創(chuàng)建 cv::Mat
OpenCV 中用數(shù)據(jù)格式 cv::Mat 存儲圖片。
有以下幾種生成 cv::Mat 的方式：
直接或間接指定圖片的行、列維度
cv::Mat myMat(240, 320, CV_8U, cv::Scalar(255)); // 240 行 × 320 列，每個元素的類型為 8 位無符號整型，單通道，元素初值為 255
// 也可以將 Scalar(255) 簡寫成 255，但是注意 Scalar(0) 不能直接寫成 0
cv::Mat myMat(240, 320, CV_8U, 255);
// 圖片大小也可以用 Size() 的格式送入
cv::Mat myMat(cv::Size(320 240), CV_8U, cv::Scalar(255)); // 以 (width, height) 的形式送入，Size(320, 240) 就是寬320，高 240，對應了 240 行，320 列。
// 也可以通過 size() 函數(shù)得到某個圖片的大小，然后構(gòu)造同樣大小的圖片
cv::Mat myMat(image1.size(), CV_8U, cv::Scalar(255));
OpenCV 有一套自己的數(shù)據(jù)類型名稱，與標準的 C++ 數(shù)據(jù)類型對應關(guān)系如下：
- CV_8U -> unsigned char (min = 0, max = 255)
- CV_8S -> char (min = -128, max = 127)
- CV_16U -> unsigned short (min = 0, max = 65535)
- CV_16S -> short (min = -32768, max = 32767)
- CV_32S -> int (min = -2147483648, max = 2147483647)
- CV_32F -> float
- CV_64F -> double
另外，在數(shù)據(jù)類型中可以添加通道數(shù)，例如 CV_8UC3 表示 3 通道的 8 位無符號整型。
用 create( ) 函數(shù)對原 Mat 重新賦值
image1.create(200, 200, CV_8U);
image1 = 255;
出于性能方面的考慮，如果新的尺寸和類型與原來相同，則不會重新分配內(nèi)存空間。
Mat 類型數(shù)據(jù)復制： copyTo( ) 和 clone( )
在復制 Mat 類型的數(shù)據(jù)時，要注意復制前后變量指向同一數(shù)據(jù)還是指向完全分離的數(shù)據(jù)。
cv::Mat image2(image1); // 方式 1
cv::Mat image3 = image1; // 方式 2
上述兩種方式復制得到變量 image2 和 image3 與 image1 指向相同的數(shù)據(jù)。這種形式的復制也被稱為淺復制 shallow copy，可以節(jié)省內(nèi)存空間，但這種數(shù)據(jù)關(guān)聯(lián)也可能導致意想不到的錯誤，修改其中一個，其他的也都會改變。例如，下邊這個 Test 類，其中的 method() 函數(shù)返回一個 Mat 數(shù)據(jù)類型變量 img，由于內(nèi)存共享的問題，如果一個對象修改了 img 數(shù)據(jù)，那么Test 類和它生成的所有對象也會被修改，這顯然違背了面向?qū)ο缶幊讨械姆庋b原則。因此，不建議在類中返回 Mat 類型變量。如果需要的話，可以用后邊的深復制函數(shù)返回變量的一個獨立的復制。
class Test{
cv::Mat img;
public:
Test(): img(240, 320, CV_8U, 100){ }
cv::Mat method() {return img;}
}
如果要得到完全分離的數(shù)據(jù)，應該用 copyTo() 或 clone() 這兩個深復制函數(shù)明確指出：
image1.copyTo(image2); // 方式 1
cv::Mat image2 = image1.clone(); // 方式 2
Mat 數(shù)據(jù)轉(zhuǎn)換： convertTo( )
image1.convertTo(image4,
CV_32F, // 數(shù)據(jù)類型轉(zhuǎn)化成浮點型
1/255.0, // 縮放因子
1.0); // 偏移量。最終結(jié)果就是 x/255.0 + 1.0
OpenCV 在顯示圖像的時候，可以接受整型的數(shù)據(jù)類型，取值范圍 0 ~ 255，也可以接受浮點型的數(shù)據(jù)類型，取值范圍 0.0 ~ 1.0. 因此當把整型數(shù)據(jù)轉(zhuǎn)成浮點型時，要考慮是否需要數(shù)據(jù)范圍的縮放。例如，下面左側(cè)原圖為 CV_8UC3 類型，用 convertTo() 函數(shù)轉(zhuǎn)換成浮點型 CV_32FC3，如果數(shù)值縮放因子設置為 1，即不縮放，那么轉(zhuǎn)化之后超過 1.0 的數(shù)據(jù)均被截斷，轉(zhuǎn)化后的圖像呈現(xiàn)很多白色區(qū)域，這顯然不是我們想要的效果。
如果 Mat 元素很少且已知，例如輸入相機的內(nèi)參矩陣，就可以在初始化時直接輸入
cv::Mat K = (cv::Mat_<double>(3,3) << 0, -1, 0, -1, 5, -1, 0, -1, 0);
讀入圖片
- 原樣讀取，不特別設定為灰度圖或者彩色圖像，把第二個參數(shù)設定為負數(shù)即可，例如:
cv::Mat image = cv::imread(“image.jpg”, -1);
- 讀取為灰度圖：
cv::Mat image = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
// 或者寫對應的編號
cv::Mat image = cv::imread("image.jpg", 0);
- 讀取為彩色圖：第二個參數(shù)設定為正數(shù)，或者設定為
cv::IMREAD_COLOR
第二個參數(shù)取值總結(jié)：
waitKey( ) 等待
一般與 imshow() 連用，效果是暫停處理，讓圖片顯示一段時間。如果不加 waitKey()，就不會顯示圖片。
cv::waitKey( int delay=0)
- delay <= 0，無限等待
- delay >0 ，等待 delay 時間，單位為 ms
如果在等待期間有按鍵輸入，則返回值為按鍵對應的編碼；如果等待期間沒有按鍵，則返回 -1.
整行、整列賦值
image.row(2).setTo(cv::Scalar(100));
image.col(2).setTo(cv::Scalar(100)); // 以上兩個命令針對灰度圖/單通道
image.col(2).setTo(cv::Scalar(0, 20, 34)); //彩色，OpenCV 中顏色通道默認順序為 B、G、R
// 把 src 矩陣的第 i 行 賦值給 dst 矩陣的第 j 行
src.row(i).copyTo(dst.row(j));
查找最小值、最大值及其位置
cv::minMaxLoc(src, double* minVal, double* maxVal=0,
Point* minLoc=0, Point* maxLoc=0,
InputArray mask=noArray())
- src：輸入的圖像。
- minVal：最小值，可輸入NULL表示不需要。
- maxVal ：最大值，可輸入NULL表示不需要。
- minLoc：最小值的位置，可輸入NULL表示不需要，Point類型。
- maxLoc：最大值的位置，可輸入NULL表示不需要，Point類型。
- mask：選定在哪些區(qū)域進行搜索。noArray() 表示沒有設置 mask
如果只需要得到最小值和最大值，而不需要位置：
double my_min, my_max;
cv::minMaxLoc(input, &my_min, &my_max); // 只需要送入變量地址即可
像素運算之后截斷
當涉及到像素值之間的加、減時，為了得到有意義的結(jié)果，一般要進行截斷操作。
比如取值在 0～255 的像素，當運算結(jié)果 > 255 時，取為 255；當結(jié)果 < 0 時，取 0.
result = cv::saturate_cast<uchar>(some expression)
實際上，很多 cv 的函數(shù)默認內(nèi)置了 saturate_cast 操作，比如下邊提到的 cv::add 和重載的 + 運算。
重載運算符
比較常用的重載有
- 加、減
- 函數(shù) min, max, abs
- 比較運算符 <, <=, ==, !=, >, >=，返回 8 位的二進制值。
- 矩陣運算：乘法、求逆 image.inv()、轉(zhuǎn)置 image.t()、行列式 image.determinant()、范數(shù) image.norm()、叉乘 v1.cross(v2)、點乘 v1.dot(v2)。 這些運算都不是 in place 的，即不改變原數(shù)據(jù)。
- 組合運算符，如 +=
opencv 中的隨機數(shù)
cv::RNG rng;
rng.uniform(0,255); // 生成范圍內(nèi)的隨機數(shù)
兩圖像疊加
cv::add(image1, image2, result)
//或者加權(quán)形式
cv::addWeighted(image1, weight1, image2, weight2, const, result)
OpenCV 中已經(jīng)重載了 + 運算符，因此可以直接這樣：
result = weight1 * image1 + weight2 * image2 + const
圖像通道拆分與合并
將三通道拆分出來，存到 vector 中
std::vector<cv::Mat> planes;
cv::split(image1, planes);
這里用的是 c++ 模板中的 vector 數(shù)據(jù)類型。如果通道數(shù)量事先已知，也可以用數(shù)組類型，效率更高一些。
cv::Mat planes[3];
cv::split(image1, planes);
合并回去
cv::Mat result;
cv::merge(planes, result);
閾值操作
cv::threshold(input, // 輸入的圖片
output, // 輸出的圖片
theshold, // 設定的閾值
255, // 超過閾值的像素值取為 255，其余為 0
cv::THRESH_BINARY_INV); // 但這里用了 INV 反向操作，小于等于閾值的取 255,其余為 0
圖像重映射
這里的重映射是指將原圖中的元素經(jīng)過某種位置變換，得到新圖。這里只是改變了元素的位置，沒有修改元素的值。
通過 cv::remap 函數(shù)實現(xiàn)。
首先定義重映射參數(shù)矩陣
cv::Mat srcX(image.rows, image.cols, CV_32F);
cv::Mat srcY(image.rows, image.cols, CV_32F);
目標圖像在 處的像素來自原圖的下列位置
(srcX.at<float>(i,j), srcY.at<float>(i,j))
然后在這兩個參數(shù)矩陣中定義具體的位置映射關(guān)系
for (int i=0; i<image.rows; i++){
for (int j=0; j<image.cols; j++){
srcX.at<float>(i,j) = j; // 來自原圖的 j 列
srcY.at<float>(i,j) = i+5*sin(j/10.0); // 來自原圖的 i+5*sin(j/10) 行，即正弦扭曲
}
}
最后調(diào)用 cv::remap 函數(shù)
cv::remap(image, result, srcX, srcY, cv::INTER_LINEAR);
反色
對于灰度圖，直接用 255 減去就可以了！
cv::Mat result1_inv = 255 - result1;
獲取圖像元素的常用方法
- 用
cv::Mat類中的at()方法：
image.at<uchar>(i,j);
image.at<cv::Vec3b>(i,j)[0]
上邊尖括號中的數(shù)據(jù)類型就是灰度圖和彩圖中常用的數(shù)據(jù)類型：uchar 和 cv::Vec3b。
在使用 at() 時有一個需要注意的問題：
at() 函數(shù)有多個重載的形式，例如既有 at(int row, int col)，也有 at(Point2f()) 。Point2f 格式對應的是 (x,y) 坐標，x 軸向右，y 軸向下，與 (row, col) 正好顛倒。因此在調(diào)用時一定要注意參數(shù)是 (row, col) 形式還是 Point2f(x,y) 坐標形式。
- 每次用 at 必須指明元素的數(shù)據(jù)類型，比較麻煩?？梢杂昧硪环N方式：
cv::Mat_<uchar> img(image);
img(50, 10)=200;
即在定義變量時就已經(jīng)指明了元素類型，后邊直接取用就可以了。
數(shù)據(jù)類型的編號
cv::Mat test = cv::Mat::zeros(3,3,CV_64F);
test.type(); // 返回 6
用 .type() 函數(shù)即可返回 Mat 的數(shù)據(jù)類型，但是返回的是一個整數(shù)，需要查看下表確定到底是什么類型：
| C1 | C2 | C3 | C4 | |
|---|---|---|---|---|
| CV_8U | 0 | 8 | 16 | 24 |
| CV_8S | 1 | 9 | 17 | 25 |
| CV_16U | 2 | 10 | 18 | 26 |
| CV_16S | 3 | 11 | 19 | 27 |
| CV_32S | 4 | 12 | 20 | 28 |
| CV_32F | 5 | 13 | 21 | 29 |
| CV_64F | 6 | 14 | 22 | 30 |
列代表通道數(shù)目，例如灰度圖就是 C1, jpg 彩圖就是 BGR C3，PNG 彩圖除了 BGR 還有一個透明度通道，所以是 C4。
在用.at<> 獲取 Mat 中的數(shù)據(jù)時，需要指明元素的數(shù)據(jù)類型，比如灰度圖是 uchar 而不是 CV_8U，查看下表：
| C1 | C2 | C3 | C4 | C6 | |
|---|---|---|---|---|---|
| uchar | uchar |
cv::Vec2b |
cv::Vec3b |
cv::Vec4b |
|
| short | short |
cv::Vec2s |
cv::Vec3s |
cv::Vec4s |
|
| int | int |
cv::Vec2i |
cv::Vec3i |
cv::Vec4i |
|
| float | float |
cv::Vec2f |
cv::Vec3f |
cv::Vec4f |
cv::Vec6f |
| double | double |
cv::Vec2d |
cv::Vec3d |
cv::Vec4d |
cv::Vec6d |
這里的 cv::Vec3b 中 b 是 byte 的意思，表示占用一個字節(jié)。
顏色空間的轉(zhuǎn)換
用 cv::cvtColor 轉(zhuǎn)換前后，圖像的數(shù)據(jù)類型是相同的。
- 彩圖到灰度：
if (image.channels()==3){
cv::cvtColor(image, result, cv::COLOR_BGR2GRAY);
// 老版本的 opencv 用這個 flag
// cv::cvtColor(color, gray, CV_BGR2Gray)
}
- 灰度到彩圖：
cv::cvtColor(image, result, cv::COLOR_Gray2BGR) // 三個通道數(shù)值相同
cv::cvtColor( )函數(shù)可以實現(xiàn)很多顏色空間的轉(zhuǎn)換，除了 BGR、灰度圖，還有 HSV， HLS，Lab, Luv, YCrCb 等。
感知均勻的色彩空間
原始的 BGR 顏色表示方法有個缺陷：在顏色空間中的差距并不能很好的反映人視覺感知的差距。
兩種在空間中距離很遠的顏色可能肉眼看起來很接近；而有些在空間距離很近的顏色，看起來差別卻很大。因此，BGR 不是感知均勻的色彩空間。
下邊是兩種感知均勻的色彩空間：
- CIE L * a * b *
L 通道：表示亮度，取值 0～100。在使用 8 位圖像時，取值 0～255
a 通道和 b 通道：表示色度部分，與亮度完全無關(guān)，取值 -127～127，對于 8 位圖，取值 0~255.cv::cvtColor(image, converted, cv::COLOR_BGR2Lab) - CIE L * u * v *
對亮度通道采用相同的轉(zhuǎn)換公式，但對色度通道使用不同的方法。cv::cvtColor(image, converted, cv::COLOR_BGR2Luv)
色調(diào)、飽和度、亮度空間
人類在描述顏色時，經(jīng)常說色調(diào)、飽和度、亮度等詞語，下邊的兩種色彩空間就是這樣設計的：
-
HSV
H： 色調(diào) hue
S： 飽和度 saturation
V： 明度 valuecv::cvtColor(image, hsv, cv::COLOR_BGR2HSV)可以把三通道分割開：
std::vector<cv::Mat> channels; cv::split(hsv, channels); // channels[0] 表示色調(diào) 0～180 // channels[1] 表示飽和度 0～255 // channels[2] 表示亮度 0～255 HLS
H： 色調(diào) hue
L： 亮度 lightness
S： 飽和度 saturation
HSV 和 HLS 有時也統(tǒng)稱為 HSB ，最后的 B 表示 brightness 亮度。
可以用圓錐體直觀地表示 HSB 色彩空間：
- 角度表示色調(diào) H，本來應該用 0～360 表示色調(diào)，但是為了適應 8 位圖，采用了 0～180，0 度對應紅色。
- 距中軸線的距離表示飽和度 S
- 高度表示亮度 B
如果要進行圖片的 HSB 分析，尤其是涉及到色調(diào)（第一個分量）的時候，由于飽和度（第二個分量）低的區(qū)域色調(diào)信息不準確，因此往往先對飽和度做一些過濾，只分析那些飽和度比較高的區(qū)域的色調(diào)。
區(qū)域圖像提取
cv::Mat imageROI = image(cv::Rect(216, 33, 24, 30)); // 從原始圖片 image 中提取了一個小方塊
// 或者
cv::Mat imageROI(image2, cv::Rect(0,0,image2.cols,image2.rows/2));
隨后就可以把提取出來的 imageROI 當成普通圖片處理了。
添加幾何圖形和文字
外加圖形和文字的顏色維度取決于原始圖像的維度。
若原始為灰度圖，則設定外加顏色時，即使寫出三維像素值 cv::Scalar(255, 0, 128) 也只看第一維的數(shù)值；
若原始為彩圖，則設定外加顏色時，只寫 0 或者 255 表示只設定了第一個顏色通道的值，例如 255 相當于 cv::Scalar(255, 0, 0)
-
線段
cv::line(image, cv::Point(5, 5), cv::Point(210, 200), // 線段的兩個端點 cv::Scalar(255), // 顏色 1); // 粗細 -
矩形方框
cv::Rect rect(110, 45, 35, 45); // 設定一個方框，左上角坐標+寬+長 cv::rectangle(image, rect, cv::Scalar(0,0,255)); // 在 image 圖像上添加 rect 方框，紅色 //或者直接把矩形放在內(nèi)部定義 cv::rectangle(image, cv::Rect(110, 45, 35, 45), 0); // 或者以兩對點集來表示，分別為左上角坐標和右下角坐標 cv::rectangle(image, cv::Point(5,5), // 左上角坐標 cv::Point(210, 200), // 右下角坐標 cv::Scalar(255), // 顏色 3); // 線條粗細 -
圓
cv::circle(image, // 原始圖像 cv::Point(155, 110), // 圓心, 以 cv::Point(x,y) 表示圖像中的坐標 65, // 半徑，必須為 int 類型 0, // 顏色 3); // 線條寬度，若為負數(shù)，則畫實心圓 -
加重心
假設圖像中物體輪廓已經(jīng)找到了，要依據(jù)輪廓添加物體的重心位置。
一般計算重心的時候，首先要計算圖像的矩 (moment)，再基于各階矩計算出重心：itc = contours.begin(); // 已經(jīng)有了若干輪廓線 while (itc != contours.end()){ cv::Moments mom = cv::moments(cv::Mat(*itc++)); // 求每條輪廓的各階矩 cv::circle(result, cv::Point(mom.m10/mom.m00, mom.m01/mom.m00), // 通過這種方式計算重心 2, cv::Scalar(0), 2 ); }原理：
對于二元連續(xù)函數(shù)，它的
階矩為
對于離散的圖片
，對應的
因此，圖片
-
橢圓
可以通過外包矩形的方式畫出橢圓std::vector<cv::Point> points; cv::RotatedRect rr = cv::minAreaRect(points); // 由點集得到最小矩形外包，可以傾斜 cv::ellipse(image, rr, 255, 2);也可以直接指定橢圓的形狀參數(shù)
cv::ellipse(image, cv::Point(WINDOW_WIDTH / 2, WINDOW_WIDTH / 2), // 橢圓中心點 cv::Size(WINDOW_WIDTH / 4, WINDOW_WIDTH / 16), // 兩個軸的長度 angle, // 橢圓傾斜的角度 0, 360, // 橢圓包圍的起始和終止角度 Scalar(255, 129, 0), thickness); -
多邊形
std::vector<cv::Point> poly; // 存放多邊形的頂點坐標 cv::polylines(image, poly, true, // 是否閉合，若閉合，則最后一個點將于第一個點相連 0, // 顏色 2); // 寬度 -
加文字
cv::putText(image, "This is a dog.", cv::Point(40, 200), // 文本位置，文本的左下角對應的坐標 cv::FONT_HERSHEY_PLAIN, // 字體類型 2.0, // 字體大小 255, // 字體顏色，這里相當于 cv::Scalar(255, 0, 0) 2); // 字體粗細
直線擬合
由點集擬合出一條直線。一般的擬合目標是使所有點到直線的距離之和最小。
在計算距離的函數(shù)中，歐幾里得距離計算的最快，對應參數(shù) cv::DIST_L2，實際上也就是基于最小二乘算法的擬合。
std::vector<cv::Point> points; // 假設我們已經(jīng)獲取了節(jié)點集合
cv::Vec4f line; // 待擬合的直線
cv::fitLine(points, // 點集
line, // 擬合出的直線
cv::DIST_L2, // 采用的距離類型
0, // L2 距離不需要這個
0.01,
0.01); // 擬合出的直線參數(shù)精度
直線是 cv::Vec4f 的格式，包含四個數(shù)，前兩個數(shù)表示單位向量方向，后兩個數(shù)表示直線上的一個坐標。
也可以在三維空間中擬合直線，只需要將點集和直線的數(shù)據(jù)類型相應地修改一下：
std::vector<cv::Point3i> points;
// 或者
std::vector<cv::Point3f> points;
cv::Vec6f line;
改變圖片大小 resize
cv::resize(image,
result,
cv::Size(), // 指定改變之后的大小
4, 4, // 指定 x,y 方向（即 width, height）縮放比例。本行與上一行至少要設定一個
cv::INTER_NEAREST); // 插值方式
圖片大小改變后，像素值要重新計算，有以下插值方法：
- INTER_NEAREST - 最鄰近插值，對于放大圖像的情況，就是簡單的把每個像素的尺寸放大。
-
INTER_LINEAR - 雙線性插值，如果最后一個參數(shù)不指定，默認使用這種方法。
所謂雙線性，就是先在插入點的兩側(cè)線性插入新像素值，再以此為基礎，再次線性的插入像素值。整個過程中用到 2x2 = 4 個原始像素。
interpolation1.png - INTER_CUBIC - 4x4像素鄰域內(nèi)的雙立方插值
- INTER_LANCZOS4 - 8x8像素鄰域內(nèi)的Lanczos插值
以上插值算法計算復雜度依次增加，效果也是依次提升的。
掃描圖像元素的方法
- 用
.at函數(shù)// 減色運算操作 for(int j=0; j<nl; j++){ // nl 為行數(shù) for(int i=0; i<nc; i++){ // nc 為列數(shù) image.at<cv::Vec3b>(j,i)[0] = image.at<cv::Vec3b>(j,i)[0]/div * div + div/2; image.at<cv::Vec3b>(j,i)[1] = image.at<cv::Vec3b>(j,i)[0]/div * div + div/2; image.at<cv::Vec3b>(j,i)[2] = image.at<cv::Vec3b>(j,i)[0]/div * div + div/2; } } - 用指針
如果要按順序依次獲取圖像像素信息，盡量不要用上述 image.at 方法，而要用指針，指針在移動掃描操作時效率更高。int nc = image.cols * image.channels(); for (int j=0; j<nl; j++){ uchar *data = image.ptr<uchar>(j); // 每行首元素對應的地址 for (int i=0; i<nc; i++){ data[i] = data[i]/div*div + div/2; } }
另外，少層循環(huán) + 每個循環(huán)中較多操作 好于 多層循環(huán) + 每個循環(huán)中較少操作。
例如要對一個像素執(zhí)行 N 個不同的操作，就應該在單個循環(huán)中執(zhí)行全部操作，而不是寫 N 個循環(huán)，每個循環(huán)執(zhí)行一個操作。
- 用迭代器 (iterator)
cv::Mat_<cv::Vec3b>::iterator it = image.begin<cv::Vec3b>(); cv::Mat_<cv::Vec3b>::iterator itend = image.end<cv::Vec3b>(); for (;it!= itend;++it){ (*it)[0] = ... (*it)[1] = ... (*it)[2] = ... } //或者用 while 循環(huán) while (it!=itend){ ... ++it; }
減色算法
默認 BGR 三色都是采用 8 位二進制數(shù)，即有 0～255 種選擇，三通道互相搭配總共的顏色數(shù)目為 256 * 256 * 256。 為了降低分析的復雜度，可以先對原圖做減色處理，將每個通道顏色的數(shù)量降低為原來的 1/n，例如 n=8，則新的圖片總共的顏色數(shù)目只有 32 * 32 * 32 。
算法步驟：
- 假設 N 為減色因子，將圖像中每個像素的值除以 N，去掉余數(shù)部分
- 將上述結(jié)果乘以 N，得到原始像素值相對于 N 的倍數(shù)（相當于向下取整）
- 再加上 N/2，這樣相對于原始像素值的誤差就從 -N ~ 0 變成了 -N/2 ~ N/2 ，近似效果更好
- 減色之后共有 (256/N) * (256/N) * (256/N) 種顏色。
銳化圖像
目的是放大圖像邊緣，使圖像看起來更加尖銳
對于每個像素，令本身像素值乘以5，然后減去周圍的 4 個像素值，即
這種操作實際上就是一種卷積
用上述 kernel matrix 依次掃過圖像，即完成了上述的銳化操作。
cv::Mat 數(shù)據(jù)類型作為參數(shù)傳遞
cv::Mat 數(shù)據(jù)結(jié)構(gòu)包括數(shù)據(jù)頭部和數(shù)據(jù)塊：
- 數(shù)據(jù)頭部包含了屬性信息，例如數(shù)據(jù)的大小、行列、通道數(shù)、元素類型等，可以通過
.cols,.rows,channels()等方式獲取數(shù)據(jù)頭部包含的信息； - 數(shù)據(jù)塊存儲了所有的像素信息，數(shù)據(jù)頭部中包含了
.data指針，可以訪問數(shù)據(jù)塊。
cv::Mat 數(shù)據(jù)結(jié)構(gòu)的一個關(guān)鍵特點時，當復制一個 cv::Mat 數(shù)據(jù)時，僅復制了數(shù)據(jù)頭部，因此復制前后的變量都指向同一個數(shù)據(jù)塊（除非特別指明數(shù)據(jù)頭部和數(shù)據(jù)塊全都復制）。前述內(nèi)容中提到，copyTo(), clone() 函數(shù)才會復制得到全新的函數(shù)，而用賦值操作僅僅復制了數(shù)據(jù)頭部，數(shù)據(jù)塊仍然是共享的。
當向函數(shù)中傳遞 cv::Mat 類型數(shù)據(jù)時，比較常見的參數(shù)傳遞形式包括 cv::Mat, const cv::Mat, const cv::Mat &, cv::Mat &.
-
func(cv::Mat input)僅僅復制了 input 對應實參變量的數(shù)據(jù)頭部，對 input 的操作會改變實參變量。但是如果對 input 重新賦值，例如input = cv::Mat::ones(...)，此時對 input 的操作不會影響到外部的實參，因為新的 input 不再指向?qū)崊⒆兞康臄?shù)據(jù)塊。 -
func(const cv::Mat input)也是僅僅復制了 input 對應實參的數(shù)據(jù)頭部，只不過由于 const 的限制，不能在函數(shù)內(nèi)部修改該數(shù)據(jù)頭部。 -
func(const cv::Mat &input)以引用的形式傳遞了實參變量的數(shù)據(jù)頭部，同樣由于 const 的限制，不能修改該頭部。 -
func(cv::Mat &)以引用的形式傳遞了實參變量的數(shù)據(jù)頭部，并且可以修改該頭部。
注意：上述參數(shù)傳遞方式僅僅對數(shù)據(jù)頭部做了限制，而不限制頭部指向的數(shù)據(jù)塊，因此情況 2 和 3 中，即使由于 const 限制不能修改頭部，仍然可以修改頭部指向的數(shù)據(jù)塊: input.data[0] = 5
