大数据文摘授权转载自数据派THU

翻译：陈之炎

校对：张一然、林夕

在这里将寻求以下问题的答案

如何遍历图像的各个像素？
OpenCV的矩阵值是如何存储的？
如何衡量算法的性能？
什么是查找表，为什么要使用查找表？

测试案例

首先来考虑一个简单的减色方法。利用C和C ++的无符号字符（unsigned char）数据类型来存储矩阵项，像素的一个通道可以具备256个不同的值。对于一幅三通道的图像来说，可以构造出多种色彩（色彩数量可达16，000，000种）。数量众多的颜色会给算法的性能带来沉重的负担。然而，有些时候，往往利用较少的色彩数便能够获得同样的结果。

在这种情况下，常见的做法是减少色彩空间（color space reduction）。这意味着，将色彩空间的当前值除以一个新的输入值，从而减少颜色的数量。例如：将零和九之间的每一个值设置为零，十和十九之间的值设置为十等等。

当一个UCHAR 值（无符号字符unsigned char -0到255之间的值）除以INT值之后，其结果也将是一个数据类型为char的值，并且相除之后的结果值只能为char数据类型的值，小数部分将被舍去。利用C和C ++的这一优势，对 UCHAR域的操作可以表示为：

简单的减色算法将该公式应用于图像矩阵中的每个像素，值得一提的是：我们进行了一次除法和一次乘法运算，这两种运算会耗费昂贵的系统开销。如果可能的话，可以用一些开销相对来说比较小的操作来取代它们，如一些减法, 加法或者一些简单的赋值运算操作。此外，需要注意的是，上述操作的输入值的数量是有限的，对于UCHAR数据类型，准确地来讲，输入值的数量为256。

对于较大的图像，则是通过使用查找表，将事先计算好所有可能的值在赋值阶段直接进行赋值操作。查找表是具有一个或多个维度的简单数组，对于给定的输入值对应一个确定的输出值。它的优势在于：无需进行计算，便能读取到结果。

测试例程（和下述代码示例）将执行以下操作：利用命令行参数传递读取图像（可以是彩色图像或灰度图像），对给定命令行参数的整数值进行减色。在OpenCV中，主要有三种方式遍历图像的每个像素。为了增加实验的趣味性，会利用这三种方式扫描图像，并打印出各自花费的时长。

可以在这里下载完整的源代码，或者查看OpenCV的cpp教程示例代码的核心部分。其基本用法是：

最后一个参数是可选项，除非加载的是给定的图像的灰度格式，否则默认使用BGR色彩空间。首先，需要做的第一件事是计算查找表。

首先，利用C ++的stringstream类将第三个命令行参数由文本格式转换为整数格式。然后，利用一个看似简单的公式计算查找表。此时，没有涉及到OpenCV的具体内容。

接下来的问题是如何测量时间？OpenCV提供了cv::getTickCount()和cv::getTickFrequency() 这两个简单的函数来实现时间的测量。第一个函数cv::getTickCount()返回返回某个事件（如启动系统）之后系统CPU 的嘀嗒(Tick)数量。第二个函数cv::getTickFrequency() 返回CPU每秒钟发出多少次嘀嗒声。有了这两个函数之后，便很容易测量出两个操作之间的时间间隔：

https://docs.opencv.org/4.5.2/db/de0/group__core__utils.html

如何在内存中存储图像矩阵？

在上一节Mat-基本图像容器教程中，讲到像素矩阵的大小取决于所使用的色彩系统。更准确地说，取决于所使用的色彩通道数。灰度图像的情况是这样的：

多通道图像的列包含许多子列，子列的数目即通道的数量。例如：BGR色彩系统图像的情况是这样的：

注意，在这里通道的顺序是相反的：在这里是BGR ,而不是RGB。因为在大多数情况下，内存足够大，可以一行接一行顺序存储，形成一个单一的长行，有助于加快扫描的速度。可以使用 cv::Mat::isContinuous()函数查询矩阵是否以这种方式存储。请继续阅读下一节中的示例。

cv::Mat::isContinuous()

https://docs.opencv.org/4.5.2/d3/d63/classcv_1_1Mat.html

最为有效的方法

通过经典C风格操作符（指针）的方式来获取数据是性能最好的方法，因此对于赋值我们推荐的最高效的方法是：

在这里，只需要获取每一行起始的指针，然后遍历到最后一行。在某些特殊情况下，像素矩阵以连续的方式存储，只需要一次“请求指针”的操作，便能一路到底遍历所有的像素。对于彩色图像有三个色彩通道，每一行需要遍历三次。

还有另一种方式：Mat 对象的数据成员data 会返回指向第一行、第一列的指针。如果这个指针为空，则这一对象中不存在有效的输入。利用这种简单的方法，可以检查图像是否成功加载。如果像素存储是连续的，我们可以用它来遍历所有的数据指针。如果是灰度图像, 代码应该是这样的：

上述两种方法会得出相同的结果。然而，这段代码阅读起来会困难得多。如果你有更高级的技术，它阅读起来会变得更加困难。此外，在实践中，得到的性能结果却是相同的（因为大多数现代编译器会自动对代码进行优化）。

迭代器（安全的）方法

在上述所讲的方法中，你要确保传入正确数量的uchar数据类型值，并跳过行与行之间的间隙，对于用户来说，迭代器方法（iterator method）被视为是一种更安全的方式, 因为它从用户那里接管了这些任务。利用迭代器方法，只需要找出图像矩阵的起始行和结尾行，从起始行开始迭代，直到到达结尾行。使用*运算符获取迭代器指向的值(在迭代器前添加该符号)。

对于彩色图像来说，每一列包含三个UCHAR数据项，可以将这三个数据项视为一个 UCHAR数据类型的短向量，在 OpenCV中，称之为 Vec3b。用简单的操作符[]访问第n个子列。需要记住的重点是：OpenCV的迭代器遍历这些列，并会自动跳到下一行。因此，在彩色图像的情况下，如果采用一个简单的UCHAR迭代器，只能访问到蓝色通道的值。

利用引用返回值计算即时地址

不推荐采用最后一种方法扫描图像。利用这种方法可以访问或修改图像中的随机像素，基本的用法是：指定需要访问元素所在的行数和列数。在前面所述的扫描方法中，需要指定数据类型，在这里同样如此，在自动查找之前，需要手动指定使用什么数据类型。你可以在以下源代码的灰度图像的情况下观察这一点（用到了+ cv::Mat::at() 函数）

该函数根据输入的数据类型和坐标，计算出查询项的地址，然后返回这个地址的引用值。当get 这个引用值时，会获得一个常量，当set 这个引用值，它是一个非常量。为了安全起见，仅在调试模式*，可以检查输入坐标是否有效，是否确实存在。如果不是在调试模式下，会有标准错误输出流的错误提示。相比于正式发布模式，二者唯一的区别是：对于图像的每一个元素，你将获得一个新的行指针，用于我们使用 C 运算符 [] 获取列元素的内容。

如果需要使用该方法对图像做多次查找时，输入数据类型和坐标的操作会相当麻烦和费时。为解决这一问题，OpenCV添加了 cv::Mat_ 数据类型，它与Mat类似，但额外需要在定义时通过要查看的数据矩阵的内容来指定数据类型，但好处是你可以使用（）操作符快速访问矩阵值。更好的是，Mat和cv::Mat数据类型之间的可以很方便的进行转换。在上述示例中，可以看到这个函数在彩色图像中的应用。然而，需要注意的是：cv::Mat::at函数中已经包含了相同的操作（具有相同的运行速度）。它只是一个偷懒的编程技巧。

cv::Mat_

https://docs.opencv.org/4.5.2/df/dfc/classcv_1_1Mat__.html

cv::Mat::at

https://docs.opencv.org/4.5.2/d3/d63/classcv_1_1Mat.html

核心功能

这是在图像中修改查找表的一个额外奖励的方法。在图像处理中, 用户常常会希望将给定的图像值修改为其他值。OpenCV提供一个函数，利用这个函数，无需写入图像的扫描逻辑，便可修改图像的像素值。在这里，用到核心模块的cv::LUT() 函数。首先，创建一个Mat类型的查找表：

cv::LUT()

https://docs.opencv.org/4.5.2/d2/de8/group__core__array.html

然后调用函数，（I是输入图像， J是输出）：

性能差异对比

编译并运行程序以获得最佳结果。为使差别更加明晰，我用了一个相当大（2560 X 1600）的彩色图像。此处介绍的性能适用于彩色图像. 为了得到更准确的结果，我对上百次函数调用的结果做了平均。

可以得出以下结论：尽可能使用（而不是彻底改造已有函数）OpenCV已有的函数。LUT函数是最快的方法，因为OpenCV库可以通过英特尔线程构建模块启用多线程。然而，如果需要编写一个简单的图像扫描方法可选择指针方法，迭代器是一个更加安全的选择，但是速度相对来说要慢一些。在调试模式下，使用引用返回值访问方法扫描全图的代价最高；在正式发布模式下，可能会优于迭代方法，但它以牺牲迭代器的安全特性为代价。

最后，可以观看YouTube频道上发布的程序运行视频。

https://www.youtube.com/watch?v=fB3AN5fjgwc

点「在看」的人都变好看了哦！

如何用OpenCV扫描图像、查找表和测量时间（附链接）