閱讀(14.6k) 書(shū)簽贊(0) 我要糾錯(cuò)

OpenCV矩陣上的掩碼操作

2018-08-29 11:48 更新

矩陣上的掩碼操作非常簡(jiǎn)單。這個(gè)想法是，我們根據(jù)掩碼矩陣（也稱(chēng)為內(nèi)核）重新計(jì)算圖像中的每個(gè)像素值。該掩碼保存將調(diào)整相鄰像素（和當(dāng)前像素）對(duì)新像素值有多大影響的值。從數(shù)學(xué)的角度來(lái)看，我們用加權(quán)平均值與我們指定的值進(jìn)行比較。

我們的測(cè)試案例

C++

讓我們考慮圖像對(duì)比度增強(qiáng)方法的問(wèn)題?；旧衔覀円獮閳D像的每個(gè)像素應(yīng)用以下公式：

QQ圖片20170829112817

第一個(gè)符號(hào)是使用公式，而第二個(gè)是通過(guò)使用掩碼的第一個(gè)壓縮版本。通過(guò)將掩模矩陣的中心（在零值索引的大寫(xiě)表示）放在要計(jì)算的像素上，并使用疊加的矩陣值乘以像素值，并使用掩碼。這是同樣的事情，但是在大型矩陣的情況下，后一種符號(hào)更容易查看。

現(xiàn)在讓我們看看如何通過(guò)使用基本的像素訪問(wèn)方法或使用cv :: filter2D函數(shù)來(lái)實(shí)現(xiàn)這一點(diǎn)。

基本方法

這里有一個(gè)功能：

void Sharpen(const Mat& myImage,Mat& Result)
{
    CV_Assert(myImage.depth() == CV_8U);  // accept only uchar images
    const int nChannels = myImage.channels();
    Result.create(myImage.size(),myImage.type());
    for(int j = 1 ; j < myImage.rows-1; ++j)
    {
        const uchar* previous = myImage.ptr<uchar>(j - 1);
        const uchar* current  = myImage.ptr<uchar>(j    );
        const uchar* next     = myImage.ptr<uchar>(j + 1);
        uchar* output = Result.ptr<uchar>(j);
        for(int i= nChannels;i < nChannels*(myImage.cols-1); ++i)
        {
            *output++ = saturate_cast<uchar>(5*current[i]
                         -current[i-nChannels] - current[i+nChannels] - previous[i] - next[i]);
        }
    }
    Result.row(0).setTo(Scalar(0));
    Result.row(Result.rows-1).setTo(Scalar(0));
    Result.col(0).setTo(Scalar(0));
    Result.col(Result.cols-1).setTo(Scalar(0));
}

首先我們確保輸入圖像數(shù)據(jù)是unsigned char格式。為此，我們使用cv :: CV_Assert函數(shù)，當(dāng)其中的表達(dá)式為false時(shí)，該函數(shù)會(huì)引發(fā)錯(cuò)誤。

    CV_Assert(myImage.depth() == CV_8U);  // accept only uchar images

我們創(chuàng)建一個(gè)與我們的輸入相同大小和相同類(lèi)型的輸出圖像。您可以在存儲(chǔ)部分看到，根據(jù)通道數(shù)量，我們可能有一個(gè)或多個(gè)子列。

我們將通過(guò)指針迭代它們，因此元素的總數(shù)取決于這個(gè)數(shù)字。

    const  int nChannels = myImage.channels（）;
    Result.create（myImage.size（），myImage.type（））;

我們將使用普通C []運(yùn)算符來(lái)訪問(wèn)像素。因?yàn)槲覀冃枰谕粫r(shí)間訪問(wèn)多行，我們將獲取每個(gè)行的指針（前一個(gè)，當(dāng)前和下一行）。我們需要另一個(gè)指向我們要保存計(jì)算的指針。然后只需使用[]運(yùn)算符訪問(wèn)正確的項(xiàng)目。為了在前面移動(dòng)輸出指針，我們?cè)诿總€(gè)操作之后簡(jiǎn)單地增加一個(gè)（一個(gè)字節(jié)）：

    for（int j = 1; j <myImage.rows-1; ++ j）
    {
        const  uchar * previous = myImage.ptr < uchar >（j  -  1）;
        const  uchar * current = myImage.ptr < uchar >（j）;
        const  uchar * next = myImage.ptr < uchar >（j + 1）;
        uchar * output = Result.ptr < uchar >（j）;
        for（int i = nChannels; i <nChannels *（myImage.cols-1）; ++ i）
        {
            * output ++ = saturate_cast < uchar >（5 * current [i]
                         -current [i-nChannels]  -  current [i + nChannels]  - 上一個(gè)[i]  -  next [i]）;
        }
    }

在圖像的邊框上，上面的符號(hào)會(huì)導(dǎo)致像素位置不一致（如減去一個(gè)減去一個(gè)）。在這些點(diǎn)上，我們的公式是未定義的。一個(gè)簡(jiǎn)單的解決方案是在這些點(diǎn)上不應(yīng)用內(nèi)核，例如，將邊框上的像素設(shè)置為零：

    Result.row（0）.setTo（Scalar（0））;
    Result.row（Result.rows-1）.setTo（Scalar（0））;
    Result.col（0）.setTo（Scalar（0））;
    Result.col（Result.cols-1）.setTo（Scalar（0））;

filter2D function

應(yīng)用這樣的過(guò)濾器在圖像處理中是常見(jiàn)的，在OpenCV中存在著將應(yīng)用掩碼（在某些地方也稱(chēng)為內(nèi)核）的功能。為此，您首先需要定義一個(gè)保存掩碼的對(duì)象：

    Mat kernel = (Mat_<char>(3,3) <<  0, -1,  0,
                                   -1,  5, -1,
                                    0, -1,  0);

然后調(diào)用cv :: filter2D函數(shù)，指定輸入，輸出圖像和內(nèi)核使用：

    filter2D（src，dst1，src.depth（），kernel）;

該函數(shù)甚至有第五個(gè)可選參數(shù)來(lái)指定內(nèi)核的中心，第六個(gè)可選參數(shù)，用于在將其存儲(chǔ)在K中之前添加可選值，然后將其存儲(chǔ)在K中，第七個(gè)用于確定在操作未定義的區(qū)域中要執(zhí)行的操作（國(guó)界）。

此功能較短，較少冗長(zhǎng)，因?yàn)橛幸恍﹥?yōu)化，通常比手工編碼方法更快。例如在我的測(cè)試中，第二個(gè)只花了13毫秒，第一次花費(fèi)了大約31毫秒。有一些區(qū)別。

例如：

resultMatMaskFilter2D

您可以從這里下載此源代碼，或查看OpenCV源代碼庫(kù)示例目錄samples/cpp/tutorial_code/core/mat_mask_operations/mat_mask_operations.cpp。

Java

讓我們考慮圖像對(duì)比度增強(qiáng)方法的問(wèn)題?；旧衔覀円獮閳D像的每個(gè)像素應(yīng)用以下公式：

QQ圖片20170829113212

現(xiàn)在讓我們看看如何通過(guò)使用基本的像素訪問(wèn)方法或者使用Imgproc.filter2D（）函數(shù)來(lái)實(shí)現(xiàn)這一點(diǎn)。

基本方法

這里有一個(gè)功能：

    public static double saturate(double x) {
        return x > 255.0 ? 255.0 : (x < 0.0 ? 0.0 : x);
    }
    public Mat sharpen(Mat myImage, Mat Result) {
        myImage.convertTo(myImage, CvType.CV_8U);
        int nChannels = myImage.channels();
        Result.create(myImage.size(), myImage.type());
        for (int j = 1; j < myImage.rows() - 1; ++j) {
            for (int i = 1; i < myImage.cols() - 1; ++i) {
                double sum[] = new double[nChannels];
                for (int k = 0; k < nChannels; ++k) {
                    double top = -myImage.get(j - 1, i)[k];
                    double bottom = -myImage.get(j + 1, i)[k];
                    double center = (5 * myImage.get(j, i)[k]);
                    double left = -myImage.get(j, i - 1)[k];
                    double right = -myImage.get(j, i + 1)[k];
                    sum[k] = saturate(top + bottom + center + left + right);
                }
                Result.put(j, i, sum);
            }
        }
        Result.row(0).setTo(new Scalar(0));
        Result.row(Result.rows() - 1).setTo(new Scalar(0));
        Result.col(0).setTo(new Scalar(0));
        Result.col(Result.cols() - 1).setTo(new Scalar(0));
        return Result;
    }

首先我們確保輸入圖像數(shù)據(jù)以無(wú)符號(hào)8位格式。

        myImage.convertTo（myImage，CvType .CV_8U）;

        int nChannels = myImage.channels（）;
        Result.create（myImage.size（），myImage.type（））;

我們需要訪問(wèn)多個(gè)行和列，可以通過(guò)向當(dāng)前中心（i，j）添加或減去1來(lái)完成。然后我們應(yīng)用總和并將新值放在結(jié)果矩陣中。

        for（int j = 1; j <myImage.rows（） -  1; ++ j）{
            for（int i = 1; i <myImage.cols（） -  1; ++ i）{
                double sum [] = new  double [nChannels];
                for（int k = 0; k <nChannels; ++ k）{
                    double top = -myImage.get（j  -  1，i）[k];
                    double bottom = -myImage.get（j + 1，i）[k];
                    double center =（5 * myImage.get（j，i）[k]）;
                    double left = -myImage.get（j，i-1）[k];
                    double right = -myImage.get（j，i + 1）[k];
                    sum [k] =飽和（頂+底+中+左+右）;
                }
                Result.put（j，i，sum）;
            }
        }

在圖像的邊框上，上面的符號(hào)會(huì)導(dǎo)致像素位置不存在（如（-1，-1））。在這些點(diǎn)上，我們的公式是未定義的。一個(gè)簡(jiǎn)單的解決方案是在這些點(diǎn)上不應(yīng)用內(nèi)核，例如，將邊框上的像素設(shè)置為零：

        Result.row（0）.setTo（new  Scalar（0））;
        Result.row（Result.rows（） -  1）.setTo（new  Scalar（0））;
        Result.col（0）.setTo（new  Scalar（0））;
        Result.col（Result.cols（） -  1）.setTo（new  Scalar（0））;

filter2D function

        Mat kern = new Mat（3，3，CvType .CV_8S）;
        int row = 0，col = 0;
        kern.put（row，col，0，-1，0，-1，5，-1，0，-1,0）;

然后調(diào)用Imgproc.filter2D（）函數(shù)，指定要使用的輸入，輸出圖像和內(nèi)核：

        Imgproc.filter2D（src，dst1，src.depth（），kern）;

例如：

resultMatMaskFilter2D (1)

您可以在OpenCV源代碼庫(kù)示例目錄中查看samples/java/tutorial_code/core/mat_mask_operations/MatMaskOperations.java。

Python

我們考慮圖像對(duì)比度增強(qiáng)方法的問(wèn)題?；旧衔覀円獮閳D像的每個(gè)像素應(yīng)用以下公式：

QQ圖片20170829114349

現(xiàn)在讓我們看看如何通過(guò)使用基本的像素訪問(wèn)方法或使用cv2.filter2D（）函數(shù)來(lái)實(shí)現(xiàn)這一點(diǎn)。

基本方法

這里有一個(gè)功能：

def is_grayscale(my_image):
    return len(my_image.shape) < 3
def saturated(sum_value):
    if sum_value > 255:
        sum_value = 255
    if sum_value < 0:
        sum_value = 0
    return sum_value
def sharpen(my_image):
    if is_grayscale(my_image):
        height, width = my_image.shape
    else:
        my_image = cv2.cvtColor(my_image, cv2.CV_8U)
        height, width, n_channels = my_image.shape
    result = np.zeros(my_image.shape, my_image.dtype)
    
    for j in range(1, height - 1):
        for i in range(1, width - 1):
            if is_grayscale(my_image):
                sum_value = 5 * my_image[j, i] - my_image[j + 1, i] - my_image[j - 1, i] \
                            - my_image[j, i + 1] - my_image[j, i - 1]
                result[j, i] = saturated(sum_value)
            else:
                for k in range(0, n_channels):
                    sum_value = 5 * my_image[j, i, k] - my_image[j + 1, i, k] - my_image[j - 1, i, k] \
                                - my_image[j, i + 1, k] - my_image[j, i - 1, k]
                    result[j, i, k] = saturated(sum_value)
    
    return result

首先我們確保輸入圖像數(shù)據(jù)以無(wú)符號(hào)8位格式。

my_image = cv2.cvtColor（my_image，cv2.CV_8U）

height，width，n_channels = my_image.shape
result = np.zeros（my_image.shape，my_image.dtype）

    for j in range(1, height - 1):
        for i in range(1, width - 1):
            if is_grayscale(my_image):
                sum_value = 5 * my_image[j, i] - my_image[j + 1, i] - my_image[j - 1, i] \
                            - my_image[j, i + 1] - my_image[j, i - 1]
                result[j, i] = saturated(sum_value)
            else:
                for k in range(0, n_channels):
                    sum_value = 5 * my_image[j, i, k] - my_image[j + 1, i, k] - my_image[j - 1, i, k] \
                                - my_image[j, i + 1, k] - my_image[j, i - 1, k]
                    result[j, i, k] = saturated(sum_value)

The filter2D function

    kernel = np.array([[0, -1, 0],
                       [-1, 5, -1],
                       [0, -1, 0]], np.float32)  # kernel should be floating point type

然后調(diào)用cv2.filter2D（）函數(shù)，指定要使用的輸入，輸出圖像和kernell：

    dst1 = cv2.filter2D(src, -1, kernel)  # ddepth = -1, means destination image has depth same as input image

例如：

resultMatMaskFilter2D (2)

您可以在OpenCV源代碼庫(kù)示例目錄中查看samples/python/tutorial_code/core/mat_mask_operations/mat_mask_operations.py。

以上內(nèi)容是否對(duì)您有幫助：

← 如何使用OpenCV掃描圖像，查找表格和時(shí)間測(cè)量

OpenCV圖像操作 →

寫(xiě)筆記

我要補(bǔ)充