搬运自本人 CSDN 博客:《OpenCV像素点邻域遍历效率比较,以及访问像素点的几种方法》
注:本文中大量 Latex 公式不能在简书中显示成功,如果想看公式部分,请移步上面的 CSDN 博客。
前言:
以前笔者在项目中经常使用到OpenCV的算法,而大部分OpenCV的算法都需要进行遍历操作,而且很多遍历操作都是需要对目标像素点的<font color=red>邻域</font>进行二次遍历操作。笔者参考了很多博文,经过了实验,在这篇博文中总结了OpenCV的遍历操作的效率。
参考博文:
《OpenCV获取与设置像素点的值的几个方法 》
《【OpenCV】访问Mat中每个像素的值(新)》
《[OpenCV] 访问Mat矩阵中的元素》
《OpenCV学习笔记(四十二)——Mat数据操作之普通青年、文艺青年、暴力青年》
《OpenCV学习笔记(四十三)——存取像素值操作汇总core》
《图像噪声的抑制——均值滤波、中值滤波、对称均值滤波》
一. 均值滤波
由于笔者想要了解像素点及其邻域的遍历,所以本文用于测试的算法是均值滤波。
均值滤波的方法比较简单。对待需要处理的当前像素,选择一个模板,该模板为其邻域内若干像素,然后用模板内所有像素的均值来替代原像素值。公式如下:
image
均值滤波模板如下图所示:
image
图中的模板大小选择了3 × 3矩阵,图中的1--8绿色部分的像素都是邻域内像素,黄色像素是在图像(x, y)像素处的均值滤波结果。
该方法十分简单,包括了简单的邻域像素点的操作,优缺点也十分明显:
- 优点:算法简单,计算速度快;
- 缺点:降低噪声的同时使图像产生模糊,特别是景物的边缘和细节部分。
二. 邻域遍历方法
笔者对不同邻域遍历方法使用的算法与图片如下:
- 测试算法:均值滤波
- 滤波内核尺寸:3 × 3
- 图片尺寸:580 × 410
原图如下:
image
笔者参考了博文《【OpenCV】访问Mat中每个像素的值(新)》,从其中学习了几种遍历像素点的方法。针对邻域遍历,笔者最后总结了三种方法如下:
1. ptr与[]
Mat最直接的访问方法,是通过.ptr<>函数得到一行的指针,并用[]操作符访问某一列的像素值。
源码如下:
// using .ptr and []
void MyBlur_1(Mat src, Mat& dst)
{
dst.create(src.size(), src.type());
// 强制将ksize变为奇数
// int ksize = ksize / 2 * 2 + 1;
int ksize = 3;
// kernel的半径
// kr = ksize / 2;
int kr = 1;
int nr = src.rows - kr;
int nc = (src.cols - kr) * src.channels();
for(int j = kr; j < nr; j++)
{
// 获取图像三行数据的地址
const uchar* previous = src.ptr<uchar>(j - 1);
const uchar* current = src.ptr<uchar>(j);
const uchar* next = src.ptr<uchar>(j + 1);
uchar* output = dst.ptr<uchar>(j);
for(int i = 1 * src.channels(); i < nc; i++)
{
output[i] = cv::saturate_cast<uchar>(
(previous[i - src.channels()] + previous[i] + previous[i + src.channels()]
+ current[i - src.channels()] + current[i] + current[i + src.channels()]
+ next[i - src.channels()] + next[i] + next[i + src.channels()]) / 9);
}
}
}
2. at获取图像坐标
.at操作可以用于操作单个像素点。通常的操作如下:
// 对于单通道图像
img.at<uchar>(i, j) = 255;
// 对于多通道图像
img.at<cv::Vec3b>(i, j)[0] = 255;
用at实现均值滤波的代码如下:
// using at
void MyBlur_2(Mat src, Mat& dst)
{
dst.create(src.size(), src.type());
// 强制将ksize变为奇数
// int ksize = ksize / 2 * 2 + 1;
int ksize = 3;
// kernel的半径
// kr = ksize / 2;
int kr = 1;
int nr = src.rows - kr;
int nc = src.cols - kr;
for(int j = kr; j < nr; j++)
{
for(int i = src.channels(); i < nc; i++)
{
dst.at<Vec3b>(j, i)[0] = cv::saturate_cast<uchar>(
(src.at<Vec3b>(j-1, i-1)[0] + src.at<Vec3b>(j, i-1)[0] + src.at<Vec3b>(j+1, i-1)[0]
+ src.at<Vec3b>(j-1, i)[0] + src.at<Vec3b>(j, i)[0] + src.at<Vec3b>(j+1, i)[0]
+ src.at<Vec3b>(j-1, i+1)[0] + src.at<Vec3b>(j, i+1)[0] + src.at<Vec3b>(j+1, i+1)[0]) / 9 );
dst.at<Vec3b>(j, i)[1] = cv::saturate_cast<uchar>(
(src.at<Vec3b>(j-1, i-1)[1] + src.at<Vec3b>(j, i-1)[1] + src.at<Vec3b>(j+1, i-1)[1]
+ src.at<Vec3b>(j-1, i)[1] + src.at<Vec3b>(j, i)[1] + src.at<Vec3b>(j+1, i)[1]
+ src.at<Vec3b>(j-1, i+1)[1] + src.at<Vec3b>(j, i+1)[1] + src.at<Vec3b>(j+1, i+1)[1]) / 9 );
dst.at<Vec3b>(j, i)[2] = cv::saturate_cast<uchar>(
(src.at<Vec3b>(j-1, i-1)[2] + src.at<Vec3b>(j, i-1)[2] + src.at<Vec3b>(j+1, i-1)[2]
+ src.at<Vec3b>(j-1, i)[2] + src.at<Vec3b>(j, i)[2] + src.at<Vec3b>(j+1, i)[2]
+ src.at<Vec3b>(j-1, i+1)[2] + src.at<Vec3b>(j, i+1)[2] + src.at<Vec3b>(j+1, i+1)[2]) / 9 );
}
}
}
然而,Debug版本下,at操作要比指针的操作慢很多,所以对于不连续数据或者单个点处理,可以考虑at操作,对于连续的大量数据,尽量不要使用它。
Release版本与Debug版本的对比,以及at操作的效率,在后面会有比较。
3. data
Mat类中,对data的定义如下:
//! pointer to the data
uchar* data;
data是Mat对象中的指针,指向存放内存中存放矩阵数据的一块内存,类型为uchar*。
又由于二维矩阵Mat中任一像素的地址为:
$$ addr(M_{i,j}) = M.data + M.step[0] \times i + M.step[1] \times j $$
计算得到的便是M矩阵中像素(i, j)的地址。而又有:
$ M.step[0] = M.cols \times M.channels $
$ M.step[1] = M.channels $
所以上式可以改写为:
$$ addr(M_{i,j}) = M.data + M.cols \times M.channels \times i + M.channels \times j $$
综上,用.data实现均值滤波的代码如下:
// using .data
void MyBlur_3(Mat src, Mat& dst)
{
dst.create(src.size(), src.type());
// 强制将ksize变为奇数
// int ksize = ksize / 2 * 2 + 1;
int ksize = 3;
// kernel的半径
// kr = ksize / 2;
int kr = 1;
int nr = src.rows - kr;
int nc = (src.cols - kr) * src.channels();
uchar* srcdata = (uchar*)src.data;
uchar* dstdata = (uchar*)dst.data;
for(int j = kr; j < nr; j++)
{
uchar* psrc_0 = srcdata + (j-1) * src.cols * src.channels();
uchar* psrc_1 = srcdata + j * src.cols * src.channels();
uchar* psrc_2 = srcdata + (j+1) * src.cols * src.channels();
uchar* pdst = dstdata + j * dst.cols * dst.channels();
for(int i = src.channels(); i < nc; i++)
{
*pdst++ = (psrc_0[i - src.channels()] + psrc_0[i] + psrc_0[i + src.channels()]
+ psrc_1[i - src.channels()] + psrc_1[i] + psrc_1[i + src.channels()]
+ psrc_2[i - src.channels()] + psrc_2[i] + psrc_2[i + src.channels()]) / 9;
}
}
}
需要注意的是,前面说的at操作与ptr操作,都是带有内存检查,防止操作越界的,然而使用data指针比较危险,虽然在Debug版本下的速度确实让人眼前一亮。所以在《Mat数据操作之普通青年、文艺青年、暴力青年》中,博主将.data操作称之为暴力青年。
三. 不同方法效率比较
写这篇博文之前,我还以为不同的方法对效率的影响十分巨大。当然这种想法是没有错的,因为在Debug版本中确实不同的遍历方法有着很大的效率区别。但是看了博客《Mat数据操作之普通青年、文艺青年、暴力青年》中的总结后,笔者才意识到原来在Release版本下,上述方法的效率其实差别不大。
1. 测试源码:
#include "cv.h"
#include "highgui.h"
#include <vector>
#include <cmath>
#include <math.h>
#include <iostream>
using namespace cv;
using namespace std;
void MyBlur_1(Mat src, Mat& dst);
void MyBlur_2(Mat src, Mat& dst);
void MyBlur_3(Mat src, Mat& dst);
// 测试遍历像素点对均值滤波的效率
int main()
{
double time;
double start;
Mat img;
img = imread("/home/grq/miska.jpg");
Mat dst1;
start = static_cast<double>(getTickCount());
MyBlur_1(img, dst1);
time = ((double)getTickCount() - start) / getTickFrequency() * 1000;
cout << "using .ptr and []"<<endl;
cout << "Time: " << time << "ms" << endl<<endl;
Mat dst2;
start = static_cast<double>(getTickCount());
MyBlur_2(img, dst2);
time = ((double)getTickCount() - start) / getTickFrequency() * 1000;
cout << "using at "<<endl;
cout<< "Time: " << time << "ms" << endl <<endl;
Mat dst4;
start = static_cast<double>(getTickCount());
MyBlur_3(img, dst4);
time = ((double)getTickCount() - start) / getTickFrequency() * 1000;
cout <<"using .data"<<endl;
cout << "Time: " << time << "ms" << endl<<endl;
Mat dst3;
start = static_cast<double>(getTickCount());
blur(img, dst3, Size(3, 3));
time = ((double)getTickCount() - start) / getTickFrequency() * 1000;
cout<<"using OpenCV's blur"<<endl;
cout << "Time: " << time << "ms" <<endl << endl;
imshow("src", img);
imshow("using .ptr and []", dst1);
imshow("using at ", dst2);
imshow("using .data", dst4);
waitKey(0);
return 0;
}
2. Debug版本
运行结束后,结果输出如下:
Debug版本
如图所示,在Debug版本下,不同的遍历方法对遍历的效率影响还是很大的。值得注意的有下面几点:
(1) 检查操作对效率的影响
实际上,at操作符与ptr操作符在Debug版本下都是有内存检查、防止操作越界的操作,而data十分简单粗暴,没有任何检查,由于它的简单粗暴所以使得data操作速度很快。所以在Debug版本下,at操作符与ptr操作符相较于data,速度还是慢了不少。
另外在Debug版本下,at操作要比指针操作慢得多,所以对于不连续数据或者单个点处理,可以考虑at操作,对于连续的大量数据,尽量不要使用它。
(2) 对重复计算进行优化
在博文《OpenCV学习笔记(四十三)——存取像素值操作汇总core 》中,博主提到:“在循环中重复计算已经得到的值,是个费时的工作。”并做了对比:
int nc = img.cols * img.channels();
for (int i=0; i<nc; i++)
{.......}
//**************************
for (int i=0; i<img.cols * img.channels(); i++)
{......}
博主说经过他的测试,前者明显快于后者。
笔者发现这正好是笔者的编程风格,躺着中了一枪…… 那么如果笔者把这一点改了,是不是也会有比较好的效率提升呢?作死的笔者尝试了一下:
在没有更改for循环之前,Debug版本的效率是这样的:
没有更改 for 循环之前的 Debug 版本
之后笔者对所有for循环做了上面的优化,测试结果如下:
优化 for 循环后的 Debug 版本
结果显示,确实对于这几种遍历方式都是有一定的提升效果的。
3. Release版本
笔者尝试运行了一下Release版本,结果如下:
Release版本
作对比如下:
Method | Debug(ms) | Release(ms) |
---|---|---|
ptr | 15.226 | 3.5582 |
at | 35.370 | 2.8227 |
data | 11.642 | 2.1686 |
的确,Release版本下的遍历方法基本上效率都差不多,尤其是at,本来速度应该最慢,但在Release版本下也有很快的速度。这是由于Mat::at()操作在Debug模式下加入了CV_DbgAssert()来判断一些条件,所以拖慢了函数的运行;而在Release版本下没有了CV_DbgAssert(),所以速度有了提升。
四. 其他遍历像素点的方法
笔者推荐博文《【OpenCV】访问Mat中每个像素的值(新) 》,博主在文中提出了十余种遍历像素点的方法,且在文章最后给出了各种方法的运行效率,可谓十分详细,所以笔者在此就不赘述了。
注:博主的对不同方法的比较,在评论区也被指出都是在Debug版本下的对比,如果将程序调整至Release版本,各个方法的效率也没有太大差别。
网友评论