學習OpenCV也幾個月了，雖然對OpenCV有些瞭解，但是感覺基礎還是沒打實，在這在介紹一下OpenCV的畫素操作，以及OpenCV讀取影象的格式和讀取影象的效率分析。當然文章也有很多沒有介紹到的地方，希望大家多多指教，相互交流。

        在計算機視覺應用中，對於影象內容的讀取分析是第一步，所以學習高效的處理影象是很有用的。一個影象有可能包含數以萬計的畫素，從根本上說影象就是一系列畫素值，所以OpenCV使用資料結構cv::Mat來表示影象。矩陣中每一個元素都代表一個畫素，對於灰度影象，畫素用8位無符號數，0表示黑色，255表示白色。對於彩色畫素而言，每個畫素需要三位這樣的8位無符號數來表示，即三個通道（R,G,B），矩陣則依次儲存一個畫素的三個通道的值，然後再儲存下一個畫素點。

       cv::Mat中，成員變數cols代表影象的寬度（影象的列數），成員變數rows代表影象的高度（影象的行數），step代表以位元組為單位的影象的有效寬度，elemSize返回畫素的大小，畫素的大小 = 顏色大小（位元組）*通道數，比如三通道short型矩陣（CV_16SC3）的大小為2*3 = 6，畫素的channels方法返回影象的通道數，total函式返回影象的畫素數。

       閒話少說直接介紹幾種讀取方式：

       RGB影象的顏色數目是256*256*256，本文對影象進行量化，縮減顏色數目到256的1/8（即32*32*32）為目標，分別利用一下幾種方法實現，比較幾種方法的安全和效率。

       1.ptr遍歷影象

       cv::Mat中提供ptr函式訪問任意一行畫素的首地址，特別方便影象的一行一行的橫向訪問，如果需要一列一列的縱向訪問影象，就稍微麻煩一點。但是ptr訪問效率比較高，程式也比較安全，有越界判斷。

      int nl= image.rows; //行數
      int nc= image.cols * image.channels(); // 每行的元素個數，每行的畫素數*顏色通道數（RGB = 3）
              
      for (int j=0; j<nl; j++) {
          uchar* data= image.ptr<uchar>(j);
          for (int i=0; i<nc; i++) { 
            // process each pixel ---------------------              
               data[i]= data[i]/div*div + div/2;
            // end of pixel processing ----------------
          } // end of line                   
      }
 

    也可以使用：

      for (int j=0; j<nl; j++) {
	  uchar* data= image.ptr<uchar>(j);
          for (int i=0; i<nc; i++) {
            // process each pixel ---------------------               
		*data++= *data/div*div + div/2;
            // end of pixel processing ----------------
            } // end of line                   
      }

   

2.使用迭代器遍歷影象

     cv::Mat 同樣有標準模板庫（STL），可以使用迭代器訪問資料。

     用迭代器來遍歷影象畫素，可簡化過程降低出錯的機會，比較安全，不過效率較低；如果想避免修改輸入影象例項cv::Mat，可採用const_iterator。iterator有兩種呼叫方法，cv::MatIterator_<cv::Vec3b> it;cv::Mat_<cv::Vec3b>::iterator it;中間cv::Vec3b是因為影象是彩色影象，3通道，cv::Vec3b可以代表一個畫素。

// get iterators
	  cv::Mat_<cv::Vec3b>::iterator it= image.begin<cv::Vec3b>();
	  cv::Mat_<cv::Vec3b>::iterator itend= image.end<cv::Vec3b>();

	  for ( ; it!= itend; ++it) {
        
		// process each pixel ---------------------

        (*it)[0]= (*it)[0]/div*div + div/2;
        (*it)[1]= (*it)[1]/div*div + div/2;
        (*it)[2]= (*it)[2]/div*div + div/2;

        // end of pixel processing ----------------
	  }

3.at方法遍歷

      cv::Mat也是向量，可以使at方法取值，使用呼叫方法image.at<cv::Vec3b>(j,i)，at方法方便，直接給i，j賦值就可以隨意訪問影象中任何一個畫素，其中j表示第j行，i表示該行第i個畫素。但是at方法效率是這3中訪問方法中最慢的一個，所以如果遍歷影象或者訪問畫素比較多時，建議不要使用這個方法，畢竟程式的效率還是比程式的可讀性要重要的。下面是完整的呼叫方法，其執行時間在下面會介紹。

	  int nl= image.rows; // number of lines
	  int nc= image.cols; // number of columns
              
      for (int j=0; j<nl; j++) {
          for (int i=0; i<nc; i++) {
 
            // process each pixel ---------------------
                 
                  image.at<cv::Vec3b>(j,i)[0]=	 image.at<cv::Vec3b>(j,i)[0]/div*div + div/2;
                  image.at<cv::Vec3b>(j,i)[1]=	 image.at<cv::Vec3b>(j,i)[1]/div*div + div/2;
                  image.at<cv::Vec3b>(j,i)[2]=	 image.at<cv::Vec3b>(j,i)[2]/div*div + div/2;
 
            // end of pixel processing ----------------
 
            } // end of line                   
      }

  4.row（i），col(i)

       cv::Mat提供image.row(i)，和image.col(j)對影象整行和整列進行處理，處理比較方便，因為很少遇到，所以就沒有進行效率比較

  程式程式碼如下（三通道）：

result.row(0).setTo(cv::Scalar(0,0,0));//將第一行資料設為零
	result.row(result.rows-1).setTo(cv::Scalar(0,0,0));//將最後一行資料設定為零
	result.col(0).setTo(cv::Scalar(0,0,0));//將第一列資料設為零
	result.col(result.cols-1).setTo(cv::Scalar(0,0,0));//將最後一列資料設為零

5.高效率影象遍歷迴圈

       對於迭代的for迴圈，外面一層的迴圈次數越少速度越快，同樣是cols*rows*channels()次迴圈，使用nc = cols，nl = rows*channels()，與使用nc = cols*rows*channels，nl = 1，以及nc = cols，nl = rows，for函式最裡層執行三次顏色的處理。這三種方法最快的是第二種，第三種其次，最慢的是第一種. 

	  int nl= image.rows; // number of lines
	  int nc= image.cols * image.channels(); // total number of elements per line

	  if (image.isContinuous())  {
		  // then no padded pixels
		  nc= nc*nl; 
		  nl= 1;  // it is now a 1D array
	   }

	  int n= static_cast<int>(log(static_cast<double>(div))/log(2.0));
	  // mask used to round the pixel value
	  uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0
              
      for (int j=0; j<nl; j++) {

		  uchar* data= image.ptr<uchar>(j);

          for (int i=0; i<nc; i++) {
 
            // process each pixel ---------------------
                 
            *data++= *data&mask + div/2;
 
            // end of pixel processing ----------------
 
            } // end of line                   
      }

   6.位運算代替乘法和除法

          int nl= image.rows; // number of lines
	  int nc= image.cols * image.channels(); // total number of elements per line
	  int n= static_cast<int>(log(static_cast<double>(div))/log(2.0));
	  // mask used to round the pixel value
	  uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0
              
      for (int j=0; j<nl; j++) {

		  uchar* data= image.ptr<uchar>(j);

          for (int i=0; i<nc; i++) {
 
            // process each pixel ---------------------
                 
            *data++= *data&mask + div/2;
 
            // end of pixel processing ----------------
 
            } // end of line                   
      }

執行時間比較，以測試圖片為例，（Debug模式下的時間）

   ptr函式的兩種方法的時間：
                using .ptr and [] =3.50202ms
                using .ptr and * ++ =3.26124ms
   迭代器方法：
              using Mat_ iterator =143.06ms
   at方法的執行時間：
             using at =252.779ms
   高效率迭代方法:
            using .ptr and * ++ and bitwise (continuous) =2.68335ms
   位運算方法：

            using .ptr and * ++ and bitwise =2.59823ms

還有一些比較的函式方法，現在只給出執行時間：
         using .ptr and * ++ and modulo =3.78029ms
         using .ptr and * ++ and bitwise =2.59823ms
         using direct pointer arithmetic =2.57317ms
         using .ptr and * ++ and bitwise with image.cols * image.channels() =22.864ms
         using Mat_ iterator and bitwise =139.92ms
         using MatIterator_ =185.996ms
        using .ptr and * ++ and bitwise (continuous+channels) =2.11271ms
         using input/output images =2.97717ms
         using overloaded operators =2.7237ms

源影象：

量化處理結果 image1：

量化處理後的結果 image2：