目標：
這次學習的目標是回答下面的幾個問題：
1 圖片像素是如何被掃描的?
2OpenCV 矩陣值如何被存儲？
3如何衡量算法的性能？
4什麼是查找表和為什麼要用他們？
看完這篇，希望能夠解決上面的這些問題。
正文：
首先我們考慮一下簡單的色彩降低方法（color reduction method，翻譯的不好請指正），如果使用的是c或c++無符號的char（八字節大小的空間），一個信道（channel）有256個不同的值（2^8=256），但是如果使用的是GRB方案，三個channel的話，顏色的數量就會變為256*256*256，大概是16個million這麼多，這麼多的顏色數量，對於計算機來說仍然是一個負擔，所以可以想一些方法來降低這些色彩數量。
可以使用簡單的方法來降低圖像色彩空間，比如，將0-9的數字都統一用0來代替，10-19的數字都統一用10代替。這種轉換方案可以用下面的公式表示
通過上面的公式，把所有像素點的值更新一下。但是，上面的公式中有除法，這裡要表達一個是，計算量比較多的情況下，不用乘除，就不要用，最好把他們轉換為加減。我們知道，在轉換前像素點的值只有256個，所以我們可以用查找表的方式，我們事先把所有的計算結果都保存在一個數組裡，每次要執行上面的公式計算的時候，結果直接從數組裡取出來就ok了。比如32對應30，表table[32]=30是早計算出來的，直接訪問table[32]就OK了。
圖片矩陣如何在內存中存儲的：
灰度圖片的矩陣存儲方式：
灰度圖片的每一個像素點，只由一個值來表示，所以，就是一個普通的二維矩陣。
彩色圖片的矩陣存儲方式：
彩色圖片的存儲方式和灰度圖片不一樣，這裡展示的是RGB格式的，可以看到，每一個像素，由三個值，代表藍色，綠色，紅色的三個數值表示，存儲方式不是三維的，而是二維，不過列向量放大了三倍。從圖片中可以清楚的看到。
返回欄目頁：http://www.bianceng.cn/Programming/cplus/
效率：
比較像素數量降低方式效率的代碼，在本文的最後面，代碼看上去很多，其實結構比較簡單，看一會兒就明白了。附上一張結果圖：
最快的OpenCV內的LUT函數。關於LUT，看這裡
可以粗略的看一下代碼，代碼不難，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()
{
//這裡提示輸入有三個參數，第一個是圖像的名字，第二個是參數是公式中的降低顏色數的數字，這裡是10，第三個參數，如果是[G]代表是灰度圖片，否則不是。
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方式對於程序運行速度的影響。
使用getTickCount()函數來獲取當前時間，利用當前時間-上次獲取的時間，來得到運行時間
*/
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來負責將參數轉換為數字
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;
}
作者：csdn博客 鐘桓
