读取图像，LUT以及计算耗时

最新推荐文章于 2025-03-05 17:28:45 发布

转载最新推荐文章于 2025-03-05 17:28:45 发布 · 407 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/shang-slam/p/6213342.html

文章标签：

#人工智能

本文介绍如何利用查找表(LUT)优化图像颜色减少处理的速度。通过三种不同的方法实现：使用Mat的ptr()指针访问，使用MatIterator迭代器安全访问以及使用at()方法随机访问。并对比了这些方法的效率。

使用LUT（lookup table）检索表的方法，提高color reduce时对像素读取的速度。

实现对Mat对象中数据的读取，并计算color reduce的速度。

方法一：使用Mat的ptr()遍历行(row)，效率较高，使用时需要小心细节

 1 #include <opencv2/core/core.hpp>
 2 #include <opencv2/highgui/highgui.hpp>
 3 #include <iostream>
 4 #include <sstream>
 5 
 6 using namespace std;
 7 using namespace cv;
 8 
 9 static void help(){
10   cout
11   << "Author: BJTShang" << endl
12   << "2016-12-22, CityU" << endl
13   << "Use: " << "./1222_LUP imageName divideWith [G]" << endl
14   <<endl;
15 }
16 
17 Mat& ScanImageAndReduceC(Mat& I, const uchar* table);
18 Mat& ScanImageAndReduceIterator(Mat& I, const uchar* table);
19 
20 int main(int argc, char** argv){
21   help();
22   if(argc<3){
23     cout << "Not enough parameters!" << endl;
24     return -1;
25   }
26   
27   Mat I;
28   char* imageName = argv[1];
29   if(argc==4 && !strcmp(argv[3],"G")){
30     I = imread(imageName, CV_LOAD_IMAGE_GRAYSCALE);
31   }else{
32     I = imread(imageName, CV_LOAD_IMAGE_COLOR);
33   } 
34   
35   if(!I.data){
36     cout << "The image" << imageName << " has no data!";
37     return -1;
38   }
39 
40   int divideWith = 0;
41   stringstream s;
42   s << argv[2];
43   s >> divideWith;
44   if(!s || !divideWith){
45     cout << "Invalid divideWith, input again (positive integer)!" << endl;
46     return -1;
47   }
48   
49   // use this table to search for (by simple assignment) reduced intensity, 
50   // instead of calculating for each pixel, which is computational high-cost
51   uchar table[256];
52   for(int i=0; i < 256; ++i){
53     table[i] = uchar((i/divideWith)*divideWith);
54   }
55   
56   int64 t0 = getTickCount();
57   Mat J = I.clone();
58   J = ScanImageAndReduceC(J, table);
59   double t = (double)(getTickCount() - t0)/getTickFrequency();
60   cout << "Elapse time = " << t*1000 << " ms" <<endl;
61   
62   namedWindow("before", CV_WINDOW_AUTOSIZE);
63   namedWindow("after color reduce by LUT", CV_WINDOW_AUTOSIZE);
64   imshow("before", I);
65   imshow("after color reduce by LUT", J);
66   waitKey(0);
67   return 0;
68 }
69 
70 Mat& ScanImageAndReduceC(Mat& I, const uchar* table){
71   CV_Assert(I.depth() == CV_8U);
72   const int channels = I.channels();
73   
74   int nRows = I.rows;
75   int nCols = I.cols*channels;
76   
77   if (I.isContinuous()){
78     nCols *= nRows;
79     nRows = 1;
80   }
81   
82   uchar* p = NULL;
83   for(size_t i=0; i<nRows; ++i){
84     p = I.ptr<uchar>(i);
85     for(size_t j=0; j<nCols; ++j){
86       p[j] = table[p[j]];
87     }
88   }
89 // Mat结构的ptr()方法，返回指向Mat每一行的头元素指针
90 // Mat结构的data属性，返回指向元素的指针，p++指针自加到下一块元素地址。
91 // 如果Mat中元素连续，才可以使用*p++取出所有元素值；若Mat中元素不连续，*p++取出第二行开始肯定错误！
92 //   uchar* p = I.data;
93 //   for(size_t i = 0; i < nRows*nCols; ++i){
94 //     *p++ = table[*p];
95 //   }
96    return I;
97 }

结果：

如果使用*p++的方法，结果不同：

这种方法，需要自己考虑图像每一行之间的gap，以及元素类型（uchar和float32f的不同）。效率较高，但不小心会出问题。

方法二：通过MatIterator类安全地访问Mat结构

效果相同，但是运行时间会变长几倍（我的电脑上大约是3倍）

 1 Mat& ScanImageAndReduceIterator(Mat& I, const uchar* table){
 2   CV_Assert(I.depth() == CV_8U);
 3   int channels = I.channels();
 4   
 5   switch(channels){
 6     case 1:
 7     {
 8       MatIterator_<uchar> it,end;
 9       for(it = I.begin<uchar>(), end = I.end<uchar>(); it!=end; ++it)
10     *it = table[*it];
11       break;
12     }
13     case 3:
14     {
15       MatIterator_<Vec3b> it, end;
16       for(it = I.begin<Vec3b>(), end = I.end<Vec3b>(); it!=end; ++it){
17     (*it)[0] = table[(*it)[0]];
18     (*it)[1] = table[(*it)[1]];
19     (*it)[2] = table[(*it)[2]];
20       }
21       break;
22     }
23   }
24   return I; 
25 }

对于3通道彩色图像，需要指定迭代器中元素类型为short vector: <Vec3b>。如果指定为uchar，迭代器器将只会扫描B蓝色通道；当然，这里的情况因为使用了[]操作符访问short vector中的sub colomun，编译就通不过。。。

方法三：最容易理解，但是最不推荐的是使用Mat的at()方法

 1 Mat& ScanImageAndReduceRandomAccsee(Mat& I, const uchar* table){
 2   CV_Assert(I.depth() == CV_8U);
 3   
 4   const int channels = I.channels();
 5   switch(channels){
 6     case 1:
 7     {
 8       for(int i=0; i<I.rows; ++i)
 9     for(int j=0; j<I.cols; ++j)
10       I.at<uchar>(i,j) = table[I.at<uchar>(i,j)];
11       break;
12     }
13     case 3:
14     {
15       Mat_<Vec3b> _I = I;  // this was used to check the data (3 channels), as well as to use [] operator to access different channels
16       for(int i=0; i<I.rows; ++i)
17     for(int j=0; j<I.cols; ++j){
18       _I(i,j)[0] = table[_I(i,j)[0]]; // equal to _I.at(i,j*3) = table[_I.at(i,j*3)]
19       _I(i,j)[1] = table[_I(i,j)[1]]; // equal to _I.at(i,J*3+1) = table[_I.at(i,j*3+1)]
20       _I(i,j)[2] = table[_I(i,j)[2]]; // equal to _I.at(i,j*3+2) = table[_I.at(i,j*3+2)]
21     }
22       I = _I;
23       break;
24     }
25   }
26   return I;
27 }

效率和安全的使用MatIterator类差不多，想访问矩阵中特定位置的元素使用这种方法是比较合适的。

最后，OpenCV封装了LUT的color reduce方法。平常直接使用即可，效率比较高。

1   Mat lookUpTable(1, 256, CV_8U);
2   uchar* p = lookUpTable.data;
3   for(int i=0; i<256; i++)
4     p[i] = table[i];
5   LUT(I,lookUpTable,J);

转载于:https://www.cnblogs.com/shang-slam/p/6213342.html