18 // 將復數轉化成幅度 19 split(complexI, planes); // planes[0] = Re(DFT(I), planes[1] = Im(DFT(I)) 20 magnitude(planes[0], planes[1], planes[0]); // planes[0] = sqrt([0]**2 + [1]**2) 21 Mat magI = planes[0]; 22 23 // 為了使變化可以觀察，高低連續變換，需要尺度縮放 24 magI += Scalar::all(1); 25 log(magI, magI); 26 27 // 剪切和重分布圖像象限 28 magI = magI(Rect(0, 0, magI.cols & -2, magI.rows & -2)); 29 30 int cx = magI.cols/2; 31 int cy = magI.rows/2; 32 33 Mat q0(magI, Rect(0, 0, cx, cy)); // 上左 34 Mat q1(magI, Rect(cx, 0, cx, cy));// 上右 35 Mat q2(magI, Rect(0, cy, cx, cy));// 下左 36 Mat q3(magI, Rect(cx, cy, cx, cy));// 下右 37 38 Mat tmp; 39 q0.copyTo(tmp); 40 q3.copyTo(q0); 41 tmp.copyTo(q3); 42 43 q1.copyTo(tmp); 44 q2.copyTo(q1); 45 tmp.copyTo(q2); 46 47 // 歸一化 48 normalize(magI, magI, 0, 1, CV_MINMAX);
輸出為XML或者YAML文件
輸出為XML或者YAML需要借助 FileStorage 和 FileNode 。
首先聲明文件名
1 string filename = "store.xml";
對於寫入：
1 FileStorage fs(filename, FileStorage::WRITE); // 記得釋放, fs.release();
對於讀取：
1 FileStorage fs; 2 fs.open(filename, FileStorage::READ);
內置對象的寫入讀取
1 // 寫入 2 fs << "iterationNr" << 100; 3 4 //讀取 5 int itNr; 6 itNr = (int) fs["iterationNr"];
存儲效果如下：
序列的寫入讀取
// 序列寫入需要使用[] fs << "strings" << "["; fs << "image1.jpg" << "Awesoneness" << "babonn.jpg"; fs << "]"; // 讀取需要迭代器 FileNode n = fs["strings"]; if (n.type() != FileNode::SEQ) { cerr << "string is not a sequence!" << endl; return 1; } FileNodeIterator it = n.begin(), it_end = n.end(); for (; it != it_end; ++it) cout << (string)*it << endl;
存儲效果：
Map的寫入讀取
// map的寫入需要{} fs << "Mapping"; fs << "{" << "One" << 1; fs << "Two" << 2 << "}"; // 讀取 n = fs["Mapping"]; cout << "Two " << (int)(n["Two"]) << ";"; cout << "One " << (int)(n["One"]) << endl << endl;
存儲效果：
矩陣的寫入讀取
1 Mat R = Mat_<uchar>::eye(3, 3); 2 fs << "R" << R; 3 4 Mat R; 5 fs["R"] >> R;
存儲效果：
自定義對象的寫入和讀取
首先自定義對象：
1 class MyData 2 { 3 public: 4 MyData(): A(0), X(0), id() {}; 5 6 explicit MyData(int): A(97), X(CV_PI), id("mydata1234") {}; 7 8 void write(FileStorage& fs) const { 9 fs << "{" << "A" << A << "X" << X <<"id" << id << "}"; // 自定義寫入 10 } 11 12 void read(const FileNode& node) { // 自定義讀取 13 A = (int)node["A"]; 14 X = (double)node["X"]; 15 id = (string)node["id"]; 16 } 17 public: 18 int A; 19 double X; 20 string id; 21 };
然后還要重載全局的讀取和寫入函數：
1 static void write(FileStorage& fs, const std::string&, const MyData& x) { 2 x.write(fs); 3 } 4 5 static void read(const FileNode& node, MyData& x, const MyData& default_value = MyData()) { 6 if (node.empty()) 7 x = default_value; 8 else 9 x.read(node); 10 }
這樣就可以寫入和讀取：
1 MyData m(1); 2 fs << "MyData" << m; 3 4 fs["MyData"] >> m;
存儲效果如下：
和OpenCV1混合