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。