欢迎转载。尊重原创，因此，请注明出处：
http://blog.csdn.net/bendanban/article/details/30527785
本文讲述了OpenCV中几种訪问矩阵元素的方法，在指定平台上给出性能比較，分析每种矩阵元素訪问方法的代码复杂度，易用性。
一、预备设置
本文假设你已经正确配置了OpenCV的环境，为方便大家实验，在文中也给出了编译源程序的Makefile，其内容如代码段1所看到的。
採用如代码段2所看到的的计时函数，这段代码你能够在我之前的博文中找到。abtic() 能够返回微秒（10^-6秒）级，并且兼容Windows和Linux系统。
本文使用彩色图像做实验，所以矩阵是2维的3通道的。
CC = g++
CPPFLAGS = -O3 `pkg-config --cflags opencv`
CPPLIB = `pkg-config --libs opencv` OBJS = test.o main.exe : $(OBJS)
$(CC) $(CPPFLAGS) $^ -o $@ $(CPPLIB) test.o: test.cpp
$(CC) -c $(CPPFLAGS) $^ -o $@ clean:
rm -rf *.out main.exe *.o run:
./main.exe
代码段 1. Makefile文件的内容
#if defined(_WIN32) && defined(_MSC_VER)
#include <windows.h>
double abtic() {
__int64 freq;
__int64 clock;
QueryPerformanceFrequency( (LARGE_INTEGER *)&freq );
QueryPerformanceCounter( (LARGE_INTEGER *)&clock );
return (double)clock/freq*1000*1000;
}
#else
#include <time.h>
#include <sys/time.h>
double abtic() {
double result = 0.0;
struct timeval tv;
gettimeofday( &tv, NULL );
result = tv.tv_sec*1000*1000 + tv.tv_usec;
return result;
}
#endif /* _WIN32 */
代码段 2. 计时函数abtic()的定义
二、測试算法
文中用于測试的算法：将矩阵中每一个元素乘以一个标量，写入一个新的矩阵，每一个通道操作独立。
假设用im(r,c,k)表示矩阵im的第r行、第c列、第k个通道的值的话。算法为：om(r,c,k) = im(r,c,k)*scale;当中scale是一个大于0、小于1的浮点数。
三、五种Mat元素的訪问方法
方法1、使用Mat的成员函数at<>()
Mat的成员函数at()是一个模板函数，我们这里用的是二维矩阵。所以我们使用的at()函数的声明如代码段3所看到的（取自OpenCV的源文件）。
template<typename _Tp> _Tp& at(int i0, int i1);
代码段3 .at()函数的声明
代码段4是本文第二部分描写叙述的算法的实现。矩阵元素使用at<>()函数来索引。
Vec3b pix;
for (int r = 0; r < im.rows; r++)
{
for (int c = 0; c < im.cols; c++)
{
pix = im.at<Vec3b>(r,c);
pix = pix*scale;
om.at<Vec3b>(r,c) = pix;
}
}
代码段4. 使用at<>()函数訪问矩阵元素
注意：使用at函数时，应该知道矩阵元素的类型和通道数，依据矩阵元素类型和通道数来确定at函数传递的类型，代码段4中使用的是Vec3b这个元素类型，他是一个包括3个unsigned char类型向量。
之所以採用这个类型来接受at的返回值，是由于，我们的矩阵im是3通道，类型为unsigned char类型的。
方法2、使用Mat的成员函数ptr<>()
此函数也是模板函数，我们将会用到的ptr函数声明如代码段5所看到的。此函数返回指定的数据行的首地址。
template<typename _Tp> _Tp* ptr(int i0=0);
代码段 5. ptr成员函数的声明
使用ptr<>()成员函数完毕本文第二部分所述算法的代码如代码段6所看到的。
Vec3b *ppix_im(NULL);
Vec3b *ppix_om(NULL);
for (int r = 0; r < im.rows; r++)
{
ppix_im = im.ptr<Vec3b>(r);
ppix_om = om.ptr<Vec3b>(r);
for (int c = 0; c < im.cols; c++)
{
ppix_om[c] = ppix_im[c]*scale;
}
}
代码段 6. 使用ptr訪问矩阵元素
方法3、使用迭代器
这里使用的迭代器是OpenCV自定义的。
使用迭代器完毕第二部分所述算法的代码如代码段7所看到的。
MatIterator_<Vec3b> it_im, itEnd_im;
MatIterator_<Vec3b> it_om;
it_im = im.begin<Vec3b>();
itEnd_im = im.end<Vec3b>();
it_om = om.begin<Vec3b>();
for (; it_im != itEnd_im; it_im++, it_om++)
{
*it_om = (*it_im)*scale;
}
代码段 7. 使用迭代器訪问矩阵元素
方法4、使用Mat_简化索引
Mat_这个类的元素訪问比較easy一点，把原Mat类的对象能够直接赋值给Mat_对象，当然赋值操作并不会开辟新的数据空间，这点大家放心。也就是说使用Mat_时。不会在内存拷贝上花时间。使用这样的方法完毕第二部分所述算法的代码如代码段8所看到的。
Mat_<Vec3b> im_, om_;
im_ = im;
om_ = om;
for (int r = 0; r < im.rows; r++)
{
for (int c = 0; c < im.cols; c++)
{
om_(r,c) = im_(r,c) * scale;
}
}
代码段 8. 使用Mat_訪问矩阵数据元素
方法5、使用OpenCV原有的实现
我们的算法实际上OpenCV中已经有实现。
就是×运算符重载，代码如代码段9所看到的。
om = im*scale;
代码段 9. 使用OpenCV的原有实现訪问矩阵元素
四、实验測试
1、測试代码
为了測试方便，将前面的方法统一写到一个c++源文件test.cpp中。其内容如代码段10所看到的。
/*************************************************************************
> File Name: test.cpp
> Author: aban
> Mail: sawpara@126.com
> Created Time: 2014年06月13日 星期五 18时47分19秒
************************************************************************/ #include <iostream>
#include <opencv2/opencv.hpp>
using namespace cv;
using namespace std; #if defined(_WIN32) && defined(_MSC_VER)
#include <windows.h>
double abtic() {
__int64 freq;
__int64 clock;
QueryPerformanceFrequency( (LARGE_INTEGER *)&freq );
QueryPerformanceCounter( (LARGE_INTEGER *)&clock );
return (double)clock/freq*1000*1000;
}
#else
#include <time.h>
#include <sys/time.h>
double abtic() {
double result = 0.0;
struct timeval tv;
gettimeofday( &tv, NULL );
result = tv.tv_sec*1000*1000 + tv.tv_usec;
return result;
}
#endif /* _WIN32 */ #define ISSHOW 0 int main(int argc, char** argv)
{
double tRecorder(0.0);
Mat im = imread("./bigim.tif");
Mat om;
om.create(im.rows, im.cols, CV_8UC3); #if ISSHOW
imshow("orignal Image", im);
waitKey();
#endif float scale = 150.0f/255.0f; // 1. using at()
tRecorder = abtic();
Vec3b pix;
for (int r = 0; r < im.rows; r++)
{
for (int c = 0; c < im.cols; c++)
{
pix = im.at<Vec3b>(r,c);
pix = pix*scale;
om.at<Vec3b>(r,c) = pix;
}
}
cout << (abtic() - tRecorder) << " using at<>()" << endl;
#if ISSHOW
imshow("Scaled Image: using at<>()", om);
waitKey();
#endif // 2. using ptr
tRecorder = abtic();
Vec3b *ppix_im(NULL);
Vec3b *ppix_om(NULL);
for (int r = 0; r < im.rows; r++)
{
ppix_im = im.ptr<Vec3b>(r);
ppix_om = om.ptr<Vec3b>(r);
for (int c = 0; c < im.cols; c++)
{
ppix_om[c] = ppix_im[c]*scale;
}
}
cout << (abtic() - tRecorder) << " using ptr<>() " << endl;
#if ISSHOW
imshow("Scaled Image: using ptr<>()", om);
waitKey();
#endif // 3. using iterator
tRecorder = abtic();
MatIterator_<Vec3b> it_im, itEnd_im;
MatIterator_<Vec3b> it_om;
it_im = im.begin<Vec3b>();
itEnd_im = im.end<Vec3b>();
it_om = om.begin<Vec3b>();
for (; it_im != itEnd_im; it_im++, it_om++)
{
*it_om = (*it_im)*scale;
}
cout << (abtic() - tRecorder) << " using iterator " << endl;
#if ISSHOW
imshow("Scaled Image: using iterator", om);
waitKey();
#endif // 4. using Mat_
tRecorder = abtic();
Mat_<Vec3b> im_, om_;
im_ = im;
om_ = om;
for (int r = 0; r < im.rows; r++)
{
for (int c = 0; c < im.cols; c++)
{
om_(r,c) = im_(r,c) * scale;
}
}
cout << (abtic() - tRecorder) << " using Mat_ " << endl;
#if ISSHOW
imshow("Scaled Image: using Mat_", om);
waitKey();
#endif // 5. using *
tRecorder = abtic();
om = im*scale;
cout << (abtic() - tRecorder) << " using * " << endl;
#if ISSHOW
imshow("Scaled Image: using *", om);
waitKey();
#endif return 0;
}
代码段10. 測试代码
假设你想使用第一部分提到的Makefile，你须要将代码段10保存成test.cpp。或者保存成你希望的某个名字，可是同一时候应该改动Makfile中的全部“test.cpp”。
在正确运行之前。将代码段10中的第40行代码改成你的图片名称。
2、实验平台
CPU：Intel(R) Pentium(R) CPU G840 @ 2.80GHz
G++：4.8.2
OpenCV : 2.4.9
3、实验结果
编译选项使用-O3时。当中一次运行结果：
489570 using at<>()
467315 using ptr<>()
468603 using iterator
469041 using Mat_
621367 using *
编译选项使用-O0 -g时，当中一次运行结果：
2.48216e+06 using at<>()
2.15397e+06 using ptr<>()
3.80784e+06 using iterator
2.38941e+06 using Mat_
621099 using *
4、实验分析
从上面的结果能够看出，使用×时，在两种模式下，计算速度差点儿相同，这实际是由于我们的程序调用的OpenCV的库函数，而这个库函数调用的是同一个。
假设你的产品要求运行速度，从-O3条件下的输出结果能够看出，ptr这样的方式速度略微快一点。可是他们的区别并不大，所以应该再考虑代码的复杂度。
代码复杂度用代码量（代码行数、列数）、使用变量的个数、使用变量个类型掌握难度（比方指针可能难一点）等因素来度量。
最小的就是使用×了（最后一个方法）。尽管他的复杂度较小。实际仅仅有一行代码，可是对于实际的应用，你要想调用OpenCV已经实现的功能。首先要确定OpenCV里已经实现了这个功能。
其次。我觉得复杂度较小的是方法一，由于它实际上能够不借用pix变量。完毕前述算法，使用变量数较少。代码量也不多。
Mat_和ptr这两种方式的复杂度差点儿相同，假设使用指针是一种略微难一点的方式的话。那么Mat_的复杂度能够觉得略微小一点。
一般觉得迭代器是C++里面比較高级的特性。也是学习C++最靠后的技术，再加上它使用了指针，假设指针算是比較难掌握的技术的话，使用迭代器这样的方式复杂度能够说是最复杂的了。
有些情况下，须要考虑安全性，比方防止越界訪问。假设你不想考虑过多边界的问题，使用迭代器或许是一种不错的选择！
五、总结
选择哪种元素訪问方式。应该依据自己的实际应用环境，详细分析作出决定。
主要考虑三个因素：性能、代码复杂度、安全性，依据自己的程序类型，选择。
版权声明：本文博主原创文章，博客，未经同意不得转载。