OPENCV 實現png繪製，alpha通道疊加。
一夜未眠，一直在找一個好點的方法將帶alpha通道的png圖片疊加到其他三通道圖片上。
下面進入正題：
在這段程式碼中，cvAdd4cMat 其實是一個巨集，由 CA4M_EXCAT 巨集來控制它展開成什麼。
#ifdef CA4M_EXCAT
#define cvAdd4cMat cvAdd4cMat_e
#else
#define cvAdd4cMat cvAdd4cMat_q
#endif注：e版函式是精確版，q版函式是快速版。我也不知道實際使用e版和q版差別多大，速度e版更快，但是繪製出來的質量我用肉眼完全看不出差別，文章後面有我對兩版函式速度測試的說明。如果你要直接使用我的模組，那麼我建議你不要定義CA4M_EXCAT這個巨集。因為我認為q版函式更加優秀。如果你不知道怎麼使用它，你可以到底部獲得演示程式的下載地址。
原理：
視訊記憶體中每個點是以BGR方式儲存的，B、G、R分別叫藍色通道、綠色通道、紅色通道
而對於一些圖片來所，它們還需要有一個A通道，阿爾法通道，即不透明度通道。來控制這個點的不透明度，其實所謂的不透明度，只在與其他圖片疊時反應出來。
對於某一個畫素點的疊加公式：
b = b1 * a1/255 + b0 * (255 - a1)/255
g = g1 * a1/255 + g0 * (255 - a1)/255
r = r1 * a1/255 + r0 * (255 - a1)/255那麼把這個單點的計算公式轉換成矩陣的計算公式，通過Opencv對矩陣運算的優勢，可極大的提高疊加的效率。 那麼我通過split函式分解矩陣的通道 把png圖片分解為B1矩陣，G1矩陣，R1矩陣，A1矩陣 把背景圖片分解為了B0矩陣，G0矩陣，R0矩陣。 於是疊加的結果： 令alpha = A1 , 令beta = 255 - alpha。注意：alpha和beta依然是矩陣
如果使用scale增益這個引數，那麼：B=B1 * alpha/255 + B0 * beta/255 G=G1 * alpha/255 + G0 * beta/255 R=R1 * alpha/255 + R0 * beta/255
newalpha = alpha * scale
newbeta = 255 - newalpha以上只是該模組的基本思想，為了防止溢位，減少冗餘計算，原始碼在演算法上做了較大的調整，具體請看程式碼了：
cvAdd4cMat.h
#pragma once #include <vector> #include <opencv2/opencv.hpp> static int createtable = false;//init lookup-table; static cv::Mat table(1, 256, CV_32FC1); static cv::Mat otable(1, 256, CV_32FC1); int cvAdd4cMat_e(cv::Mat &dst, cv::Mat &scr, double scale); int cvAdd4cMat_e(cv::Mat &dst, cv::Mat &scr); int cvAdd4cMat_q(cv::Mat &dst, cv::Mat &scr, double scale = 1.0); void InitLookupTable(void); #ifdef CA4M_EXCAT #define cvAdd4cMat cvAdd4cMat_e #else #define cvAdd4cMat cvAdd4cMat_q #endif
cvAdd4cMat.cpp
#include "cvAdd4cMat.h"
int cvAdd4cMat_e(cv::Mat &dst, cv::Mat &scr, double scale)
{
if (createtable == false)
{
InitLookupTable();
}
if (dst.channels() != 3 || scr.channels() != 4)
{
return 0;
}
if (scale < 0.01)
return 1;
std::vector<cv::Mat> scr_channels;
std::vector<cv::Mat> dstt_channels;
split(scr, scr_channels);
split(dst, dstt_channels);
CV_Assert(scr_channels.size() == 4 && dstt_channels.size() == 3);
cv::Mat alpha(dst.rows, dst.cols, CV_32FC1);
LUT(scr_channels[3], table, alpha);
for (int i = 0; i < 3; i++)
{
scr_channels[i].convertTo(scr_channels[i], CV_32FC1);
dstt_channels[i].convertTo(dstt_channels[i], CV_32FC1);
dstt_channels[i] = dstt_channels[i].mul(1 - alpha*scale);
dstt_channels[i] += scr_channels[i].mul(alpha * scale);
dstt_channels[i].convertTo(dstt_channels[i], CV_8UC1);
}
merge(dstt_channels, dst);
return 1;
}
int cvAdd4cMat_e(cv::Mat &dst, cv::Mat &scr)
{
if (createtable == false)
{
InitLookupTable();
}
if (dst.channels() != 3 || scr.channels() != 4)
{
return 0;
}
std::vector<cv::Mat>scr_channels;
std::vector<cv::Mat>dstt_channels;
split(scr, scr_channels);
split(dst, dstt_channels);
CV_Assert(scr_channels.size() == 4 && dstt_channels.size() == 3);
cv::Mat alpha(dst.rows, dst.cols, CV_32FC1);
cv::Mat beta(dst.rows, dst.cols, CV_32FC1);
LUT(scr_channels[3], table, alpha);
LUT(scr_channels[3], otable, beta);
for (int i = 0; i < 3; i++)
{
scr_channels[i].convertTo(scr_channels[i], CV_32FC1);
dstt_channels[i].convertTo(dstt_channels[i], CV_32FC1);
dstt_channels[i] = dstt_channels[i].mul(beta);
dstt_channels[i] += scr_channels[i].mul(alpha);
dstt_channels[i].convertTo(dstt_channels[i], CV_8UC1);
}
merge(dstt_channels, dst);
return 1;
}
int cvAdd4cMat_q(cv::Mat &dst, cv::Mat &scr, double scale)
{
if (dst.channels() != 3 || scr.channels() != 4)
{
return true;
}
if (scale < 0.01)
return false;
std::vector<cv::Mat>scr_channels;
std::vector<cv::Mat>dstt_channels;
split(scr, scr_channels);
split(dst, dstt_channels);
CV_Assert(scr_channels.size() == 4 && dstt_channels.size() == 3);
if (scale < 1)
{
scr_channels[3] *= scale;
scale = 1;
}
for (int i = 0; i < 3; i++)
{
//newalpha equal scale * alpha
dstt_channels[i] = dstt_channels[i].mul(255.0 / scale - scr_channels[3], scale / 255.0);
dstt_channels[i] += scr_channels[i].mul(scr_channels[3], scale / 255.0);
}
merge(dstt_channels, dst);
return true;
}
void InitLookupTable(void)
{
for (int i = 0; i < 256; i++)
{
table.at<float>(i) = i / 255.0f;
otable.at<float>(i) = 1 - table.at<float>(i);
}
createtable = true;
}對兩版函式的分析：
for (int i = 0; i < 5000;i++)
cvAdd4cMat(img1_t2, img2);
e版測兩次:26344ms 26547ms
q版測兩次:20094ms 19996ms
for (int i = 0; i < 5000;i++)
cvAdd4cMat(img1_t2, img2, 1.5);
e版測兩次:29851ms 29725ms
q版測兩次:21051ms 21023ms
for (int i = 0; i < 5000;i++)
cvAdd4cMat(img1_t2, img2, 0.5);
e版測兩次:29281ms 29221ms
q版測兩次:22031ms 22031ms
綜上看出
e版函式平均每次繪圖4ms，q版函式平均每次繪圖6ms。
e版函式在繪製速度上不如q版函式，e版函式繪製時如果使用scale引數，速度還會減慢10%左右
q版函式相對更快，但在scale引數小於1時因為演算法原因，繪製速度也會減慢10%左右
下面是我寫的一個小example：
下載地址：http://download.csdn.net/detail/u013097499/7483975