我們在實際應用中對圖像進行的操作，往往並不是將圖像作為一個整體進行操作，而是對圖像中的所有點或特殊點進行運算，所以遍歷圖像就顯得很重要，如何高效的遍歷圖像是一個很值得探討的問題。
Mat類提供了一個at的方法用於取得圖像上的點，它是一個模板函數，可以取到任何類型的圖像上的點。下面我們通過一個圖像處理中的實際來說明它的用法。
在實際應用中，我們很多時候需要對圖像降色彩，因為256*256*256實在太多了，在圖像顏色聚類或彩色直方圖時，我們需要用一些代表性的顏色代替豐富的色彩空間，我們的思路是將每個通道的256種顏色用64種代替，即將原來256種顏色劃分64個顏色段，每個顏色段取中間的顏色值作為代表色。
1 2 3 4 5 6 7 8 9 10 11 12void colorReduce(Mat& image,int div)
{
for(int i=0;i<image.rows;i++)
{
for(int j=0;j<image.cols;j++)
{
image.at<Vec3b>(i,j)[0]=image.at<Vec3b>(i,j)[0]/div*div+div/2;
image.at<Vec3b>(i,j)[1]=image.at<Vec3b>(i,j)[1]/div*div+div/2;
image.at<Vec3b>(i,j)[2]=image.at<Vec3b>(i,j)[2]/div*div+div/2;
}
}
}
通過上面的例子我們可以看出，at方法取圖像中的點的用法：
image.at<uchar>(i,j)：取出灰度圖像中i行j列的點。
image.at<Vec3b>(i,j)[k]：取出彩色圖像中i行j列第k通道的顏色點。其中uchar,Vec3b都是圖像像素值的類型，不要對Vec3b這種類型感覺害怕，其實在core裡它是通過typedef Vec<T,N>來定義的，N代表元素的個數，T代表類型。
更簡單一些的方法：OpenCV定義了一個Mat的模板子類為Mat_，它重載了operator()讓我們可以更方便的取圖像上的點。
Mat_<uchar> im=image;
im(i,j)=im(i,j)/div*div+div/2;
上面的例程中可以看到，我們實際喜歡把原圖傳進函數內，但是在函數內我們對原圖像進行了修改，而將原圖作為一個結果輸出，很多時候我們需要保留原圖，這樣我們需要一個原圖的副本。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18void colorReduce(const Mat& image,Mat& outImage,int div)
{
// 創建與原圖像等尺寸的圖像
outImage.create(image.size(),image.type());
int nr=image.rows;
// 將3通道轉換為1通道
int nl=image.cols*image.channels();
for(int k=0;k<nr;k++)
{
// 每一行圖像的指針
const uchar* inData=image.ptr<uchar>(k);
uchar* outData=outImage.ptr<uchar>(k);
for(int i=0;i<nl;i++)
{
outData[i]=inData[i]/div*div+div/2;
}
}
}
從上面的例子中可以看出，取出圖像中第i行數據的指針：image.ptr<uchar>(i)。
值得說明的是：程序中將三通道的數據轉換為1通道，在建立在每一行數據元素之間在內存裡是連續存儲的，每個像素三通道像素按順序存儲。也就是一幅圖像數據最開始的三個值，是最左上角的那像素的三個通道的值。
但是這種用法不能用在行與行之間，因為圖像在OpenCV裡的存儲機制問題，行與行之間可能有空白單元。這些空白單元對圖像來說是沒有意思的，只是為了在某些架構上能夠更有效率，比如intel MMX可以更有效的處理那種個數是4或8倍數的行。但是我們可以申明一個連續的空間來存儲圖像，這個話題引入下面最為高效的遍歷圖像的機制。
上面已經提到過了，一般來說圖像行與行之間往往存儲是不連續的，但是有些圖像可以是連續的，Mat提供了一個檢測圖像是否連續的函數isContinuous()。當圖像連通時，我們就可以把圖像完全展開，看成是一行。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20void colorReduce(const Mat& image,Mat& outImage,int div)
{
int nr=image.rows;
int nc=image.cols;
outImage.create(image.size(),image.type());
if(image.isContinuous()&&outImage.isContinuous())
{
nr=1;
nc=nc*image.rows*image.channels();
}
for(int i=0;i<nr;i++)
{
const uchar* inData=image.ptr<uchar>(i);
uchar* outData=outImage.ptr<uchar>(i);
for(int j=0;j<nc;j++)
{
*outData++=*inData++/div*div+div/2;
}
}
}
用指針除了用上面的方法外，還可以用指針來索引固定位置的像素：
image.step返回圖像一行像素元素的個數（包括空白元素），image.elemSize()返回一個圖像像素的大小。
&image.at<uchar>(i,j)=image.data+i*image.step+j*image.elemSize();
下面的方法可以讓我們來為圖像中的像素聲明一個迭代器：
MatIterator_<Vec3b> it;
Mat_<Vec3b>::iterator it;
如果迭代器指向一個const圖像，則可以用下面的聲明：
MatConstIterator<Vec3b> it; 或者
Mat_<Vec3b>::const_iterator it;
下面我們用迭代器來簡化上面的colorReduce程序：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
void colorReduce(const Mat& image,Mat& outImage,int div)
{
outImage.create(image.size(),image.type());
MatConstIterator_<Vec3b> it_in=image.begin<Vec3b>();
MatConstIterator_<Vec3b> itend_in=image.end<Vec3b>();
MatIterator_<Vec3b> it_out=outImage.begin<Vec3b>();
MatIterator_<Vec3b> itend_out=outImage.end<Vec3b>();
while(it_in!=itend_in)
{
(*it_out)[0]=(*it_in)[0]/div*div+div/2;
(*it_out)[1]=(*it_in)[1]/div*div+div/2;
(*it_out)[2]=(*it_in)[2]/div*div+div/2;
it_in++;
it_out++;
}
}
如果你想從第二行開始，則可以從image.begin<Vec3b>()+image.rows開始。
上面4種方法中，第3種方法的效率最高！
很多時候，我們對圖像處理時，要考慮它的鄰域，比如3*3是我們常用的，這在圖像濾波、去噪中最為常見，下面我們介紹如果在一次圖像遍歷過程中進行鄰域的運算。
下面我們進行一個簡單的濾波操作，濾波算子為[0 –1 0;-1 5 –1;0 –1 0]。
它可以讓圖像變得尖銳，而邊緣更加突出。核心公式即：sharp(i.j)=5*image(i,j)-image(i-1,j)-image(i+1,j
)-image(i,j-1)-image(i,j+1)。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23void ImgFilter2d(const Mat &image,Mat& result)
{
result.create(image.size(),image.type());
int nr=image.rows;
int nc=image.cols*image.channels();
for(int i=1;i<nr-1;i++)
{
const uchar* up_line=image.ptr<uchar>(i-1);//指向上一行
const uchar* mid_line=image.ptr<uchar>(i);//當前行
const uchar* down_line=image.ptr<uchar>(i+1);//下一行
uchar* cur_line=result.ptr<uchar>(i);
for(int j=1;j<nc-1;j++)
{
cur_line[j]=saturate_cast<uchar>(5*mid_line[j]-mid_line[j-1]-mid_line[j+1]-
up_line[j]-down_line[j]);
}
}
// 把圖像邊緣像素設置為0
result.row(0).setTo(Scalar(0));
result.row(result.rows-1).setTo(Scalar(0));
result.col(0).setTo(Scalar(0));
result.col(result.cols-1).setTo(Scalar(0));
}
上面的程序有以下幾點需要說明：
1，staturate_cast<typename>是一個類型轉換函數，程序裡是為了確保運算結果還在uchar范圍內。
2，row和col方法返回圖像中的某些行或列，返回值是一個Mat。
3，setTo方法將Mat對像中的點設置為一個值，Scalar(n)為一個灰度值，Scalar(a,b,c)為一個彩色值。
Mat類把很多算數操作符都進行了重載，讓它們來符合矩陣的一些運算，如果+、-、點乘等。
下面我們來看看用位操作和基本算術運算來完成本文中的colorReduce程序，它更簡單，更高效。
將256種灰度階降到64位其實是拋棄了二進制最後面的4位，所以我們可以用位操作來做這一步處理。
首先我們計算2^8降到2^n中的n：int n=static_cast<int>(log(static_cast<double>(div))/log(2.0));
然後可以得到mask，mask=0xFF<<n;
用下面簡直的語句就可以得到我們想要的結果：
result=(image&Scalar(mask,mask,mask))+Scalar(div/2,div/2,div/2);
很多時候我們需要對圖像的一個通信單獨進行操作，比如在HSV色彩模式下，我們就經常把3個通道分開考慮。
1 2 3 4 5 6vector<Mat> planes;
// 將image分為三個通道圖像存儲在planes中
split(image,planes);
planes[0]+=image2;
// 將planes中三幅圖像合為一個三通道圖像
merge(planes,result);
