OpenCV学习(2)--OpenCV中图像数据存储格式、像素点的操作、大致估算程序运行时间

OpenCV中图像数据的存储

void howToScanImage() {
    /*
    使用简单的颜色空间缩小算法来提高我们的算法性能
    */

    /*
    OpenCV中图像数据的存储，可以看成矩阵的形式 但每一行数据可能在内存中连在一起存储 也可能不连续。

    cv::Mat::isContinuous()函数，返回bool值，判断存储是否连续。
    这里连续的 意思是行与行之间的储存是否衔接。也就是说1*1和1*N的数据肯定是连续的，而m*n的数据就
    是需要判断连续性的。如果数据存储是连续的，可以将图像看出一个一维数组。否则只能用二维数据方式
    进行访问。

    存储颜色 通道的顺序是BGR而不是RGB
    */

    /*
    cv::Mat.depth() 返回图像数据的存储格式
    // <interface.h>
    #define CV_8U   0
    #define CV_8S   1
    #define CV_16U  2
    #define CV_16S  3
    #define CV_32S  4
    #define CV_32F  5
    #define CV_64F  6
    #define CV_16F  7
    */
    //std::cout << image.depth() << std::endl;
}

获取某段程序的大致运行时间

void getTimeOfProcessRunning() {
    // 用于返回从操作系统启动到当前所经的计时周期数    
    double t = (double)cv::getTickCount();

    std::cout << "valGetTickCount = " << t << std::endl;

    // 返回CPU的频率。get Tick Frequency。这里的单位是秒，也就是一秒内重复的次数。
    double f = (double)cv::getTickFrequency();

    std::cout << "valGetTickFrequency = " << f << std::endl;

    // sleep10秒
    Sleep(10000);

    double v = ((double)cv::getTickCount() - t) / cv::getTickFrequency();
    std::cout << "passedTime in Seconds:" << v << std::endl;  // 计算出从上一次执行getTickCount()到现在过去的时间

    cv::waitKey(0);
}

操作图像数据中的每个像素点示例

void getRowsAndColsAndPixel(void) {
    cv::Mat image = cv::imread("small.jpg", cv::IMREAD_COLOR);
    int channels = image.channels();
    int nRows = image.rows;
    int nCols = image.cols;

    std::cout << "The image:" << std::endl
        << "Rows is " << nRows << std::endl
        << "Cols is " << nCols << std::endl;

    int allCols = nCols * channels;

    //if (image.isContinuous()) {
        //std::cout << "矩阵以连续的方式存储！" << std::endl;
        //allCols *= nRows;
        //nRows = -1;
    //}

    for (int i = 0; i < nRows; i++) {   // 画了一条竖的黑线
        for (int j = 100; j < 201; j++) {
            image.ptr<cv::Vec3b>(i, j)[0] = 0;   // ptr 和 at 类似 访问像素点
            image.ptr<cv::Vec3b>(i, j)[1] = 0;
            image.ptr<cv::Vec3b>(i, j)[2] = 255;
        }
    }

    cv::namedWindow("Display window", cv::WINDOW_AUTOSIZE);
    cv::imshow("Display window", image);

    cv::waitKey(0);
    return;
}

增强图像对比度

void enhanceImageContrast(const cv::Mat& image, cv::Mat& image2) {
    // 增强图像对比度时，需要对每个像素执行以下公式
    // I(i, j) = 5*I(i, j) - [I(i - 1, j) + I(i + 1, j) + I(i, j - 1) + I(i, j + 1)]

    // 确保输入图像数据为unsigned char格式
    CV_Assert(image.depth() == CV_8U);
    const int nChannels = image.channels();
    // 创建一个与Image相同大小相同类型图像
    image2.create(image.size(), image.type());

    for (int j = 1; j < image.rows - 1; j++) {
        // 每次需要正在操作的行以及他的上下行的像素点
        const uchar* previous = image.ptr<uchar>(j - 1);
        const uchar* current = image.ptr<uchar>(j);
        const uchar* next = image.ptr<uchar>(j + 1);
        uchar* output = image2.ptr<uchar>(j);

        for (int i = nChannels; i < nChannels * (image.cols - 1); i++)
            *output++ = cv::saturate_cast<uchar>(5 * current[i] - current[i - nChannels] - current[i + nChannels] - previous[i] - next[i]);
    }

    // 边框上的像素点 上述的增强对比度的公式并为定义 因此全设为0
    image2.row(0).setTo(cv::Scalar(0));
    image2.row(image2.rows - 1).setTo(cv::Scalar(0));
    image2.col(0).setTo(cv::Scalar(0));
    image2.col(image2.cols - 1).setTo(cv::Scalar(0));

    // 增强对比度 使用cv::filter2D()
    //cv::Mat kernel = (cv::Mat_<char>(3, 3) << 0, -1, 0, -1, 5, -1, 0, -1, 0);
    //cv::filter2D(image, image2, image.depth(), kernel);
    // 这两行代码达成与上述相同的效果
}