OpenCV矩阵上的掩码操作

矩阵上的掩码操作非常简单。这个想法是，我们根据掩码矩阵（也称为内核）重新计算图像中的每个像素值。该掩码保存将调整相邻像素（和当前像素）对新像素值有多大影响的值。从数学的角度来看，我们用加权平均值与我们指定的值进行比较。

我们的测试案例 

C++

让我们考虑图像对比度增强方法的问题。基本上我们要为图像的每个像素应用以下公式：

第一个符号是使用公式，而第二个是通过使用掩码的第一个压缩版本。通过将掩模矩阵的中心（在零值索引的大写表示）放在要计算的像素上，并使用叠加的矩阵值乘以像素值，并使用掩码。这是同样的事情，但是在大型矩阵的情况下，后一种符号更容易查看。

现在让我们看看如何通过使用基本的像素访问方法或使用cv :: filter2D函数来实现这一点。

基本方法 

这里有一个功能：

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));
}

首先我们确保输入图像数据是unsigned char格式。为此，我们使用cv :: CV_Assert函数，当其中的表达式为false时，该函数会引发错误。

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

我们创建一个与我们的输入相同大小和相同类型的输出图像。您可以在存储部分看到，根据通道数量，我们可能有一个或多个子列。

我们将通过指针迭代它们，因此元素的总数取决于这个数字。

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

我们将使用普通C []运算符来访问像素。因为我们需要在同一时间访问多行，我们将获取每个行的指针（前一个，当前和下一行）。我们需要另一个指向我们要保存计算的指针。然后只需使用[]运算符访问正确的项目。为了在前面移动输出指针，我们在每个操作之后简单地增加一个（一个字节）：

    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]  - 上一个[i]  -  next [i]）;
        }
    }

在图像的边框上，上面的符号会导致像素位置不一致（如减去一个减去一个）。在这些点上，我们的公式是未定义的。一个简单的解决方案是在这些点上不应用内核，例如，将边框上的像素设置为零：

    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 

应用这样的过滤器在图像处理中是常见的，在OpenCV中存在着将应用掩码（在某些地方也称为内核）的功能。为此，您首先需要定义一个保存掩码的对象：

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

然后调用cv :: filter2D函数，指定输入，输出图像和内核使用：

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

该函数甚至有第五个可选参数来指定内核的中心，第六个可选参数，用于在将其存储在K中之前添加可选值，然后将其存储在K中，第七个用于确定在操作未定义的区域中要执行的操作（国界）。

此功能较短，较少冗长，因为有一些优化，通常比手工编码方法更快。例如在我的测试中，第二个只花了13毫秒，第一次花费了大约31毫秒。有一些区别。

例如：

您可以从这里下载此源代码，或查看OpenCV源代码库示例目录samples/cpp/tutorial_code/core/mat_mask_operations/mat_mask_operations.cpp。

Java

让我们考虑图像对比度增强方法的问题。基本上我们要为图像的每个像素应用以下公式：

第一个符号是使用公式，而第二个是通过使用掩码的第一个压缩版本。通过将掩模矩阵的中心（在零值索引的大写表示）放在要计算的像素上，并使用叠加的矩阵值乘以像素值，并使用掩码。这是同样的事情，但是在大型矩阵的情况下，后一种符号更容易查看。

现在让我们看看如何通过使用基本的像素访问方法或者使用Imgproc.filter2D（）函数来实现这一点。

基本方法 

这里有一个功能：

    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;
    }

首先我们确保输入图像数据以无符号8位格式。

        myImage.convertTo（myImage，CvType .CV_8U）;

我们创建一个与我们的输入相同大小和相同类型的输出图像。您可以在存储部分看到，根据通道数量，我们可能有一个或多个子列。

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

我们需要访问多个行和列，可以通过向当前中心（i，j）添加或减去1来完成。然后我们应用总和并将新值放在结果矩阵中。

        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] =饱和（顶+底+中+左+右）;
                }
                Result.put（j，i，sum）;
            }
        }

在图像的边框上，上面的符号会导致像素位置不存在（如（-1，-1））。在这些点上，我们的公式是未定义的。一个简单的解决方案是在这些点上不应用内核，例如，将边框上的像素设置为零：

        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 

应用这样的过滤器在图像处理中是常见的，在OpenCV中存在着将应用掩码（在某些地方也称为内核）的功能。为此，您首先需要定义一个保存掩码的对象：

        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）;

然后调用Imgproc.filter2D（）函数，指定要使用的输入，输出图像和内核：

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

该函数甚至有第五个可选参数来指定内核的中心，第六个可选参数，用于在将其存储在K中之前添加可选值，然后将其存储在K中，第七个用于确定在操作未定义的区域中要执行的操作（国界）。

此功能较短，较少冗长，因为有一些优化，通常比手工编码方法更快。例如在我的测试中，第二个只花了13毫秒，第一次花费了大约31毫秒。有一些区别。

例如：

您可以在OpenCV源代码库示例目录中查看samples/java/tutorial_code/core/mat_mask_operations/MatMaskOperations.java。

Python

我们考虑图像对比度增强方法的问题。基本上我们要为图像的每个像素应用以下公式：

第一个符号是使用公式，而第二个是通过使用掩码的第一个压缩版本。通过将掩模矩阵的中心（在零值索引的大写表示）放在要计算的像素上，并使用叠加的矩阵值乘以像素值，并使用掩码。这是同样的事情，但是在大型矩阵的情况下，后一种符号更容易查看。

现在让我们看看如何通过使用基本的像素访问方法或使用cv2.filter2D（）函数来实现这一点。

基本方法 

这里有一个功能：

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

首先我们确保输入图像数据以无符号8位格式。

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

我们创建一个与我们的输入相同大小和相同类型的输出图像。您可以在存储部分看到，根据通道数量，我们可能有一个或多个子列。

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

我们需要访问多个行和列，可以通过向当前中心（i，j）添加或减去1来完成。然后我们应用总和并将新值放在结果矩阵中。

    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 

应用这样的过滤器在图像处理中是常见的，在OpenCV中存在着将应用掩码（在某些地方也称为内核）的功能。为此，您首先需要定义一个保存掩码的对象：

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

然后调用cv2.filter2D（）函数，指定要使用的输入，输出图像和kernell：

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

此功能较短，较少冗长，因为有一些优化，通常比手工编码方法更快。例如在我的测试中，第二个只花了13毫秒，第一次花费了大约31毫秒。有一些区别。

例如：

您可以在OpenCV源代码库示例目录中查看samples/python/tutorial_code/core/mat_mask_operations/mat_mask_operations.py。