一. 像素值统计的需求

统计一个图像中的像素在工作中很有必要的,因为图像处理过程中主要就是和像素打交道.

主要统计的数据:

• 像素最大值
• 像素最小值
• 像素最小值的位置
• 像素最大值的位置
• 像素均值
• 像素方差(像素方差,是所有像素和像素均值之间的平方的平均数)

二. 像素值统计的API

① 获取像素最大值,最小值,像素最大值位置,像素最小值为的API

函数原型:

void minMaxLoc(InputArray src, CV_OUT double* minVal,CV_OUT double* maxVal = 0, 
CV_OUT Point* minLoc = 0,CV_OUT Point* maxLoc = 0, InputArray mask = noArray());

函数功能:

这个函数用来获取一个单通道图像的最大和最小值,以及最大值和最小值的位置,如果mask为空,则是全部的图像,如果mask不为空,在mask的区域求最大值和最小值.其实就是mask的非零区域求最大值和最小值.

参数解释:

• src: 输入的图像,只能是单通道的图像
• minVal:最小值指针,如果不需要可以传参数NULL
• maxVal:最大值指针,如果不需要可以传参数NULL
• minLoc:最小值位置指针,Pointer类型,如果不需要,可以传参数NULL
• maxLoc:最大值位置指针,Pointer类型,如果不需要,可以传参数NULL
• mask: 用来选择一个子区域

#include "MyOpencv.h"

int main(void)
{
	Mat src = Mat::zeros(Size(10, 10), CV_8UC1);
	int rows = src.rows;
	int cols = src.cols;
	int channels = src.channels();
	for (int row = 0; row < rows; row++)
	{
		uchar *pCurrent = src.ptr<uchar>(row);
		for (int col = 0; col < cols; col++)
		{
			*pCurrent++ = row * 10  + col; // 像素赋值从0~99
		}
	}

	cout << "src = " << endl;
	cout << src << endl;
	double minVal;
	double maxVal;
	Point  minLoc;
	Point	maxLoc;

	cv::minMaxLoc(src, &minVal, &maxVal, &minLoc, &maxLoc);
	cout << "图像像素信息: 像素最小值: " << minVal << " 最小值位置: " << minLoc
		<< " 像素最大值: " << maxVal << " 像素最大值位置: " << maxLoc << endl;

	// 使用Mask,只统计第2~4行和2~4列 22~44的位置
	Mat mask = Mat::zeros(src.rows, src.cols, CV_8UC1);
	Rect rect(2, 2, 3, 3);
	mask(rect) = Scalar(1);
	cout << "Mask = " << endl;
	cout << mask << endl;

	cv::minMaxLoc(src, &minVal, &maxVal, &minLoc, &maxLoc, mask);
	cout << "2~4行 && 2~4列的像素信息: " << endl;
	cout << "像素最小值: " << minVal << " 最小值位置 : " << minLoc
		<< " 像素最大值: " << maxVal << " 像素最大值位置: " << maxLoc << endl;

}

结果:

② 获取像素的均值和方差的API

函数原型:

void meanStdDev(InputArray src, OutputArray mean, OutputArray stddev,
                             InputArray mask=noArray());

函数功能:

该函数独自的计算各个通道的均值和方差,然后通过输出参数返回.

参数:

• src: 输入图像
• mean: 输出Mat,代表各个通道的均值,这里的形状是3行一列的矩阵
• stddev:输出Mat,代表各个通道的均方差,这里的形状是3行一列的矩阵
• mask:用来确定计算区域,也就是mask中那些非0的位置才会参与计算.当mask所有的元素都是0的时候,返回mean=stddev=Scalar::all(0).

#include "MyOpencv.h"

int main(void)
{
	Mat src = Mat::zeros(Size(6, 6), CV_8UC3);
	int rows = src.rows;
	int cols = src.cols;
	int channels = src.channels();
	for (int row = 0; row < rows; row++)
	{
		uchar *pCurrent = src.ptr<uchar>(row);
		for (int col = 0; col < cols; col++)
		{
			*pCurrent++ = row * 6 * 3  + col * 3 + 0;
			*pCurrent++ = row * 6 * 3 + col * 3 + 1;
			*pCurrent++ = row * 6 * 3 + col * 3 + 2;
		}
	}
	cout << "src = " << endl; // 0 ~ 107像素值,一共 6 * 6 & 3 = 108个像素值
	cout << src << endl;
	Mat mean, stddev;
	cv::meanStdDev(src, mean, stddev);
	cout << "不带mask的时候: 图形均值: " << mean << ", 均方差: " << stddev << endl;
	cout << "mean的形状: 行数: " << mean.rows << " 列数: " << mean.cols << endl;
	cout << "stddev的形状: 行数: " << mean.rows << " 列数: " << mean.cols << endl;

	cout << "----------------------------------" << endl;
	// 带mask的,首先把mask全部是0的情况
	Mat maskZero = Mat::zeros(src.rows, src.cols, CV_8UC1);
	cv::meanStdDev(src, mean, stddev,maskZero);
	cout << "mask全部为0的时候: 图形均值: " << mean << ", 均方差: " << stddev << endl;
	cout << "mean的形状: 行数: " << mean.rows << " 列数: " << mean.cols << endl;
	cout << "stddev的形状: 行数: " << mean.rows << " 列数: " << mean.cols << endl;
	cout << "---------------------------------" << endl;

	Rect rect(3, 3, 2, 2); // 第3~4行 3~4列的均值方差
	maskZero(rect) = Scalar(1);
	cv::meanStdDev(src, mean, stddev, maskZero);
	cout << "mask 3~4行,3~4列为1的时候: 图形均值: " << mean << ", 均方差: " << stddev << endl;
	cout << "mean的形状: 行数: " << mean.rows << " 列数: " << mean.cols << endl;
	cout << "stddev的形状: 行数: " << mean.rows << " 列数: " << mean.cols << endl;
	return 0;
}

结果:

③ 统计非零像素的个数

函数原型:

int countNonZero( InputArray src );

功能:

统计单通道图像非0像素的个数

参数:

• src: 输入图像,只能是单通道的Mat图像矩阵.

#include"MyOpencv.h"

int main(void)
{
	Mat srcColor = Mat::zeros(Size(10, 10), CV_8UC3);
	Mat srcGray = Mat::zeros(Size(10, 10), CV_8UC1);

	int rows = srcColor.rows;
	int cols = srcColor.cols;
	int channels = srcColor.channels();
	// 三通道图像赋值
	for (int row = 0; row < rows; row++)
	{
		uchar *pCurrent = srcColor.ptr<uchar>(row);
		for (int col = 0; col < cols; col++)
		{
			if ((row + col) % 2 == 0)
			{
				// 如果行数和列数的和是偶数,就赋值为0
				*pCurrent++ = 0;
				*pCurrent++ = 0;
				*pCurrent++ = 0;
			}
			else
			{
				*pCurrent++ = 128;
				*pCurrent++ = 128;
				*pCurrent++ = 128;
			}
		}
	}

	// 单通道图像赋值
	for (int row = 0; row < rows; row++)
	{
		uchar *pCurrent = srcGray.ptr<uchar>(row);
		for (int col = 0; col < cols; col++)
		{
			if ((row + col) % 2 == 0)
			{
				*pCurrent++ = 0;
			}
			else
			{
				*pCurrent++ = 128;
			}
		}
		
	}


	// 然后统计非0的个数
	//int number = cv::countNonZero(srcColor); 这里会报错,所以三通道的,要先分离通道,然后再统计

	int number = cv::countNonZero(srcGray);
	cout << "srcGray = " << endl;
	cout << srcGray << endl;
	cout << "---------------------" << endl;
	cout << "非零个数: " << number << endl;

}

结果:

记录一下利用python读取像素值，并将像素值保存在txt文档中，可使用matlab将txt文档转换为像素矩阵。
代码如下：

#将mask图转换为像素值，并生成txt文档，以便于matlab读取
import os
from PIL import Image
filename = os.listdir('G:/1/2/3/4')
base_dir = ('G:/1/2/3/4/')
new_dir  = ('G:/1/2/3/4/')
for img in filename:
    txt_name = img.split('.')[0]
    new_txt_name = txt_name + '.txt'
    f2 = open(new_dir + new_txt_name,'w+')
    image=Image.open((base_dir + img))
    w1 = image.size[0]#行
    h1 = image.size[1]#列
    image_new=image.convert("P")
    for i in range(w1):
        for j in range(h1):
            xs = image_new.getpixel((i,j))
            print(xs,file=f2)

如果是读为RGB格式的，代码如下：

import os
from PIL import Image
filename = os.listdir('G:/1/2/3/4')
base_dir = ('G:/1/2/3/4/')
new_dir  = ('G:/1/2/3/4/')
for img in filename:
    txt_name = img.split('.')[0]
    new_txt_name = txt_name + '.txt'
    f2 = open(new_dir + new_txt_name,'w+')
    image=Image.open((base_dir + img))
    w1 = image.size[0]#行
    h1 = image.size[1]#列
	image_new = image.convert('RGB')
	for i in range(w1):
		for j in range(h1):
			xs = image_new.getpixel((i,j))
			print(xs,file=f2)

写在前面

做CV领域的小伙伴，想必都要跟图像像素的运算打交道，本文将介绍几种访问图像像素的方法，并用一个简单的例子进行演示。

先修知识

CV_8U is unsigned 8bit/pixel - ie a pixel can have values 0-255, this is the normal range for most image and video formats.

CV_32F is float - the pixel can have any value between 0-1.0, this is useful for some sets of calculations on data - but it has to be converted into 8bits to save or display by multiplying each pixel by 255.

CV_32S is a signed 32bit integer value for each pixel - again useful of you are doing integer maths on the pixels, but again needs converting into 8bits to save or display. This is trickier since you need to decide how to convert the much larger range of possible values (+/- 2billion!) into 0-255.

一般使用的灰度图像元素是8位的uchar型（注意不是无符号整型，而是无符号字符型。元素值0~255），自定义Mat矩阵时，推荐使用8位无符号字符型，即CV_8U、CV_8UC3¹。

一般的图像文件格式使用的是 Unsigned 8bits，CvMat矩阵对应的参数类型就是
CV_8UC1，CV_8UC2，CV_8UC3。
（最后的1、2、3表示通道数，譬如RGB3通道就用CV_8UC3）

而float 是32位的，对应CvMat数据结构参数就是：CV_32FC1，CV_32FC2，CV_32FC3…
double是64bits，对应CvMat数据结构参数：CV_64FC1，CV_64FC2，CV_64FC3等。

使用at()函数访问像素值

使用cv::Mat定义的图像是向量，可以使用at方法取值，使用调用方法image.at<cv::Vec3b>(i,j)，at方法方便，直接给i、j赋值就可以随意访问图像中任何一个像素，其中i表示第i行，j表示该行第j个像素。

但是at方法效率是这几种访问方法中最慢的一个，所以如果遍历图像或者访问像素比较多时，不建议使用这个方法，毕竟程序的效率还是比程序的可读性要重要的²。

使用Mat的成员函数ptr< >( )访问像素值

该方法使用到指针， cv::Mat中提供ptr函数访问任意一行像素的首地址，特别方便图像一行一行地横向访问。

ptr访问效率比较高，程序也比较安全，有越界判断。

案例演示

下面用一个例子来对这几种访问图像像素值的方法进行演示，本例子将演示图像的像素值置为全黑、置为全白以及灰度化处理，代码如下：

#include<opencv2/opencv.hpp>

int main() {
	cv::Mat image = cv::imread("./opencv_logo.png");
// 对三通道图像进行各个像素的访问
#if 0
	for (int i = 0; i < image.rows; i++) {
		for (int j = 0; j < image.cols; j++) {
			for (int n = 0; n < image.channels(); n++) {
				image.at<cv::Vec3b>(i, j)[n] = 155;
			}
		}
	}
	cv::imwrite("./logo_after.png", image);
#endif

#if 0
	// 对单通道图像进行各个像素的访问
	cv::Mat image_gray;
	cv::cvtColor(image, image_gray, cv::COLOR_BGR2GRAY);
	cv::imwrite("./logo_gray.png", image_gray);

	for (int i = 0; i < image_gray.rows; i++) {
		for (int j = 0; j < image_gray.cols; j++) {
			image_gray.at<uchar>(i, j) = 0;
		}
	}

	cv::imwrite("./logo_gray_after.png", image_gray);

#endif

#if 0
//通过指针访问来修改图像的像素值
	for (int i = 0; i < image.rows; i++) {
		uchar *data = image.ptr<uchar>(i);		//ptr函数访问任意一行像素的首地址，特别方便图像地一行一行的横向访问
		for (int j = 0; j < image.cols*image.channels(); j++) {    // //在循环体内，应该避免多次运算，应该提前算cols*channels
			data[j] = 255;
		}
	}

	cv::imwrite("./logo_ptr_white.png", image);
#endif

#if 1
	// 案例二，使用指针将彩色图转为灰度图
	cv::Mat grayImage = cv::Mat(image.rows, image.cols, CV_8U);     // 生成和原图image大小相同的空白灰度图像
	for (int i = 0; i < image.rows; i++) {
		// 指针，用来获取每一行的首地址
		cv::Vec3b *p = image.ptr<cv::Vec3b>(i);		// p 指向地址， *p指向内容
		uchar *p2 = grayImage.ptr<uchar>(i);
		for (int j = 0; j < image.cols; j++) {
			// 每次迭代获取图像列的地址
			cv::Vec3b &pix = *p++;                  // pix 指向内容， &pix 指向地址
			uchar &pix2 = *p2++;
			pix2 = pix[0] * 0.114 + pix[1] * 0.587 + pix[2] * 0.299;      // pix[0] 对应B通道，pix[1]对应G通道，pix[2]对应R通道  Gray = R*0.299 + G*0.587 + B*0.114
		}
	}
	cv::imwrite("./logo_ptr_gray.png", grayImage);

#endif
	return 0;
}

写到这里，差不多本文也就要结束了，如有错误，敬请指正。如果我的这篇文章帮助到了你，那我也会感到很高兴，一个人能走多远，在于与谁同行。

参考文章