OpenCV | 基本矩阵操作

版权声明：文章为博主原创，未经同意禁止转载 https://blog.csdn.net/Hello_Peter_Chan/article/details/82112455

起因

在2013年1月份发行的OpenCV 2.4.4中，对Java的支持也正式发布。同时也有支持Python。

环境配置

这里的环境配置十分简单，在这里，操作系统64位，所以选这个，将里面的opencv_java342.dll负责到你本地下载的JDK的bin目录下，和JDK下的JRE目录下的bin目录下。

我使用的是Eclipse，在Eclipse新建Java工程后将opencv-342.jar加入到路径中，就OK了。

这里可以验证下是否能成功运行OpenCV，代码如下：

package com.monhitul;

import org.opencv.core.Core;
import org.opencv.core.CvType;
import org.opencv.core.Mat;
import org.opencv.core.Scalar;

public class SimpleSample {
  //静态代码块定义，会在程序开始运行时先被调用初始化
  static {
    System.loadLibrary(Core.NATIVE_LIBRARY_NAME); //得保证先执行该语句，用于加载库，才能调用其他操作库的语句，
  }                         //否则会报 java.lang.UnsatisfiedLinkError: org.opencv.core.Mat.n_Mat(IIIDDDD)J 错误

  public static void main(String[] args) {
    System.out.println("Welcome to OpenCV" + Core.VERSION);
    Mat m = new Mat(5,10,CvType.CV_8UC1,new Scalar(0));
    System.out.println("OpenCV Mat: "+m);
    Mat mr1 = m.row(1);
    mr1.setTo(new Scalar(1));
    Mat mc5 = m.col(5);
    mc5.setTo(new Scalar(5));
    System.out.println("OpenCV Mat data:\n"+m.dump());
  }
}

控制台输出是这样的：

这样就表示没问题。

基本矩阵操作

大家知道，在计算机视觉中，一幅图像其实就是一个由数字组成的矩阵，这些数字表示的是图像的像素。比如说gray-image，灰度图像，将这些数字按从0(black)到255(white)排列，数字越接近0就是越接近黑，越接近255就是越接近白，其实就是不同程度上的灰，这就是普遍的8-bit images；甚至还可以采用浮点数的方法，黑到白就是0.0到1.0。而color image，彩色图像，它的每个像素点则是由三原色(红绿蓝)结合而成的。

所以，每一个数字图像都是一个像素点矩阵，这个矩阵包含所有像素点的强度值，矩阵的列数对应图像的宽度，矩阵的行数对应图像的高度。

在OpenCV中，Mat类(Matrix的缩写，矩阵)是OpenCV用于处理图像而引入的一个封装类。Mat的type属性表示了矩阵中元素的类型以及矩阵的通道个数，它是一系列的预定义的常量，命名规则如下：

CV_<bit_depth>{U|S|F}C(<number_of_channels>)

在这里呢，bit_depth表示图像深度，即一个像素点所占的总位数（bit），像是前面提到的灰度图像，就是8位。

U|S|F分别代表unsigned无符号整数,signed有符号整数和float浮点数。

number_of_channels代表的是通道，单通道就是一个像素点只需一个数值表示，只能表示灰度，0为黑色；三通道就是RGB模式，把图像分为红绿蓝三个通道，可以表示彩色，全0表示黑色；四通道就是在RGB基础上加上alpha通道，表示透明度，alpha=0表示全透明。如果number_of_channels未指明，则默认为单通道。

这样的话，我们举个例子，比如说前面的8位灰度图，那就是CV_8UC1，这个还挺好理解的，就不多说了。

熟悉操作

我们可以回到最开始我们验证OpenCV是否正常使用的那个代码。

package com.monhitul;

import org.opencv.core.Core;
import org.opencv.core.CvType;
import org.opencv.core.Mat;
import org.opencv.core.Scalar;

public class SimpleSample {
  //静态代码块定义，会在程序开始运行时先被调用初始化
  static {
    System.loadLibrary(Core.NATIVE_LIBRARY_NAME); //得保证先执行该语句，用于加载库，才能调用其他操作库的语句，
  }                         //否则会报 java.lang.UnsatisfiedLinkError: org.opencv.core.Mat.n_Mat(IIIDDDD)J 错误

  public static void main(String[] args) {
    System.out.println("Welcome to OpenCV" + Core.VERSION);
    Mat m = new Mat(5,10,CvType.CV_8UC1,new Scalar(0));
    System.out.println("OpenCV Mat: "+m);
    Mat mr1 = m.row(1);
    mr1.setTo(new Scalar(1));
    Mat mc5 = m.col(5);
    mc5.setTo(new Scalar(5));
    System.out.println("OpenCV Mat data:\n"+m.dump());
  }
}

猜也可以猜出这个代码大致的意思了。我们看看输出结果中Mat的结果，isCont属性告诉我们在表示图像时，次矩阵是否使用了额外的填充，以便在某些平台上可以硬件加速。isSubmat属性是指该矩阵是否是从另一个矩阵创建而来的，以及它是否引用了另一个矩阵的数据。

关于数据初始化的，我们还可以看看下面这个例子：

Mat image = new Mat(new Size(3,3),CvType.CV_8UC3,new Scalar(new double[] {3,6,9}));
System.out.println("OpenCV Mat image data:\n"+image.dump()+"\n");

输出结果为：

像素操作

对像素的操作可以有个很直接的方法，就是使用put(row, col, data)方法，代码如下：

for(int i=0;i<image.rows();i++) {
  for(int j=0;j<image.cols();j++) {
    image.put(i, j, new byte[] {2,4,8});
  }
}

在这里byte[]数值中，1代表通道蓝，2代表通道绿，3代表通道红，即顺序是{蓝，绿，黄}。

这样存在的问题也很明显，就算是一幅640×480px的图像，也有307200个像素点，如果是彩色图像则是921600个数值存在于矩阵中，这样必然造成运行时间过久。

---

我们这个可以看看下面这个代码，实现了过滤通道的功能：

//过滤器，将通道蓝的数值滤去，置为0
public static Mat filter(Mat image) {
  Mat newImage=image;
  //得到图像中的字节数
  int totalBytes = (int)(newImage.total() * newImage.elemSize()); 
  //image.total()得到像素总数，image.elemSize()得到每个元素的大小，单位byte
  System.out.println("totalBytes:"+totalBytes);

  byte buffer[] = new byte[totalBytes];
  //get，put方法分别是将byte转换成Mat，将Mat转换成byte
  for(int i=0;i<totalBytes;i++) {
    if(i%3==0) {  //通道蓝为3的倍数
      buffer[i]=0;  //置为0
    }
  }
  newImage.put(0, 0, buffer);
  System.out.println("put:"+newImage.dump());
  return newImage;
}

然后在主函数中调用：

Mat src = Imgcodecs.imread("D:\\favcion.jpg");  //读入一幅图像
if(src.empty()) {
  System.out.println("empty");
    return;
} else {  //判断确实读入
  System.out.println("Notempty");
  Mat newImage = filter(src); //调用过滤器
    Imgcodecs.imwrite("D:\\newfavcion.jpg", newImage);  //将得到新的图像写入文件中
  }

我们来看看前后的对比。

明显偏黄，我们可以选择将红的滤去，是这样的：

将绿的滤去，这样的：

再看看这么一张图：

从文件中加载图像

前面代码里刚刚出现的，借助Imgcodecs.imread(name_of_file)可以加载图像文件，而dataAddr()方法可以判断加载图像是否正确。

就像这样：

import org.opencv.imgcodecs.Imgcodecs;
import org.opencv.core;

public Mat openFile(String fileName) throws Exeception{
  Mat newImage = Imgcodecs.imread(fileName);
  if(newImage.dataAddr()==0){
    throw new Exception("Couldn't open file: "+fileName);
  }
  return newImage;
}

而将图像存为文件，前面的代码也有出现，就是使用Imgcodecs.imwrite(name_of_file)。

结束语

也欢迎大家关注微信公众号：Monhitul

一个东学西学，学东学西的公众号，大家一起学习，一同进步。