概述

在本专栏的第一篇文章中就介绍了一个用OpenCV处理图片的实例（《图片处理基础》），这篇文章进一步详细介绍OpenCV中处理图片的一些操作。
我这里使用的都是C++20的初始化语法，之前版本的C++可以参考下面这节中不同版本C++语法的对比。

图片的导入和保存

从图片文件中导入图片数据：

Mat img = imread(filename);
Mat imgCpp20 { imread(filename) };	//C++20的初始化语法

如果导入的是jpg格式的图片，那么默认是3通道的图像数据。如果想要以灰度（只有黑白两色）格式导入，可以这样导入：

Mat img = imread(filename, IMREAD_GRAYSCALE);
Mat imgCpp20 { imread(filename, IMREAD_GRAYSCALE) };	//C++20的初始化语法

要将数据保存到图片：

imwrite(filename, img);

对导入的图片的操作

获取像素值

要获取像素的值，必须要知道图片的类型以及颜色通道数量。

关于图片数据的类型，可以参考该合集中的《基本图像容器——Mat》

如果要获取一个单通道灰度图片（即，8UC1类型）中(x, y)坐标上的像素的值，可以使用下面这条语句：

Scalar intensity { img.at<uchar>(y, x) };

**注意这里坐标的表示是(y, x)。**因为在OpenCV中图片都是用矩阵来表示的，而矩阵一般是通过(row, col)的先行后列的模式来定位的，为了统一，OpenCV中坐标的表示也是纵坐标在前、横坐标在后。
在C++中，还可以使用Point来换回传统的坐标表示：

Scalar intensity { img.at<uchar>(Point(x, y) };

如果是3通道的BGR格式的图片，要获取某个像素上每个通道的颜色值，可以使用以下方法：

Vec3b intensity { img.at<Vec3b>(y, x) };
uchar blue { intensity.val[0] };
uchar green { intensity.val[1] };
uchar red { intensity.val[2] };

可以看到，储存单通道的像素值，使用的是Scalar类型；而储存3通道的像素值，使用的是Vec3b类型；3通道中单个通道的颜色值则是uchar类型。
获取像素值的方法也可以用来修改像素值：

img.at<uchar>(y, x) = 128;

Point类型和图片像素

在C++中，用2D或3D的Point类型的数组也可以创建Mat对象，这种Mat矩阵只有1列，每一行对应一个Point对象；而且矩阵的数据类型应该是32FC2或者32FC3，相应的Point对象的类型也应该是Point2f或者Point3f。示例如下：

vector<Point2f> points;
// ... 填充该数组
Mat pointsMat { Mat(points) };

这种矩阵可以从中获取Point对象：

Point2f point { pointsMat.at<Point2f>(i, 0) };

内存管理和引用计数

如该合集的《基本图像容器——Mat》中详细描述的那样，Mat对象只储存指向矩阵数据的指针以及描述矩阵数据的一些信息，所以若干个Mat对象共享同一个矩阵数据是被允许的。下面结合一个比较复杂的例子来讨论这个问题：

vector<Point3f> points;
// ... 填充数组
Mat pointsMat { Mat(points).reshape(1) };	//reshape函数重新设置Mat对象的通道数

上面的例子中pointsMat最终还是一个N3的矩阵，并不是N1的矩阵。因为reshape函数不复制数据，它修改的只是Mat对象中对矩阵的描述。所以矩阵还是原来的N*3的矩阵，只不过在Mat(points)中创建的临时Mat对象将它描述成3通道的矩阵，而pointsMat将其描述成单通道的矩阵。
要想真正的复制数据，则需要用到cv::Mat::copyTo或者cv::Mat::clone函数：

Mat img { imread("image.jpg");
Mat img1 { img.clone() };

**空Mat对象也可以作为函数的输出参数，用来储存计算结果。**这是因为OpenCV中的函数都会调用Mat::create方法来修改输出矩阵。如果输出矩阵是空的，那就为它分配所需要的内存；如果输出矩阵不是空的，而且大小和类型都刚好，那就不会进行任何更改；如果大小和类型不符合需求，就会先释放原有的内存然后重新分配新的内存。示例如下：

Mat img{ imread("image.jpg");
Mat sobelx;
Mat kernel = (Mat_<char>(3, 3) << 0, -1, 0,
								-1, 5, -1,
								0, -1, 0);
filter2D(img, sobelx, img.depth(), kernel);	//掩码操作函数，第二个形参为输出的矩阵

一些简便操作

将灰度图片变成黑色图片：

img = Scalar(0); 	//img为储存灰度图片数据的Mat对象

运行结果如下：

选择兴趣区(ROI)：

Rect r(10, 10, 100, 100);
Mat smallImg { img(r) };

定义在<opencv2/imgproc.hpp>模块中的cvtColor函数可以将BGR格式的图片转换成灰度图片：

Mat Img { imread("image.jpg") };
Mat gray;
cvtColor(img, gray, COLOR_BGR2GRAY);

将图片从8UC1格式转换成32FC1格式：

src.convertTo(dst, CV_32F);	//src为原矩阵，dst为转换后的矩阵

图片可视化

在开发过程中能及时看到算法处理的结果是很有帮助的。OpenCV提供了一个简便的图片可视化方法。例如，一个8U格式的图片可以这样展示：

Mat img { imread("image.jpg") };
namedWindow("image", WINDOW_AUTOSIZE);	//可以不用，因为下面的imshow也会自动创建窗口
imshow("image", img);
waitKey();

waitKey();函数开启一个信息传输循环，等待在图片展示窗口上的按键操作，一旦有检测到按键就会停止循环，执行下面的语句。
其他格式的图片需要转换成8U格式的，才能在窗口展示，这就涉及到了类型转换

更精确的类型转换

在该合集的《矩阵上的掩码(mask)操作》中有提到过类型转换的问题。saturate_cast可以采取截断的方法避免信息的丢失，但它只是保证数据落在值域之内，没有进行对应的缩放。下面是一个更精确的类型转换的例子：

Mat img { imread("image.jpg") };
Mat gray;
cvtColor(img, grey, COLOR_BGR2GRAY);
Mat sobelx;
Sobel(grey, sobelx, CV_32F, 1, 0);	//得到一个32F格式的sobelx对象
double minVal, maxVal;
minMaxLoc(sobelx, &minVal, &maxVal); //找到sobelx中的最小值和最大值
Mat draw;
sobelx.convertTo(draw, CV_8U, 255.0/(maxVal - minVal), -minVal * 255.0/(maxVal - minVal));	//转换语句
namedWindow("image", WINDOW_AUTOSIZE);
imshow("image", draw);
waitKey();

上例中的convertTo语句的最后两个参数是用来将原来的32F格式的值转换成8U格式的。
convertTo的4个参数分别是：

• 目标矩阵$m$，储存转换结果
• 目标格式$rtype$，转换后的格式
• $\alpha$值
• $\beta$值
  $\alpha$和$\beta$值，则会用来进行以下运算：
  $$m(x,y)=saturate\_cast<rtype>(\alpha (\ast this)(x,y)+\beta );$$
  可以看出，$\alpha$实际上是一个缩放系数，所以上例将255.0/(maxVal - minVal)作为$\alpha$。因为255是8U格式的最大值和最小值之间的差，将它除以原始矩阵中的最大值与最小值之间的差，相当于是两个值域的比值。另一方面，β则是缩放后进行偏移量。上例将-minVal * 255.0/(maxVal - minVal)作为偏移量，代表所有的原始值在缩放之后都要向最小值偏移一定的距离。