這次介紹opencv中一個簡單的點運算函式，用來實現圖片合成。 對應於例程中的 (TUTORIAL) AddingImages 和 (TUTORIAL) AddingImagesTrackbar。

Opencv中提供的函式是addWeighted，用法很簡單，為了比較效能了，我們手工實現了一段相同功能的程式碼，並比較兩者的效能，到底快了多少，且看下文分解。

影象處理中一個簡單而有趣的點運算操作可以用以下的公式表示，可以實現兩張圖片的線性融合。

這裡α 表示兩種圖片的融合比例，這個g(x) 表示 融合圖片中的畫素點，f0(x) 和 f1(x) 分別表示背景和前景圖片中的畫素點。

下面為例程中的函式呼叫，

   beta = ( 1.0 - alpha );
   addWeighted( src1, alpha, src2, beta, 0.0, dst);

opencv 通過 addWeighted 函式實現圖片的線性融合，這個函式在之前的例程中也有提到過。

這個函式的原型如下所示，可以看出這個函式最小需要6個引數。

1、 第1個引數，輸入圖片1，

2、第2個引數，圖片1的融合比例

3、第3個引數，輸入圖片2

4、第4個引數，圖片2的融合比例

5、第5個引數，偏差

6、第6個引數，輸出圖片

//! computes weighted sum of two arrays (dst = alpha*src1 + beta*src2 + gamma)
CV_EXPORTS_W void addWeighted(InputArray src1, double alpha, InputArray src2,
                              double beta, double gamma, OutputArray dst, int dtype=-1);
 

 下面是程式執行結果

程式會提示輸入第一個圖片的融合比例，輸入0.5時，圖片的效果。

不過有時候會想，調節alpha 的值，檢視不同情況下的融合結果。這個也不難做到，在例程(TUTORIAL) AddingImagesTrackbar中已經幫我實現了

先看看執行的結果。

相比之前的結果，可以看出在影象上方多了一個滑動條，用來改變alpha的值，範圍從0~100。

相應的程式碼如下：

   /// Create Windows
   namedWindow("Linear Blend", 1);

   /// Create Trackbars
   char TrackbarName[50];
   sprintf( TrackbarName, "Alpha x %d", alpha_slider_max );
   createTrackbar( TrackbarName, "Linear Blend", &alpha_slider, alpha_slider_max, on_trackbar );

   /// Show some stuff
   on_trackbar( alpha_slider, 0 );
 

利用highgui庫中的 createTrackbar 函式建立一個滑塊，函式的原型如下

CV_EXPORTS int createTrackbar(const string& trackbarname, const string& winname,
                              int* value, int count,
                              TrackbarCallback onChange = 0,
                              void* userdata = 0);

可以看到，這個函式有6個引數，最後一個為使用者資料的指標，類似回撥函式中的使用者資料指標。

1、第一個引數，為滑塊的名字

2、第二個引數，為滑塊所在視窗的名字，用來獲取視窗的handle

3、第三個引數，為傳人一個數據的指標，通過滑塊來改變該資料的值，該變數需要在回撥函式TrackbarCallback 中作用域可見，因此例程中將它定義為全域性變數

4、第四個引數，為傳人資料的最大值，用來控制資料的變化範圍

5、第五個引數，回撥函式的函式指標，當滑塊變化時，便呼叫回撥函式，實現融合畫面隨著滑塊的滑動而變化

下面我們來看下回調函式 on_trackbar， 它被定義了成一個static函式，意味著函式生命週期從被呼叫開始一直存在知道程式結束，第二個引數對應createTrackbar函式中的第6個引數，使用者資料指標。

/**
 * @function on_trackbar
 * @brief Callback for trackbar
 */
static void on_trackbar( int, void* )
{
   alpha = (double) alpha_slider/alpha_slider_max ;

   beta = ( 1.0 - alpha );

   addWeighted( src1, alpha, src2, beta, 0.0, dst);

   imshow( "Linear Blend", dst );
}

為了測試addWeighted 函式效能，我們手工打造了一段相同功能的函式MyaddWeighted，程式碼如下

void MyaddWeight(InputArray _src1, double alpha, InputArray _src2, double beta, double gamma, OutputArray _dst)
{	
	CV_Assert(_src1.depth() == CV_8U && _src2.depth() == CV_8U);
	CV_Assert(_src1.channels() == _src2.channels() &&_src1.size() == _src2.size());
	_dst.create(_src1.size(),_src1.type());

	Mat src1  = _src1.getMat();
	Mat src2  = _src2.getMat();
	Mat dst   = _dst.getMat();

	int rows = src1.rows;
	int cols = src1.cols * src1.channels();

	if (src1.isContinuous() && src2.isContinuous() && dst.isContinuous())
	{
		cols *= rows;
		rows = 1;
	}

	uchar* pSrc1 = NULL;
	uchar* pSrc2 = NULL;
	uchar* pDst  = NULL;
	for (int i=0; i<rows; i++)
	{
		pSrc1 = src1.ptr<uchar>(i);
		pSrc2 = src2.ptr<uchar>(i);
		pDst  = dst.ptr<uchar>(i);
		for (int j=0; j<cols; j++)
		{
			pDst[j] = saturate_cast<uchar>(pSrc1[j]*alpha + pSrc2[j]*beta + gamma);
		}		
	}
}

在手工打造的程式中，運用C [ ]下標對影象畫素點進行遍歷，在前面的例程有過相關介紹，C[ ] 是三種遍歷方法中效能最好的。

下圖是各自方法 執行1000次的平均時間，可以看出手工打造的程式碼，雖然很好理解，但相對於opencv 的addWeightd函式效能差了很多，執行時間是6:1 。

注意到在我們程式碼中有用到 saturate_cast<uchar> 進行型別轉換以保證值的安全，那麼這種型別轉換方式對我們效能有多大的影響呢，我們通過去掉這條語句後，重新執行後的結果為

可以看出，平均執行時間從3.7毫秒縮短到了2.4毫秒，佔了執行時間的1/3。

現在換過一個方法來寫MyAddWeight 函式，還記得opencv中LUT函式中用到的NAryMatIterator，這次我們利用它來重寫MyAddWeight

void MyaddWeight2(InputArray _src1, double alpha, InputArray _src2, double beta, double gamma, OutputArray _dst)
{
	CV_Assert(_src1.depth() == CV_8U && _src2.depth() == CV_8U);
	CV_Assert(_src1.channels() == _src2.channels() &&_src1.size() == _src2.size());
	_dst.create(_src1.size(),_src1.type());

	Mat src1  = _src1.getMat();
	Mat src2  = _src2.getMat();
	Mat dst   = _dst.getMat();

	int cn = src1.channels();

	AddFun fun = AddFunTable[src1.depth()];   //  通過資料型別，從函式指標陣列中選擇相應的函式進行呼叫

	const Mat* arrays[] = {&src1, &src2, &dst,0};   // 注意需要在最後加一個0，作為指標陣列結束的標誌，以確定陣列中有效指標的個數
	uchar* ptrs[3];
	NAryMatIterator it(arrays, ptrs);
	int len = (int)it.size;
	for( size_t i = 0; i < it.nplanes; i++, ++it )
	 	fun(ptrs[0], ptrs[1], ptrs[2], len, cn, alpha, beta, gamma);
}

AddFun 是我們定義的一個函式指標型別，利用它加上一個函式指標陣列AddFunTable，我們可以很容易的擴充套件MyAddWeight的使用範圍，使它對CV_16S, CV_32F的資料型別也能適用

typedef void (*AddFun) (const uchar*, const uchar*, const uchar*, int, int, double, double, double);

static void ADD8u_(const uchar* src1, const uchar* src2, uchar* dst, int len, int cn, double aplha, double beta, double gamma)
{
	for (int i=0; i<len*cn; i++)
		dst[i] = src1[i]*aplha + src2[i]*beta + gamma;
}

這個是函式ADD8u_ 的定義，相應的，我們可以快速的寫出適合其他資料型別，如CV_8U,CV_16S,CV_32F的處理函式，

static AddFun AddFunTable[] = 
{
	(AddFun)ADD8u_, 0
};

這個是函式指標陣列，目前只實現了對資料型別CV_8U的操作，這樣就可以根據資料的型別，呼叫相應的函式，而不必針對每一種資料型別寫一個函式，大大提高了程式碼的重用率，也大大減少了以後程式碼維護的工作量，是一個很值得學習的技巧。

下面看下，這種寫法是否對效能有所提高。

可以看到，執行時間從2.48 毫秒減少到了2.29毫秒，效能提高了大約 7.6%左右，相對於程式碼重用方面，效能上面的提高不是很明顯。