Core moudle（基础模块）
1.How to scan images, lookup tables and time measurement with OpenCV
1.1 测试用实例描述
OpenCV官方文档中此部分的应用背景：一种简答的色彩还原方法。
问题描述：由于元素在矩阵中的存储最少也是256个不同值，如果直接采用一对一的映射将十分的需要资源，为了解决这个问题，首先对图像进行一个简单的色彩空间缩减算法，原理很简单，通过C++中的取商后乘十来实现，具体公式如下;
I
n
e
w
=
(
I
o
l
d
10
)
∗
10
I_{new}=(\frac{I_{old}}{10})*10
Inew=(10Iold)∗10
这样以个256的像素值就会被压缩很多，如此一来就基本上解决了数据过大的问题，然而，就算使用这个公式进行计算，由于图像像素多，对于每个图像都应用这个公式进行操作也十分消耗时间，为此使用查找表的方式，先计算斌存好映射关系和结果，到时候直接根据像素值进行查找就可以了，省去实际计算时间。
首先是计算查找表
int divideWith = 0; //划分的宽度，由输入而来
stringstream s;
s << argv[2];
s >> divideWith; //将输入的字符转换成int型
if (!s || !divideWith)
{
cout << "Invalid number entered for dividing. " << endl;
return -1;
}
uchar table[256]; //查找表计算，256个像素值对应26个结果，多对一的映射
for (int i = 0; i < 256; ++i)
table[i] = (uchar)(divideWith * (i/divideWith));
如何衡量时间
-
cv::getTickCount(),返回来自某个事件的系统 CPU 的滴答数，一直在变化。 -
cv::getTickFrequency(),返回您的 CPU 在一秒内发出滴答声的次数。
double t = (double) getTickCount ();//起始时间
// 做点什么 ...
t = ((double) getTickCount () - t)/ getTickFrequency (); //时间差除以CPU每秒滴答数=运行时间s
cout << "时间以秒为单位：" << t << endl;
1.2 图像矩阵在内存中如何存储。
一个图像矩阵的存储方式取决于：颜色系统（通道数），分辨位数。
对于灰度图像只有一个通道，以及像素值。
对于多通道图像，每一列中包含多个子列。
注意：通道的存储方式是BGR不是RGB
在内存足够的情况下，每一个元素的存储时连续的，从而创建一个超级长的一行数据，可以通过cv::Mat::isContinuous()来查看是否图像存储是否连续。
1.3 有效的访问方式
在性能方面，OpenCV自己表示C风格的指针访问或者[]访问效率高，所以依然要使用C中访问数组元素的方式。
于是就有一个问题，我们要怎么样来对如此庞大的数据进行重新组合，或者有效访问呢
Mat& ScanImageAndReduceC(Mat& I, const uchar* const table)
{
// accept only char type matrices
CV_Assert(I.depth() == CV_8U); //这是一个异常判断的函数，无符号八位存储方式很重要
int channels = I.channels(); //获取通道数
int nRows = I.rows; //获取行数
int nCols = I.cols * channels; //获取列数，包括每个通道
if (I.isContinuous()) //存储方式是否连续，如果是就可以按一行来判断，不是的话就要按每一行来访问
{
nCols *= nRows;
nRows = 1;
}
int i,j;
uchar* p;
for( i = 0; i < nRows; ++i)
{
p = I.ptr<uchar>(i); //p指向每一行的首地址
for ( j = 0; j < nCols; ++j)
{
p[j] = table[p[j]]; //根据每行元素的值进行查找
}
}
return I; //经过处理后，矩阵的数据完全变化了，而其他信息没有变化
}
另一种方法是使用Mat对象的data数据成员生成指针，因为data数据成员的指针指向第一行第一列的元素的地址。
uchar* p = I.data;
for( unsigned int i = 0; i < ncol*nrows; ++i)
*p++ = table[*p];
这种方式访问是十分不直观的，无法知道是操作的是哪一行那一列数据。
1.4 迭代器方法----安全
迭代器访问不需要我们自己去计算从哪访问，要访问多少个，迭代器的方式更加模块化。
Mat& ScanImageAndReduceIterator(Mat& I, const uchar* const table)
{
// accept only char type matrices
CV_Assert(I.depth() == CV_8U);
const int channels = I.channels();
switch(channels)
{
case 1:
{
MatIterator_<uchar> it, end; //一个通道的迭代器
for( it = I.begin<uchar>(), end = I.end<uchar>(); it != end; ++it)
*it = table[*it];
break;
}
case 3:
{
MatIterator_<Vec3b> it, end; //三个通道的迭代器
for( it = I.begin<Vec3b>(), end = I.end<Vec3b>(); it != end; ++it)
{
(*it)[0] = table[(*it)[0]];
(*it)[1] = table[(*it)[1]];
(*it)[2] = table[(*it)[2]];
}
}
}
return I;
}
如果用<char>型的迭代器去访问三个通道的图像，这样只能访问蓝色通道所有数据。可以看出，迭代器得到的类似于“每个像素的首地址”，并且迭代器访问完一行行后自动换行
1.5 On-the-fly address calculation with reference returning（这种方法不建议用）
Mat& ScanImageAndReduceRandomAccess(Mat& I, const uchar* const table)
{
// accept only char type matrices
CV_Assert(I.depth() == CV_8U);
const int channels = I.channels();
switch(channels)
{
case 1:
{
for( int i = 0; i < I.rows; ++i)
for( int j = 0; j < I.cols; ++j )
I.at<uchar>(i,j) = table[I.at<uchar>(i,j)];//用行列的方式定位元素，并按照一定数据类型进行解释
break;
}
case 3:
{
Mat_<Vec3b> _I = I; //这里确定了数据类的解释方式
for( int i = 0; i < I.rows; ++i)
for( int j = 0; j < I.cols; ++j )
{
_I(i,j)[0] = table[_I(i,j)[0]];
_I(i,j)[1] = table[_I(i,j)[1]];
_I(i,j)[2] = table[_I(i,j)[2]];
}
I = _I;
break;
}
}
return I;
}
这种方式访问数据，每次都要输入行和列以及数据的解释形式，容易出错且效率低。为了方便操作，OpenCV中提供了一种数据类型，cv::Mat_这种数据类型需要在定义的时候额外添加数据类型Mat_<double> M(20,20)，如此一来以后访问就不用指定访问的数据类型了，可以直接使用()和cv::Mat::at.
1.6 使用核心函数
在Core Function中提供了一种直接根据查找表操作进行的函数cv::LUT().
//创建查找表
Mat lookUpTable(1, 256, CV_8U);
uchar* p = lookUpTable.ptr();
for( int i = 0; i < 256; ++i)
p[i] = table[i];
//使用函数直接完成查找，I根据lookUpTable进行查找并得到J，J是输出
LUT(I, lookUpTable, J);
1.7几种方法的速度
咳咳，事实证明，能用函数就不要自己写，费力不讨好。。。解决开始提出的问题的源码地址