目录

一、前言

二、温故知新——像素基本操作

1、获取像素指针

2、像素范围处理

3、读写像素

三、图像掩膜操作

1、怎么理解掩膜Mask

2、掩膜实现

3、API-filter2D

四、执行时间

一、前言

图像操作其实就是对像素进行操作，这些操作不仅仅是像前面那些基础操作一样简单，只有获取值啊，简单赋值啊之类的。但是像素操作可不止有这么简单。

从今天这节内容开始，我们来一起聊一些更高级的像素操作，我们会讲一些原理，并讲解对应的API，通过实战让大家能够对内容有更深刻的认识。

二、温故知新——像素基本操作

前面我们讲了几个像素基本操作：

获取像素指针：用于后续读取某像素的信息及修改像素。通过像素指针来访问像素。

控制像素范围：将求得的像素值规范到0-255之间。

读写像素，利用像素指针获取像素值及修改像素值。

1、获取像素指针

获取像素指针是可以获得一个指向像素的指针，我们可以使用指针来访问像素值，修改像素值。包括获取灰度图像像素指针和彩色图像像素指针。

获取方式如下：

  //灰度图像         src_gray.at<uchar>(y, x); //行在前，列在后，y表示行，x表示列         src_gray.at<uchar>(Point(x, y));          //彩色图像         Vec3b BGR = src.at<Vec3b>(row, col);  int B = BGR.val[0];  int G = BGR.val[1];  int R = BGR.val[2];  Scalar BGR1 = src.at<Vec3b>(Point(col, row));

2、像素范围处理

像素范围处理功能会将所有的输入值都控制在0-255之间，小于0的返回0，大于255的返回255，其他不变。具体API如下：

 saturate_cast<uchar>(number);

3、读写像素

读写像素是最基本的像素操作，一个是用于获取像素值，一个是用于修改某个位置的像素值，上面获取像素指针的代码同时也读取了像素，写像素代码如下：

 //灰度图像 image.at<uchar>(y, x) = 123;     //彩色图像 image.at<Vec3b>(y,x)[0]=0; // blue image.at<Vec3b>(y,x)[1]=0; // green image.at<Vec3b>(y,x)[2]=255; // red

三、图像掩膜操作

1、怎么理解掩膜Mask

首先我们先来看一下定义：

掩膜操作是指根据掩膜矩阵（也称作核kernel）重新计算图像中每个像素的值。

我们举个例子来说明一下，然后我们再来解释：

比如上面的这个图中，我们左边是图像，右边是我们的掩膜矩阵，定义说，我们要根据掩膜矩阵重新计算图像中每个像素的值。计算方式如下：

从左边图中找到黄色背景区域（从原图中找到和掩膜矩阵大小相同的区域），对应位置相乘，然后求和：

5 * 0 + 5 * (-1) + 5 * 0 + 5 * (-1) + 5 * 5 + 5 * (-1) + 5 * 0 + 5 * (-1) + 5 * 0 = 5

通过计算，我们就会得到右面的图像，左边的3×3的像素，经过计算，会得到右边1×1的像素。然后，我们计算

然后，我们计算下一个像素点，也就是左边的区域往后移动一个区域，一直到最后一个区域结束：

我们会发现，计算过后，图像变小了（最外面有一圈没有计算）。这个问题，我们先留在这里，以后再说。

由于图像所有都是5，五个中心减去四个相邻，最后结果还是5，所以上面这个经过掩膜操作并没有什么太明显的变化。

如果换个矩阵就不一样啦：

通过上面的介绍，我想，我们可以对掩膜有个更加深刻的了解了，掩膜可以通过邻近像素来修改自身像素值。

2、掩膜实现

了解了具体的原理，我们接下来通过代码来自己实现一下掩膜操作吧！

核心代码就是使用掩膜中心位置的值的五倍，减去上下左右四个位置的值：

  for (int i = 1; i < src_gray.rows-1; i++)  {   for (int j = 1; j < src_gray.cols-1; j++)   {    src_new.at<uchar>(i, j) =     src_gray.at<uchar>(i, j) * 5 -   //中心     src_gray.at<uchar>(i - 1, j) -   //上     src_gray.at<uchar>(i + 1, j) -   //下     src_gray.at<uchar>(i, j - 1) -   //左     src_gray.at<uchar>(i, j + 1);    //右   }  }

全部代码如下：

 #include<iostream> #include<opencv2opencv.hpp>  using namespace std; using namespace cv;   int main() {    Mat src = imread("./image/sign.png");   if (!src.data)  {   cout << "ERROR : could not load image.n";   return -1;  }    Mat src_gray;  cvtColor(src, src_gray, COLOR_BGR2GRAY);  imshow("src_gray", src_gray);   Mat src_new = Mat(Size(src_gray.cols,src_gray.rows),CV_8UC1);   for (int i = 1; i < src_gray.rows-1; i++)  {   for (int j = 1; j < src_gray.cols-1; j++)   {    src_new.at<uchar>(i, j) =     src_gray.at<uchar>(i, j) * 5 -   //中心     src_gray.at<uchar>(i - 1, j) -   //上     src_gray.at<uchar>(i + 1, j) -   //下     src_gray.at<uchar>(i, j - 1) -   //左     src_gray.at<uchar>(i, j + 1);    //右   }  }   imshow("new src_gray", src_new);   waitKey(0);  return 0; }

执行结果如下：

大家就能发现，图像中文字边界的位置的发生了明显变化。

3、API-filter2D

我们自己实现了我们的掩膜操作，在opencv中，我们提供了专门的API来实现掩膜操作：

 void filter2D(      InputArray src,      OutputArray dst,      int ddepth,                                 InputArray kernel,      Point anchor = Point(-1,-1),                                 double delta = 0,      int borderType = BORDER_DEFAULT  );

函数参数含义如下：

（1）InputArray类型的src ，输入图像。

（2）OutputArray类型的dst ，输出图像，图像的大小、通道数和输入图像相同。

（3）int类型的ddepth，目标图像的所需深度。

（4）InputArray类型的kernel，卷积核（或者更确切地说是相关核）是一种单通道浮点矩阵；如果要将不同的核应用于不同的通道，请使用split将图像分割成不同的颜色平面，并分别对其进行处理。。

（5）Point类型的anchor，表示锚点（即被平滑的那个点），注意他有默认值Point(-1,-1)。如果这个点坐标是负值的话，就表示取核的中心为锚点，所以默认值Point(-1,-1)表示这个锚点在核的中心。。

（6）double类型的delta，在将筛选的像素存储到dst中之前添加到这些像素的可选值。

（7）int类型的borderType，用于推断图像外部像素的某种边界模式。有默认值BORDER_DEFAULT。

在一般使用中，我们只涉及到前面四个参数，

对于第五个参数，我们都是默认中心为锚点，

对于第六个参数，一般来说我们很少会设置一个额外的值去调整像素值，所以也是默认为0的。

对于第七个参数，因为是刚开始，我们先不展开说明，因为后续我们还会讲到，在这里，我们先采用默认，让我们把重心放在前四个参数上面。

如下面这个例子：

 filter2D( src, dst, src.depth(), kernel );

我们来使用一个完整的例子来说明一下：

执行结果如下：

我们能够发现，我们的文字出现了白色的边界。

如果我们再调整一下kernel，我们就可以得到很多类型的图像：

大家也可以自己尝试设置自己的kernel，一般来说有个原则就是尽量核所有数值加起来不要太大。一般都是让求得的值为1。

四、执行时间

我们留意到一个比较重要的内容，就是我们操作像素，是要遍历所有像素的，这是很耗时间的操作。特别是了解深度学习的同学，当做深度学习图像检测要遍历图像做训练时，运算量是极大的，所以我们需要获取执行时间，来分析算法的优劣，进行算法效率比较。

在opencv中，我们提供了专门的API来获取执行时间，全部功能代码如下：

  double t = (double)getTickCount();  // do something ...  t = ((double)getTickCount() - t) / getTickFrequency();  cout << "消耗的时间为: " << t << endl;

这其中涉及到两个API：

  getTickCount();  getTickFrequency();

第一个是：函数返回特定事件（例如，当机器打开时）后的刻度数。它可用于初始化RNG或通过读取函数调用前后的计时计数来测量函数执行时间。

第二个是：函数返回每秒的刻度数。

我们通过第一个执行得到运行前和运行后的刻度数，相减后得到运行过程中的刻度时长，然后除以每秒的刻度数，就能得到代码以秒为单位的运行时长了。

举个例子：

  double t = (double)getTickCount();   // do something ...  Mat src_new;  Mat kernel = (Mat_<char>(3, 3) << 1, -4, 1, -1, 7, -1, 1, -4, 1);  filter2D(src, src_new, src.depth(), kernel);  imshow("src_new: 1, -4, 1, -1, 7, -1, 1, -4, 1", src_new);   t = ((double)getTickCount() - t) / getTickFrequency();  cout << "消耗的时间为: " << t << endl;

执行结果如下：

到这里我们就说完啦，大家多做练习哦！