2. 程式人生 > >學習OpenCV2——Mat之通道的理解

學習OpenCV2——Mat之通道的理解

阿新 • • 發佈：2018-01-28
too arr end line 簡潔 bgr555 push_back channel 公式

本文詳細介紹了opencv中涉及通道的知識，包括圖像類型轉換，通道合成分解，圖像的顯示。

來源：http://blog.csdn.net/GDFSG/article/details/50927257

1. 知識點

tips1: 一個圖像的通道數是N，就表明每個像素點處有N個數，一個a×b的N通道圖像，其圖像矩陣實際上是b行N×a列的數字矩陣。

OpenCV中圖像的通道可以是1、2、3和4。其中常見的是1通道和3通道，2通道和4通道不常見。

1通道的是灰度圖。

3通道的是彩色圖像，比如RGB圖像。

4通道的圖像是RGBA，是RGB加上一個A通道，也叫alpha通道，表示透明度。PNG圖像是一種典型的4通道圖像。alpha通道可以賦值0到1，或者0到255，表示透明到不透明。

2通道的圖像是RGB555和RGB565。2通道圖在程序處理中會用到，如傅裏葉變換，可能會用到，一個通道為實數，一個通道為虛數，主要是編程方便。RGB555是16位的，2個字節，5+6+5，第一字節的前5位是R，後三位+第二字節是G，第二字節後5位是B，可見對原圖像進行壓縮了。

tips2: OpenCV中用imshow( )來顯示圖像，只要Mat的數據矩陣符合圖像的要求，就可以用imshow來顯示。二通道好像不可以。。。超過了4通道，就不是圖像了，imshow( )也顯示不了。

tips3: imshow( )顯示單通道圖像時一定是灰度圖，如果我們想顯示紅色的R分量，還是應該按三通道圖像顯示，只不過G和B通道要賦值成0或255.

tips4: 通道分解用split( )，通道合成用merg( )，這倆函數都是mixchannel( )的特例。

下面，結合程序說明以上知識點。

2 圖像類型的轉換與顯示

[cpp] view plain copy
  1. Mat image=imread("E:/圖片/color.jpg");
  2. Mat imageGRAY,imageRGBA,imageRGB555;
  3. cvtColor(image,imageGRAY,CV_RGB2GRAY); //RGB轉GRAY
  4. cvtColor(image,imageRGBA,CV_RGB2BGRA); //RGB轉RGBA
  5. cvtColor(image,imageRGB555,CV_RGB2BGR555); //RGB轉RGB555
  7. //來看看通道數
  8. int n = image.channels(); //n=3
  9. int nRGBA = imageRGBA.channels(); //nRGBA = 4
  10. int nRGB555 = imageRGB555.channels(); //nRGB555 = 2
  12. //顯示GRAY、RGB和RGBA圖像
  13. imshow("image",image);
  14. imshow("imageGRAY",imageGRAY);
  15. imshow("imageRGBA",imageRGBA);
  16. //imshow("imageRGB555",imageRGB555); //無法顯示

技術分享圖片


RGB轉GRAY是根據一個心理學公式來的：Gray = R*0.299 + G*0.587 + B*0.114

RGB轉GRBA，默認A通道的數值是255，也就是不透明的。

3 通道的合成與分解

3.1 簡單的例子

我們先來看下最常用的合成與分解函數。

split（）

C++: void split(const Mat& mtx, Mat* mv)
C++: void split(const Mat& mtx, vector<Mat>& mv)
C: void cvSplit(const CvArr* src, CvArr* dst0, CvArr* dst1, CvArr* dst2, CvArr* dst3)

參數：mtx 輸入矩陣

mv 輸出矩陣或矩陣數組

src 輸入矩陣

dst0、dst1、dst2、dst3 最多4個單通道的輸出矩陣

當我們要固定提取某個通道的矩陣時，C形式的用法還是蠻實用的，不必向C++用法那樣，先定義vector，再channels.at(k)

[cpp] view plain copy
  1. Mat rgb( 3, 4, CV_8UC3, Scalar(1,2,3,4) );
  2. vector<Mat> channels;
  3. split(rgb,channels);
  4. Mat B = channels.at(0); //從vector中讀數據用vector::at()
  5. Mat G = channels.at(1);
  6. Mat R = channels.at(2);
  7. cout<<"RGB="<<endl<<rgb<<endl;
  8. cout<<"B="<<endl<<B<<endl;
  9. cout<<"G="<<endl<<G<<endl;
  10. cout<<"R="<<endl<<R<<endl;

註意rgb圖像的通道排列是BGR

技術分享圖片

merge( )

C++: void merge(const Mat* mv, size_t count, OutputArray dst)
C++: void merge(const vector<Mat>& mv, OutputArray dst)
C: void cvMerge(const CvArr* src0, const CvArr* src1, const CvArr* src2, const CvArr* src3, CvArr* dst)

參數：mv 輸入矩陣

count 當mv是C形式的array時，count表示輸入矩陣個數

dst 輸出矩陣

src0、src1、src2、src3 最多4個單通道的輸入矩陣

[cpp] view plain copy
  1. Mat R(3,4,CV_8UC1, Scalar(3));
  2. Mat G(3,4,CV_8UC1, Scalar(2));
  3. Mat B(3,4,CV_8UC1, Scalar(1));
  4. Mat RGB( 3, 4, CV_8UC3);
  5. vector<Mat> src;
  6. src.push_back(B); //往vector裏存數據要用vector::push_back()
  7. src.push_back(G);
  8. src.push_back(R);
  9. merge(src,RGB);
  10. cout<<"B="<<endl<<B<<endl;
  11. cout<<"G="<<endl<<G<<endl;
  12. cout<<"R="<<endl<<R<<endl;
  13. cout<<"RGB="<<endl<<RGB<<endl;

技術分享圖片

split( )和merge( )都是mixChannels( )的特例，接下來看看mixChannels()的用法

mixChannels( )

C++: void mixChannels(const Mat* src, int nsrc, Mat* dst, int ndst, const int* fromTo, size_t npairs)
C++: void mixChannels(const vector<Mat>& src, vector<Mat>& dst, const int* fromTo, int npairs)

參數：src 輸入的矩陣，可以是一個矩陣也可以是多個矩陣構成的vector

nsrc 輸入矩陣的個數

dst 輸出矩陣，可以是一個矩陣也可以是多個矩陣構成的vector

ndst 輸出矩陣的個數

fromTo src到dst通道對應數組

npairs fromTo中有幾組對應關系

mixChannels( )本質是改變了幾個通道的順序，輸入一共有幾個通道，輸出肯定也有幾個通道，所以定義fromTo時，要知道有多少個通道，而且通道的編號一定是0,1,2，...

[cpp] view plain copy
  1. Mat RGB(3,4, CV_8UC3,Scalar(1,2,3,4));
  2. Mat A(3,4,CV_8UC1,Scalar(6));
  3. cout<<"RGB="<<endl<<RGB<<endl;
  4. cout<<"A="<<endl<<A<<endl;
  6. //RGB+A合成為RGBA
  7. cout<<"RGB+A合成為RGBA"<<endl;
  8. Mat RGBA(3,4,CV_8UC4);
  9. Mat in[]={RGB,A};
  10. int fromTo1[] = {0,0, 1,1, 2,2, 3,3};
  11. mixChannels(in,2,&RGBA,1,fromTo1,4);
  12. cout<<"RGBA="<<endl<<RGBA<<endl;
  14. //RGB分解為R+GB
  15. cout<<"RGB分解為R+GB"<<endl;
  16. Mat R(3,4,CV_8UC1);
  17. Mat GB(3,4, CV_8UC2);
  18. Mat out[]={R,GB};
  19. int fromTo2[] = {0,2, 1,1, 2,0};
  20. mixChannels(&RGB,1,out,2,fromTo2,3);
  21. cout<<"R="<<endl<<R<<endl;
  22. cout<<"GB="<<endl<<GB<<endl;

技術分享圖片

3.2 以圖像為例

我們先來看一個例子

[cpp] view plain copy
  1. Mat image=imread("E:/圖片/color.jpg");
  2. vector<Mat> channels;
  3. split(image,channels);
  4. Mat B = channels.at(0);
  5. Mat G = channels.at(1);
  6. Mat R = channels.at(2);
  7. imshow("image",image);
  8. imshow("R",R);
  9. imshow("G",G);
  10. imshow("B",B);

技術分享圖片

三個分量R、G、B因為是單通道圖像，所以只能顯示為灰度圖。如果要想顯示出顏色來，應該用三通道圖像來顯示，比如顯示R，我們就讓G和B通道的數值為0或255。看下面例子

[cpp] view plain copy
  1. Mat image=imread("E:/圖片/color.jpg");
  2. vector<Mat> sbgr;
  3. split(image,sbgr); //split to sbgr[0],sbgr[1] ,sbgr[2]
  4. vector<Mat> mbgr(3);
  5. Mat bk1(image.size(),CV_8UC1,Scalar(0));
  6. //Mat bk2(image.size(),CV_8UC1,Scalar(255));
  8. //顯示彩色的B分量
  9. Mat imageB(image.size(),CV_8UC3);
  10. mbgr[0]= sbgr[0];
  11. mbgr[1]= bk1;
  12. mbgr[2]= bk1;
  13. merge(mbgr,imageB);
  14. imshow("imageB",imageB);
  16. //顯示彩色的G分量
  17. Mat imageG(image.size(),CV_8UC3);
  18. mbgr[0]= bk1;
  19. mbgr[1]= sbgr[1];
  20. mbgr[2]= bk1;
  21. merge(mbgr,imageG);
  22. imshow("imageG",imageG);
  24. //顯示彩色的R分量
  25. Mat imageR(image.size(),CV_8UC3);
  26. mbgr[0]= bk1;
  27. mbgr[1]= bk1;
  28. mbgr[2]= sbgr[2];
  29. merge(mbgr,imageR);
  30. imshow("imageR",imageR);
  32. imwrite("imageR.jpg",imageR);
  33. imwrite("imageG.jpg",imageG);
  34. imwrite("imageB.jpg",imageB);
  36. waitKey(0);

技術分享圖片
如果將bk1賦值成255，將會得到下面的圖像

技術分享圖片

4 制作一個透明的圖片

PNG是RGBA的圖片格式，對於一般的RGB圖像，我們只需要加上一個A通道，並且A通道的值不全為1（或255），就可以得到一個透明的圖片。

[cpp] view plain copy
  1. Mat image=imread("E:/圖片/color.jpg");
  2. //定義4種A通道
  3. Mat imageA0 = Mat(image.size(),image.depth(),Scalar(0)); //image.depth()返回0，表示cv_8u
  4. Mat imageA85 = Mat(image.size(),image.depth(),Scalar(85));
  5. Mat imageA170 = Mat(image.size(),image.depth(),Scalar(170));
  6. Mat imageA255 = Mat(image.size(),image.depth(),Scalar(255));
  8. //定義合成後的RGBA圖像，透明度分別為0%，33%，67%，100%，透明---->不透明
  9. Mat imageRGBA0 = Mat(image.size(),CV_8UC4);
  10. Mat imageRGBA85 = Mat(image.size(),CV_8UC4);
  11. Mat imageRGBA170 = Mat(image.size(),CV_8UC4);
  12. Mat imageRGBA255 = Mat(image.size(),CV_8UC4);
  14. Mat in1[] = {image,imageA0};
  15. Mat in2[] = {image,imageA85};
  16. Mat in3[] = {image,imageA170};
  17. Mat in4[] = {image,imageA255};
  18. int from_to[] = {0,0, 1,1, 2,2, 3,3};
  19. mixChannels(in1,2,&imageRGBA0,1,from_to,4);
  20. mixChannels(in2,2,&imageRGBA85,1,from_to,4);
  21. mixChannels(in3,2,&imageRGBA170,1,from_to,4);
  22. mixChannels(in4,2,&imageRGBA255,1,from_to,4);
  24. imwrite("imageRGBA0.png",imageRGBA0);
  25. imwrite("imageRGBA85.png",imageRGBA85);
  26. imwrite("imageRGBA170.png",imageRGBA170);
  27. imwrite("imageRGBA255.png",imageRGBA255);

直接用imshow( )是看不出差別來的，可以這麽看。把一張PPT的空白背景替換成彩色背景，然後把這些 圖片放上去，效果如下圖所示。

技術分享圖片

上圖顯示的結果實質是背景網格圖片和我們的PNG圖片疊加顯示的效果。所以我們有個更簡潔的方法實現上面的顯示效果，是顯示效果！

imageResult = α·image + (1-α)·imageRGID

我們只需要調整α的值就能控制image和imageGRID顯示的比例了。

學習OpenCV2——Mat之通道的理解

相關推薦

學習OpenCV2——Mat之通道的理解

too arr end line 簡潔 bgr555 push_back channel 公式 本文詳細介紹了opencv中涉及通道的知識，包括圖像類型轉換，通道合成分解，圖像的顯示。 來源：http://blog.csdn.net/GDFSG/article/det

學習OpenCV2——MeanShift之圖形分割

1. 原理     用meanshift做影象平滑和分割，其實是一回事。其本質是經過迭代，將收斂點的畫素值代替原來的畫素值，從而去除了區域性相似的紋理，同時保留了邊緣等差異較大的特徵。         OpenCV中自帶有基於meanshift的分割方法pyrMeanSh

學習OpenCV2——MeanShift之目標跟蹤

        前面學習了MeanShift用於目標檢測，現在來看看MeanShift如何用於目標跟蹤。         OpenCV裡的MeanShift跟蹤方法涉及影象矩和反向投影的知識，如果不清楚可以先看我的另一篇博文“影象的幾何矩” 1. MeanShift( )

nio再學習之通道channel

png lec bio 多線程 ram socket image 多線程通信 傳輸 通道(Channel)：用於在數據傳輸過程中，進行輸入輸出的通道，其與(流)Stream不一樣，流是單向的，在BIO中我們分為輸入流，輸出流，但是在通道中其又具有讀的功能也具有寫的功能或者兩

影象學習之如何理解方向梯度直方圖（Histogram Of Gradient）

按：本文作者 Slyne_D，原文載於作者的簡書主頁，用於非商業學習，侵刪致歉！ 本文主要翻譯了Histogram of Oriented Gradients一文。 特徵描述子(Feature Descriptor) 特徵描述子就是影象的表示，抽取了有用的資訊，丟掉了

機器學習中的超平面理解（SVM開篇之超平面詳解）

目錄 一、什麼是超平面 二、點到超平面的距離  三、 判斷超平面的正反 一、什麼是超平面 以上是三維為例子。  通過查閱資料對超平面有了一定的認識， n 維空間中的超平面由下面的方程確定:  其中，w&nb

機器學習筆記筆記之三——文字型別處理-詞袋法、TF-IDF理解

  在面對文字型特徵時，大致可以分為兩種。    一是列舉型別，比如：男女，小學生初中生高中生大學生……這種型別下類別一般不會超過百種，那麼就可以使用 啞編碼（one-hot）來處理。   另一種就是真正意義上的文字，一條評論或是一篇文章。對於這樣的資

Lecture 3 opencv2系列之遍歷Mat

《The OpenCV Tutorials》給出3種遍歷Mat中影象畫素矩陣的方法，分別是指標遍歷(ptr)、迭代器(MatIterator)、 at函式，前兩者亦分別稱作高效方法、安全方法。其中最為高效的是指標方法。 本文只介紹指標方法。 以下程式碼實現對影象畫素資

C++學習之深入理解虛擬函式--虛擬函式表解析

前言 C++中的虛擬函式的作用主要是實現了多型的機制。關於多型，簡而言之就是用父類型別的指標指向其子類的例項，然後通過父類的指標呼叫實際子類的成員函式。這種技術可以讓父類的指標有“多種形態”，這是一種泛型技術。所謂泛型技術，說白了就是試圖使用不變的程式碼來實現可變的演算

機器學習之深入理解SVM

在瀏覽本篇部落格之前，最好先檢視一下我寫的另一篇文章機器學習之初識SVM（點選可查閱哦），這樣可以更好地為了結以下內容做鋪墊！ 支援向量機學習方法包括構建由簡至繁的模型：線性可分支援向量機、線性支援向量機及非線性支援向量機。當訓練資料線性可分時，通過

C++學習之如何理解*&，即指標的引用

指標大家都知道啦， 然後你需要知道指標的指標 如int **p; 將指標的指標分層理解： int *(*p);括號內的整體表示一個指向int型別的指標物件，這時*p中的p自然就是指向指標的指標了。 接下來看int *&p; 也來分層理解，表示為  int *(&

【OpenCV學習筆記】之三：Mat初始建立方法----要求資料連續儲存

int rows=15; // int cols=40; int size=rows*cols; vector<int>Va(size); vector<Vec<int, 8>>Vb(size); vector<Vec4i>V

機器學習之深入理解神經網路理論基礎、BP演算法及其Python實現

　　人工神經網路（Artificial Neural Networks，ANN）系統是 20 世紀 40 年代後出現的。它是由眾多的神經元可調的連線權值連線而成，具有大規模並行處理、分散式信 息儲存、良

整理OD學習之深入理解訊息迴圈

今天我們一起深入探討下帶有對話方塊的訊息迴圈。先看下圖：今天我們就來研究這個圖！！ 為了方便研究，我就選用看雪例項裡的一個程式。從圖上你可以看出一個主視窗，還有一個訊息框。為了程式介面的簡單，還請暫時把你看到的這個訊息框當成對話方塊。這樣一來你所看到的2個元素分別就是：主

Java學習整理系列之ThreadLocal的理解

ThreadLocal概念 ThreadLocal是解決執行緒安全問題一個很好的思路，它通過為每個執行緒提供一個獨立的變數副本解決了變數併發訪問的衝突問題。在很多情況下，ThreadLocal比直接使用synchronized同步機制解決執行緒安全問題更簡單，更方便，且結果

LTE學習筆記4之物理層通道與訊號

1、物理下行共享通道PDSCH：用於承載Unicast（單播）資料資訊。 沒有專用導頻時，按照PBCH同樣的埠對映：Port組合{0}，{0,1}，{0,1，2,3} 發射專用導頻時，按照port5對映 PDSCH資源分配優先順序最低，只能佔用其他通道/訊號不用的RB。

OpenCV之通道和位深的理解（CV_8UC1,CV_8SC1,CV_32FC1）

矩陣資料型別:     – CV_<bit_depth>(S|U|F)C<number_of_channels> S = 符號整型 U = 無符號整型 F = 浮點型 CV_8

學習總結------Servlet的簡單理解

http mage 服務 設計 color tle 客戶 配置 實際應用 1.什麽是Servlet Servlet是一個Java編寫的程序，在服務器端運行的(如tomcat) Java Servlet 是運行在 Web 服務器或應用服務器上的程序，它是作為來自 Web

學習Vue.js之vue移動端框架到底哪家強

outer import ati 工作 需要 全部 ctu ron 上層 官網：https://cn.vuejs.org/ Weex 2016年4月21日，阿裏巴巴在Qcon大會上宣布跨平臺移動開發工具Weex開放內測邀請。 Weex 是一套簡單易用的跨平臺開發方案

機器學習中的回歸理解

機器學習中的線性模型理解機器學習中的類別均衡問題？分為類別平衡問題和類別不平衡問題類別平衡問題：可以采用回歸類別不平衡問題：可以采用在縮放針對類別的回歸問題有線性回歸：非線性回本文出自 “簡答生活” 博客，謝絕轉載！機器學習中的回歸理解