OpenCV：Mat元素访问方法、性能、代码复杂度以及安全性分析
扫描二维码
随时随地手机看文章
欢迎转载，尊重原创，所以转载请注明出处：
http://blog.csdn.net/bendanban/article/details/30527785
本文讲述了OpenCV中几种访问矩阵元素的方法，在指定平台上给出性能比较，分析每种矩阵元素访问方法的代码复杂度，易用性。
本文假设你已经正确配置了OpenCV的环境，为方便大家实验，在文中也给出了编译源程序的Makefile，其内容如代码段1所示。
采用如代码段2所示的计时函数，这段代码你可以在我之前的博文中找到，abtic() 可以返回微秒（10^-6秒）级，而且兼容Windows和Linux系统。
本文使用彩色图像做实验，所以矩阵是2维的3通道的。
CC = g++
CPPFLAGS = -O3 `pkg-config --cflags opencv`
CPPLIB = `pkg-config --libs opencv`
OBJS = test.o
main.exe : $(OBJS)
$(CC) $(CPPFLAGS) $^ -o $@ $(CPPLIB)
test.o: test.cpp
$(CC) -c $(CPPFLAGS) $^ -o $@
clean:
rm -rf *.out main.exe *.o
run:
./main.exe#if defined(_WIN32) && defined(_MSC_VER)
#include
double abtic() {
__int64 freq;
__int64 clock;
QueryPerformanceFrequency( (LARGE_INTEGER *)&freq );
QueryPerformanceCounter( (LARGE_INTEGER *)&clock );
return (double)clock/freq*1000*1000;
}
#else
#include
#include
double abtic() {
double result = 0.0;
struct timeval tv;
gettimeofday( &tv, NULL );
result = tv.tv_sec*1000*1000 + tv.tv_usec;
return result;
}
#endif /* _WIN32 */ 文中用于测试的算法：将矩阵中每个元素乘以一个标量，写入一个新的矩阵，每个通道操作独立。
如果用im(r,c,k)表示矩阵im的第r行、第c列、第k个通道的值的话，算法为：om(r,c,k) = im(r,c,k)*scale;其中scale是一个大于0、小于1的浮点数。
Mat的成员函数at()是一个模板函数，我们这里用的是二维矩阵，所以我们使用的at()函数的声明如代码段3所示（取自OpenCV的源文件）。
template _Tp& at(int i0, int i1);
代码段4是本文第二部分描述的算法的实现，矩阵元素使用at<>()函数来索引。
Vec3b pix;
for (int r = 0; r < im.rows; r++)
{
for (int c = 0; c < im.cols; c++)
{
pix = im.at(r,c);
pix = pix*scale;
om.at(r,c) = pix;
}
}
注意：使用at函数时，应该知道矩阵元素的类型和通道数，根据矩阵元素类型和通道数来确定at函数传递的类型，代码段4中使用的是Vec3b这个元素类型，他是一个包含3个unsigned char类型向量。之所以采用这个类型来接受at的返回值，是因为，我们的矩阵im是3通道，类型为unsigned char类型的。
此函数也是模板函数，我们将会用到的ptr函数声明如代码段5所示。此函数返回指定的数据行的首地址。
template _Tp* ptr(int i0=0); 使用ptr<>()成员函数完成本文第二部分所述算法的代码如代码段6所示。
Vec3b *ppix_im(NULL);
Vec3b *ppix_om(NULL);
for (int r = 0; r < im.rows; r++)
{
ppix_im = im.ptr(r);
ppix_om = om.ptr(r);
for (int c = 0; c < im.cols; c++)
{
ppix_om[c] = ppix_im[c]*scale;
}
}
这里使用的迭代器是OpenCV自己定义的。使用迭代器完成第二部分所述算法的代码如代码段7所示。
MatIterator_ it_im, itEnd_im;
MatIterator_ it_om;
it_im = im.begin();
itEnd_im = im.end();
it_om = om.begin();
for (; it_im != itEnd_im; it_im++, it_om++)
{
*it_om = (*it_im)*scale;
}
Mat_这个类的元素访问比较容易一点，把原Mat类的对象可以直接赋值给Mat_对象，当然赋值操作并不会开辟新的数据空间，这点大家放心。也就是说使用Mat_时，不会在内存拷贝上花时间。使用这种方法完成第二部分所述算法的代码如代码段8所示。
Mat_ im_, om_;
im_ = im;
om_ = om;
for (int r = 0; r < im.rows; r++)
{
for (int c = 0; c < im.cols; c++)
{
om_(r,c) = im_(r,c) * scale;
}
}
我们的算法实际上OpenCV中已经有实现。就是×运算符重载，代码如代码段9所示。
om = im*scale;为了测试方便，将前面的方法统一写到一个c++源文件test.cpp中，其内容如代码段10所示。
/*************************************************************************
> File Name: test.cpp
> Author: aban
> Mail: sawpara@126.com
> Created Time: 2014年06月13日 星期五 18时47分19秒
************************************************************************/
#include
#include
using namespace cv;
using namespace std;
#if defined(_WIN32) && defined(_MSC_VER)
#include
double abtic() {
__int64 freq;
__int64 clock;
QueryPerformanceFrequency( (LARGE_INTEGER *)&freq );
QueryPerformanceCounter( (LARGE_INTEGER *)&clock );
return (double)clock/freq*1000*1000;
}
#else
#include
#include
double abtic() {
double result = 0.0;
struct timeval tv;
gettimeofday( &tv, NULL );
result = tv.tv_sec*1000*1000 + tv.tv_usec;
return result;
}
#endif /* _WIN32 */
#define ISSHOW 0
int main(int argc, char** argv)
{
double tRecorder(0.0);
Mat im = imread("./bigim.tif");
Mat om;
om.create(im.rows, im.cols, CV_8UC3);
#if ISSHOW
imshow("orignal Image", im);
waitKey();
#endif
float scale = 150.0f/255.0f;
// 1. using at()
tRecorder = abtic();
Vec3b pix;
for (int r = 0; r < im.rows; r++)
{
for (int c = 0; c < im.cols; c++)
{
pix = im.at(r,c);
pix = pix*scale;
om.at(r,c) = pix;
}
}
cout << (abtic() - tRecorder) << " using at<>()" << endl;
#if ISSHOW
imshow("Scaled Image: using at<>()", om);
waitKey();
#endif
// 2. using ptr
tRecorder = abtic();
Vec3b *ppix_im(NULL);
Vec3b *ppix_om(NULL);
for (int r = 0; r < im.rows; r++)
{
ppix_im = im.ptr(r);
ppix_om = om.ptr(r);
for (int c = 0; c < im.cols; c++)
{
ppix_om[c] = ppix_im[c]*scale;
}
}
cout << (abtic() - tRecorder) << " using ptr<>() " << endl;
#if ISSHOW
imshow("Scaled Image: using ptr<>()", om);
waitKey();
#endif
// 3. using iterator
tRecorder = abtic();
MatIterator_ it_im, itEnd_im;
MatIterator_ it_om;
it_im = im.begin();
itEnd_im = im.end();
it_om = om.begin();
for (; it_im != itEnd_im; it_im++, it_om++)
{
*it_om = (*it_im)*scale;
}
cout << (abtic() - tRecorder) << " using iterator " << endl;
#if ISSHOW
imshow("Scaled Image: using iterator", om);
waitKey();
#endif
// 4. using Mat_
tRecorder = abtic();
Mat_ im_, om_;
im_ = im;
om_ = om;
for (int r = 0; r < im.rows; r++)
{
for (int c = 0; c < im.cols; c++)
{
om_(r,c) = im_(r,c) * scale;
}
}
cout << (abtic() - tRecorder) << " using Mat_ " << endl;
#if ISSHOW
imshow("Scaled Image: using Mat_", om);
waitKey();
#endif
// 5. using *
tRecorder = abtic();
om = im*scale;
cout << (abtic() - tRecorder) << " using * " << endl;
#if ISSHOW
imshow("Scaled Image: using *", om);
waitKey();
#endif
return 0;
} 如果你想使用第一部分提到的Makefile，你需要将代码段10保存成test.cpp，或者保存成你希望的某个名字，但是同时应该修改Makfile中的所有“test.cpp”。
在正确执行之前，将代码段10中的第40行代码改成你的图片名称。
CPU：Intel(R) Pentium(R) CPU G840 @ 2.80GHz
G++：4.8.2
OpenCV : 2.4.9
编译选项使用-O3时，其中一次执行结果：
489570 using at<>()
467315 using ptr<>()
468603 using iterator
469041 using Mat_
621367 using * 编译选项使用-O0 -g时，其中一次执行结果：
2.48216e+06 using at<>()
2.15397e+06 using ptr<>()
3.80784e+06 using iterator
2.38941e+06 using Mat_
621099 using * 从上面的结果可以看出，使用×时，在两种模式下，计算速度差不多，这实际是由于我们的程序调用的OpenCV的库函数，而这个库函数调用的是同一个。
如果你的产品要求执行速度，从-O3条件下的输出结果可以看出，ptr这种方式速度稍微快一点。但是他们的差别并不大，所以应该再考虑代码的复杂度。
代码复杂度用代码量（代码行数、列数）、使用变量的个数、使用变量个类型掌握难度（比如指针可能难一点）等因素来度量。
最小的就是使用×了（最后一个方法）。虽然他的复杂度较小，实际只有一行代码，但是对于实际的应用，你要想调用OpenCV已经实现的功能，首先要确定OpenCV里已经实现了这个功能。
其次，我认为复杂度较小的是方法一，因为它实际上可以不借用pix变量，完成前述算法，使用变量数较少，代码量也不多。
Mat_和ptr这两种方式的复杂度差不多，如果使用指针是一种稍微难一点的方式的话，那么Mat_的复杂度可以认为稍微小一点。
一般认为迭代器是C++里面比较高级的特性，也是学习C++最靠后的技术，再加上它使用了指针，如果指针算是比较难掌握的技术的话，使用迭代器这种方式复杂度可以说是最复杂的了。
有些情况下，需要考虑安全性，比如防止越界访问，如果你不想考虑过多边界的问题，使用迭代器也许是一种不错的选择！
选择哪种元素访问方式，应该根据自己的实际应用环境，具体分析作出决定。主要考虑三个因素：性能、代码复杂度、安全性，根据自己的程序类型，选择。
下载文档
