标签：
以下文本及代码基本基于《OpenCV 2.4.13.0 documentation》的How to scan images, lookup tables and time measurement with OpenCV一节，英文好的同学可以直接看原文。
颜色压缩（Color Reduction）最简单的理解就是减少表示图像的颜色数目，我们都知道，8位位深的3通道RGB真彩图像包括了1600多万（16777216）的颜色数目，其实在某些应用中用不到这么多数量（例如图像传输（transmission）、分割（segmentation）、压缩（compression））的颜色。这也是一个研究的小方向，想了解更多，可以阅读文章Adaptive Color Reduction，Color reduction and estimation of the number of dominant colors by using a self-growing and self-organized neural gas 。
在这里，我们实现一个很简单的方法：
I_old 为输入的像素值，I_new为输出的像素值，divideWidth代表要减少的度，我们可以理解为当divideWidth为128的时候，对于灰度图像就做的是一个阈值为128的二值化。
上点图更直观一点，左边为灰度原始图像，右边为输出图像：
当divideWidth为128时：
当divideWidth为64时：
根据以上描述，实际上这个公式我们可以建立一个映射表来避免重复计算，对于0-255的有限的输入值，建立输出值的映射表：
// color space divide width
const int divideWidth = 128;
// converting table for reducing color space
uchar table[256];
// first, we should build the converting table
for (int i = 0; i < 256; i++)
{
table[i] = (uchar)(divideWidth * (i / divideWidth));
}
我们的测试程序做的就是：
1. 读入一幅灰度图像和一幅RGB彩色图像；
2. 按照下文描述的四种访问像素的方式来实现这个算法；
3. 多次分别跑算法，取平均，对四种访问像素的方式进行对比。
首先大致说明下图像数据如何在内存中存储。Mat是OpenCV2.x版本以上基本的图像类型，Mat可以视为一个矩阵，矩阵的大小依赖于该Mat是什么颜色空间（Color Space），比如最基本的灰度（Gray scale）或者RGB，CMYK，YCbCr等，因为这决定了该Mat具有多少个通道，一般来讲，灰度图像只有一个通道，而RGB图像具有三个通道。
对于灰度图像来讲，图像数据在内存中的存储如图所示：
对于多通道图像来讲，有几个通道，每一列就包含多少个子列。对于经常使用的基于RGB颜色空间，其图像数据存储如下：
需要注意的是通道的顺序是BGR而非RGB。
一般而言，图像数据的每一行在内存中都是连续存储的，因为这样对于遍历图像数据更高效。Mat提供了isContinuous()函数来获取是否是连续存储的数据。
OpenCV提供了两个简单的函数，getTickCount()和getTickFrequency()。getTickCount返回从操作系统启动到当前所经的计时周期数，类型为int64。getTickFrequency返回每秒的计时周期数，类型为double。因此就可以用如下的代码计算以秒为单位的两个操作所耗费的时间：
double dtime = (double) getTickCount(); // do something dtime = ((double)getTickCount() - dtime)/getTickFrequency();
这种方式基于.ptr和C的[]操作，这种方式也是比较推荐的遍历图像的方式。
/** @Method 1: the efficient method
accept grayscale image and RGB image */
int ScanImageEfficiet(Mat & image)
{
// channels of the image
int iChannels = image.channels();
// rows(height) of the image
int iRows = image.rows;
// cols(width) of the image
int iCols = image.cols * iChannels;
// check if the image data is stored continuous
if (image.isContinuous())
{
iCols *= iRows;
iRows = 1;
}
uchar* p;
for (int i = 0; i < iRows; i++)
{
// get the pointer to the ith row
p = image.ptr<uchar>(i);
// operates on each pixel
for (int j = 0; j < iCols; j++)
{
// assigns new value
p[j] = table[p[j]];
}
}
return 0;
}
这里获取一个指向每一行的指针，然后遍历这一行所有的数据。当图像数据是连续存储的时候，只需要取一次指针，然后就可以遍历整个图像数据。
相较于高效的方式需要自己来计算需要遍历的数据量，以及当图像的行与行之间数据不连续的时候需要跳过一些间隙。迭代器（iterator）方式提供了一个更安全的访问图像像素的方式。你只需要做的就是声明两个MatIterator_变量，一个指向图像开始，一个指向图像结束，然后迭代。
/** @Method 2: the iterator(safe) method
accept grayscale image and RGB image */
int ScanImageIterator(Mat & image)
{
// channels of the image
int iChannels = image.channels();
switch (iChannels)
{
case 1:
{
MatIterator_<uchar> it, end;
for (it = image.begin<uchar>(), end = image.end<uchar>(); it != end; it++)
{
*it = table[*it];
}
break;
}
case 3:
{
MatIterator_<Vec3b> it, end;
for (it = image.begin<Vec3b>(), end = image.end<Vec3b>(); it != end; it++)
{
(*it)[0] = table[(*it)[0]];
(*it)[1] = table[(*it)[1]];
(*it)[2] = table[(*it)[2]];
}
break;
}
}
return 0;
}
彩色图像的话，由于是三个通道的向量，OpenCV提供了Vec3b的数据类型来存储。
这种方式不推荐用来遍历图像，一般用在要随机访问很少量的图像数据的时候。基本用法就是指定行列号，返回该位置的像素值。不过需要你事先知道返回的数据类型是uchar还是Vec3b或者其他的。
/** @Method 3: random access method
accept grayscale image and RGB image */
int ScanImageRandomAccess(Mat & image)
{
// channels of the image
int iChannels = image.channels();
// rows(height) of the image
int iRows = image.rows;
// cols(width) of the image
int iCols = image.cols;
switch (iChannels)
{
// grayscale
case 1:
{
for (int i = 0; i < iRows; i++)
{
for (int j = 0; j < iCols; j++)
{
image.at<uchar>(i, j) = table[image.at<uchar>(i, j)];
}
}
break;
}
// RGB
case 3:
{
Mat_<Vec3b> _image = image;
for (int i = 0; i < iRows; i++)
{
for (int j = 0; j < iCols; j++)
{
_image(i, j)[0] = table[_image(i, j)[0]];
_image(i, j)[1] = table[_image(i, j)[1]];
_image(i, j)[2] = table[_image(i, j)[2]];
}
}
image = _image;
break;
}
}
return 0;
}
OpenCV大概也考虑到了有很多这种需要改变单个像素值的场合（比如基于单个像素值的亮度变换，gamma矫正等），因此在core模块提供了一个更加高效很一颗赛艇的LUT()函数来进行这种操作而且不需要遍历整个图像。
首先建个映射查找表：
// build a Mat type of the lookup table
Mat lookupTable(1, 256, CV_8U);
uchar* p = lookupTable.data;
for (int i = 0; i < 256; i++)
{
p[i] = table[i];
}
然后调用LUT()函数:
// call the function LUT(image, lookupTable, matout);
image是输入图像，matout是输出图像。
测试环境：OpenCV版本3.1.0，Windows 7 64位系统。
测试图像是512*512的Lena灰度图和512*512的Lena彩色图。分别跑100次不同的方法，然后得到的平均时间如下：
可以看到LUT算法稍优于高效的方法，但都很高效，而迭代器方式与随机访问方式就很慢了。
标签：
原文地址：http://www.cnblogs.com/qdsclove/p/5866867.html
