OpenCV对像素的操作

一、访问像素值

利用Mat的at函数可以访问元素。因为Mat可以接受任何类型的元素，所以at函数被实现成一个模板函数，在调用时必须指定图像元素的类型：

image.at<uchar>(j,i)=0;
//或，对于彩色图像
image.at<cv::Vec3b>(j,i)[channel]=0;

channel索引用来指明三个通道的一个。因为彩色图像有3个通道，所以访问彩色图像的像素会返回一个向量。OpenCV定义这个短向量为cv::Vec3b,代表3个8位的数值。此外还有针对其它元素类型的向量，例如，浮点数类型cv::Vec3f。对于整型，最后的字母替换成i；对于短整型，替换成s；对于双精度，替换成d。

为了避免at函数冗长的感觉，可以使用cv::Mat的模板子类cv::Mat_，它可以直接通过operator()访问元素：

cv::Mat_<uchar> im(image);
im(1,1) = 0;
//或，对于彩色图像
cv::Mat_<cv::Vec3b> im(image);
im(1,1) [channel]= 0;

值得一提的是，at方法适合对像素点进行随机访问，当涉及像素的遍历时，考虑处理的性能，应该使用更高效的方法。

二、用指针遍历像素

int nl = image.rows;
int nc = image.cols*image.channels();
for (int j = 0; j < nl;j++) {uchar* pt = image.ptr<uchar>(j);for (int i = 0; i < nc; i++) {//对像素进行某些操作pt[i]=0;}}

如果弄清楚彩色图像中像素值数据的排列顺序，那么上述代码很容易理解。图像数据缓冲区的前3个字节表示左上角像素的三色通道，接下来的3个字节为第一行的第二个像素，依次类推。

对于连续图像，因为图像整个像素数据存储的地址是连续的，上述代码可改写为单个for循环：

uchar* pt = image.ptr<uchar>(0);
for (int i = 0; i < image.rows*image.cols*image.channels(); i++) {//对像素进行某些操作pt[i]=0;
}

这里要澄清一个概念，什么是连续图像？一个宽W高H的图像所需内存为W×H×3 uchar。然而出于性能的考虑，我们会用几个额外的像素来填补一行的长度，因为有些芯片处理图像时，若行的长度是4或8的整数倍，处理的性能就会更高。所以OpenCV Mat数据结构会有一个属性：step。直译就是步长，应该叫做有效宽度。当图像是连续图像时，即没有无效的数据填补行时，有效宽度等于实际的图像宽度。

检查图像的连续性，可以这样做：

//检查行的长度（字节数）与“列的个数×单个像素的字节数”是否相等
if(image.step==image.cols*image.elemSize()) {}

三、用迭代器遍历像素

cv::Mat_<uchar>::iterator it=image.begin<uchar>();
cv::Mat_<uchar>::iterator itend=image.end<uchar>();
for(;it!=itend;it++) {//对像素进行某些操作(*it)=0;
}

迭代器也可以这样定义：cv:MatIterator_<uchar> it;

使用迭代器的主要目的是简化代码，降低出错的可能性，测试显示，在时间效率上与指针操作的方式相比差一些。

四、邻域操作或块操作下的像素遍历

这里假设需要同时访问当前像素以及上下左右相邻的像素。

int nchannels=image.channels();
//处理除了首行和末行以外的所有行
for(int j=1;j<image.rows-1;j++) {uchar* previous=image.ptr<uchar>(j-1);//上一行uchar* current=image.ptr<uchar>(j);//当前行uchar* next=image.ptr<uchar>(j+1);//下一行//除去第一列和最后一列不处理for(int i=nchannels;i<(image.cols-1)*nchannels;i++) {current[i]=0;//当前像素current[i-nchannels]=0;//相邻左像素current[i+nchannels]=0;//相邻右像素previous[i]=0;//相邻上像素next[i]=0;//相邻下像素}
}

对像素邻域进行计算时，通常用一个核算子来表示。核算子的大小就是邻域大小（比如3×3），核算子每个单元格表示相关像素的乘法系数，像素应用核算子得到的结果，就是这些乘积的累加。核算子定义的运算叫做核运算（和卷积相似），这种操作叫做滤波。OpenCV里定义了相关的函数，即cv::filter2D。

五、操作像素值（滤波，混合等）

这里把两幅图像加权混合，可以使用cv::addWeighted函数：cv::addWeighted(image1,0.4,image2,0.7,0.,result);

下面就是两幅输入图像：

混合的结果为：

在OpenCV2中，大多数运算函数有对应的重载运算符。因此加权混合也可写为：result=0.4*image1+0.9*image2;

注意做加法的结果并不会使输出像素值超出255，因为函数调用了cv::saturate_cast函数。在对像素运算的场合都要使用这个函数，以确保结果在预定的像素范围之内。使用方法类似C++里的类型转换，比如results.at<uchar>(j,i)=cv::saturate_cast<uchar>(0.9*image1.at<uchar>(j,i)+0.9*image2.at<uchar>(j,i));

五、操作像素位置（重映射、变形等）

这类操作不会修改像素值，而是把每个像素的位置重新映射到新的位置。需要使用到OpenCV的remap函数。

//映射参数
cv::Mat srcX(image.rows,image.cols,CV_32F);
cv::Mat srcY(image.rows, image.cols, CV_32F);
//创建映射参数
for (int j = 0; j < image.rows;j++) {for (int i = 0; i < image.cols; i++) {srcX.at<float>(j, i) = i;//保持在同列srcY.at<float>(j, i) = j+7*sin(i/10.0);//保持在同列}
}
cv::Mat result;
cv::remap(image,result,srcX,srcY,cv::INTER_LINEAR);

为了构建新图像，需要知道新图像的每个像素在源图像中的原始位置。因此需要这样的映射函数，它能根据像素的新位置得到像素的原始位置，这个过程叫做反向映射。可以用两个映射参数来描述，在这里是srcX,srcY，一个针对x坐标，一个针对y坐标。值得注意的是参数包含的值为浮点数，即说明反向映射后的坐标可能并不为整数，这就需要使用像素插值技术，remap函数的最后的参数指明了使用的插值方法。

下面是一副输入图像：

运行程序的结果图像为：