? cv::imread()设置reduce模式，?读取缩放的低分辨率小图，或者直接读取灰度图，可以做到自适应，先用EXIF信息读取图像的分辨率，当分辨率大于一定阈值，则设置读取模式为：IMREAD_REDUCED_COLOR_2或者IMREAD_REDUCED_COLOR_4 ，避免内存过大以及编程resieze耗时

? ? 使用lut的方法法，远快于每个像素都计算的方法

? ? openCV像素遍历常用的是三种方法：ptr指针，迭代器（iterator）以及动态地址at。

? ? 实现方式：?https://blog.csdn.net/keith_bb/article/details/53071133

? ? 使用Mat的ptr指针进行图像遍历更加高效，

特别的：一般图像行与行之间往往存储是不连续的，但是有些图像可以是连续的，Mat提供了一个检测图像是否连续的函数isContinuous()。当图像连通时，我们就可以把图像完全展开，看成是一行进行处理。

动态地址at不适合用于像素遍历，速度太慢了，比较适合随机访问的方式

? ? 高性能：OpenCL的相关用法：UMat

? ? 在OpenCV3中，OCL module已经被舍弃。而是使用更易上手的Transparent API来替代 OCL module。因此只需要使用 UMat来替换Mat，而其余的代码保持不变，即可实现加速.

? ? Mat转换成UMat可以使用Mat::copyTo(OutputArray dst)，也可以使用Mat::getUMat(int access_flags)

image size:[2000,3008]
CPU:18.039ms
GPU:9.623ms?

? ? 说明：图像越大，计算越复杂时，使用OpenCL加速的效果更明显，如果使用分辨率小图，其GPU的计算速度未必比CPU的快！！?

? ?参考资料：?https://blog.csdn.net/amusi1994/article/details/79529870

《OpenCV3.x中UMat对象介绍与使用》https://blog.csdn.net/jia20003/article/details/69802932

举个例子：并行化for语句

第一句中[]的部分是可选的，由自己的程序并行特点而定。大家先不要把精力放到这里面。后面的文章中会继续讲解的。

编写规则
1、index的值必须是整数，一个简单的for形式：for(int i = start; i < end; i++){…} 。

2、start和end可以是任意的数值表达式，但是它在并行化的执行过程中值不能改变，也就是说在for并行化执行之前，编译器必须事先知道你的程序执行多少次，因为编译器要把这些计算分配到不同的线程中执行。

3、循环语句只能是单入口但出口的。这里只要你避免使用跳转语句就行了。具体说就是不能使用goto、break、return。但是可以使用continue，因为它并不会减少循环次数。另外exit语句也是可以用的，因为它的能力太大，他一来，程序就结束了。

openMP参考资料:

https://www.cnblogs.com/ospider/p/5265975.html?

《openMP编程探索1——编程基础》：https://blog.csdn.net/bendanban/article/details/6302857?

《openMP编程探索2——循环并行化》:https://blog.csdn.net/bendanban/article/details/6303100

? 积分图定义为：积分图中坐P(x,y)的值为其左上角的所有像素之和

如上图所示，为了求该矩形区域的灰度之和。我们可以用以下公式表示：?
$S=S(A)+S(D)-S(B)-S(C)$
需要注意的是，这里的总和并不包含点A,B,C的像素值。如上图所示的小像素点，A,B,C所在的像素点不在矩形区域以内。

另外，有的时候不一定只是像素灰度值和，只要符合积分图这一种计算思想的，均可以用积分图来简化计算。?
如果是求矩形区域的像素点平方和，也可以用。

? ? 由于vector的内存占用空间只增不减，比如你首先分配了10,000个字节，然后erase掉后面9,999个，留下一个有效元素，但是内存占用仍为10,000个。所有内存空间是在vector析构时候才能被系统回收。empty()用来检测容器是否为空的，clear()可以清空所有元素。但是即使clear()，vector所占用的内存空间依然如故，无法保证内存的回收。

? ? 如果需要空间动态缩小，可以考虑使用deque。如果是vector类型，可以考虑用swap()来帮助你释放内存。具体方法如下：
标准模板：

?swap()是交换函数，使vector离开其自身的作用域，从而强制释放vector所占的内存空间，总而言之，释放vector内存最简单的方法是vector<Point>().swap(pointVec)。当时如果pointVec是一个类的成员，不能把vector<Point>().swap(pointVec)写进类的析构函数中，否则会导致double free or corruption (fasttop)的错误，原因可能是重复释放内存。(前面的pointVec.swap(vector<Point> ())用G++编译没有通过)
?如果vector中存放的是指针，那么当vector销毁时，这些指针指向的对象不会被销毁，那么内存就不会被释放。如下面这种情况，vector中的元素时由new操作动态申请出来的对象指针：

? ? 每次new之后调用v.push_back()该指针，在程序退出或者根据需要，用以下代码进行内存的释放：

? ?多用LUT可以大大降低处理时间：比如下面是实现图像Gamma矫正的函数，其中使用了LUT，这比使用for循环遍历每个像素值，快很多，特别是图片很大的时候：

? ? ? ?利用Mat来存储数据，避免使用数组等操作

? ? ? ?将数组内容传递给Mat，示例代码：

? ? ? ?将Mat中的内容传递给数组，如果Mat中的数据是连续的，那么对于传递到一维vector我们可以这样：

? ? ? ?同样的，传递到一维数组我们可以这样

? ? ? ? 对于二维vector的传值，我们可以这样处理

? ? ? OpenCV图像遍历最高效的方法是指针遍历方法。因为图像在OpenCV里的存储机制问题，行与行之间可能有空白单元（一般是补够4的倍数或8的倍数，有些地方也称作“位对齐”，目前我用到的FreeImage和c#中的bitmap中的存储机制也是这样的）。这些空白单元对图像来说是没有意思的，只是为了在某些架构上能够更有效率，比如intel MMX可以更有效的处理那种个数是4或8倍数的行。Mat提供了一个检测图像是否连续的函数isContinuous()。当图像连通时，我们就可以把图像完全展开，看成是一行。因此最高效的遍历方法如下：

? ? ?PS：一般经过裁剪的Mat图像，都不再连续了，如cv::Mat crop_img = src(rect);crop_img 是不连续的Mat图像，如果想转为连续的，最简单的方法，就是将不连续的crop_img?重新clone()一份给新的Mat就是连续的了。关于Mat连续存储的问题，可见：http://blog.csdn.net/guyuealian/article/details/78614662

1、加减法比乘除法快，因此应避免使用乘除法

2、不能避免乘除法时，考虑使用“移位运算”

3、像素查表法LUT，远快于每个像素都计算的方法

4、使用常量，会比使用变量快：如:
? ?PS：特别是在for循环中，能用常量表示的，就不要用变量表示，所以“多使用宏定义define，准没错”

?实例代码：第四种的fast_ergodic4遍历方法是最快的

? ? ?OpenCV的cv::Rect提供了很多实用的方法，可参考：http://blog.csdn.net/da_yuan8421/article/details/60959419：

? ? ?在对图像进行处理时，经常需要截取图像中的某一区域进行处理，如果截取的区域越界时，就容易导致图像崩溃。

? ?利用两个Rect的交集，我们可以很轻松的避免图像裁剪区域越界的情况，如下：

? ? 上例子，原图src的大小=200*200，需要裁剪为rect=[-10,-10,10000,20000]，为了避免裁剪Rect越界，需要特殊的保护，最简单的方法就是，加入这句话：rect &= Rect(0, 0, src.cols, src.rows)，这个交集的Rect肯定是不会越界。

? ?read.xml文本内容：

OpenCV读写方法：

? ? ?保存Vector数据的方法

若不未知结点名称，可以直接遍历文件的结点，访问元素，如：

? ? ? ?注意Mat矩阵可以进行加减乘除的基本运算，但一个int型的常数和一个Scalar类型的常数进行运算是有区别的，以“+”为例子（也可以用cv::add()代替）

? ? ?Mat 是OpenCV和C++的接口矩阵类，ImlImage是OpenCV和C语言的接口的结构体，但是C++程序有时候时候还是要用到ImlImage，例如在MFC中的Picture Control显示图片。Mat和IplImage相互转换方法：

? ? ? ?https://blog.csdn.net/lijiayu2015/article/details/52438160

? ? ? ?http://lib.csdn.net/article/opencv/24030

float:4字节，6-7位有效数字 -3.4E-38 到 3.4E38
double: 8字节，15~16位有效数字 -1.7E-308 到 1.7E308

在OpenCV里面，许多数据结构为了达到內存使用的最优化，通常都会用它最小上限的空间来分配变量，有的数据结构也会因为图像文件格式的关系而给予适当的变量，因此需要知道它们声明的空间大小来配置适当的变量。一般标准的图片，为RGB格式它们的大小为8bits格式，范围为0~255,对一个int空间的类型来说实在是太小，整整浪费了24bits的空间,假设有个640*480的BMP文件空间存储內存,那整整浪费了640*480*3*(32-8)bits的內存空间,总共浪费了2.6MB!，也就是那 2.6MB内什么东西都没存储，如果今天以8bits的格式来存储则只使用到0.6MB的內存而已(640*480*3*(8)+54 bits)，因此，对于文件格式的对应是一件很重要的事。
在这边除了要考虑bits的空间大小外，还要考虑使用类型的正负号的问题，一般的图像文件是不存在负号的，如果今天即使选则正确的空间大小，可是出现的结果却是负的，那就功亏一篑了。这里除了Float及double类型，char，int,short int都是用二的补数表示法,它们不具正负号bit,而Float,double则是用IEEE 754,在第32bit,64bit上有一个正负号bit.

cvCreateImage()及cvCreateMat()对应

1.Unsigned 8bits(一般的图像文件格式使用的大小)
IplImage数据结构参数：IPL_DEPTH_8U
CvMat数据结构参数：CV_8UC1，CV_8UC2，CV_8UC3，CV_8UC4

变量类型	空间大小	范围	其他
uchar	8bits	0~255	(OpenCV缺省变量,同等unsigned char)
unsigned char	8bits	0~255	?

2.Signed 8bits
IplImage数据结构参数：IPL_DEPTH_8S
CvMat数据结构参数：CV_8SC1，CV_8SC2，CV_8SC3，CV_8SC4

?

变量类型	空间大小	范围	其他
char	8bits	-128~127	?

3.Unsigned 16bits
IplImage数据结构参数：IPL_DEPTH_16U
CvMat数据结构参数：CV_16UC1，CV_16UC2，CV_16UC3，CV_16UC4
?

变量类型	空间大小	范围	其他
ushort	16bits	0~65535	(OpenCV缺省变量,同等unsigned short int)
unsigned short int	16bits	0~65535	(unsigned short)

4.Signed 16bits
IplImage数据结构参数：IPL_DEPTH_16S
CvMat数据结构参数：CV_16SC1，CV_16SC2，CV_16SC3，CV_16SC4
?

变量类型	空间大小	范围	其他
short int	16bits	-32768~32767	(short)

5.Signed 32bits
IplImage数据结构参数：IPL_DEPTH_32S
CvMat数据结构参数：CV_32SC1，CV_32SC2，CV_32SC3，CV_32SC4
?

变量类型	空间大小	范围	其他
int	32bits	-2147483648~2147483647	(long)

6.Float 32bits

IplImage数据结构参数：IPL_DEPTH_32F
CvMat数据结构参数：CV_32FC1，CV_32FC2，CV_32FC3，CV_32FC4
?

变量类型	空间大小	范围	其他
float	32bits	1.1810-38~3.401038	?

7.Double 64bits

CvMat数据结构参数：CV_64FC1，CV_64FC2，CV_64FC3，CV_64FC4
?

变量类型	空间大小	范围	其他
double	64bits	2.2310-308~1.7910308	?

8.Unsigned 1bit

IplImage数据结构参数：IPL_DEPTH_1U

变量类型	空间大小	范围	其他
bool	1bit	0~1	?

其他变量对应

1.Signed 64bits

int64

long long

2.Unsigned 64 bits

uint64

unsigned long long

https://blog.csdn.net/mandagod/article/details/78605586

? ? ?通常我们用RGB表示一种彩色。计算机系统里的LCD显示的数据就是RGB来表示每个像素的颜色。
而在我们生活里，有黑白电视机与彩色电视机两种，拍摄节目源时不可以用两种不同的摄像机来存放两种图像数据。
所以为了兼容两种电视机，专家就引入YUV格式代替RGB，其中Y表示亮度， U和V表示色差。黑白电视机只用Y信号，而彩色电视机可由YUV转换成RGB再显示颜色。

? ? ?通常我们所用的YUV格式是 ITU-R 的标准 , 也叫YCbCr。YUV是由RGB格式的数据转换得来。

YUV4:4:4?
? ? ?其实就是YUV的数据各占用8位，每个像素都由YUV组成

YUV4:2:2
? ? ?其实绝大部分相邻的两个像素，数据差异应不大。所以为了节点空间便于存储，丢失每个像素的部分数据。
? ? ?专家研究表明我们人对亮度比较敏感，而对色彩不怎么敏感。所以每个像素的亮度Y数据是绝对不动的，而色差数据可以进行丢弃。

YUV4:2:0
? ? ?专家们进一步研究表示，每一行的相邻两个像素与下一行同位置的两个像素数据差异不大，可以进一步的丢数据。

?

?

? ? ?yuv数据还分成打包的，平面的。
? ? ?打包的意思是： yuv数据是顺序存放Y，接着U，再接着V数据存放。
? ? ?平面的意思是： yuv数据是分成三个地方存放，一个地方只存Y数据，一个只存U数据，一个只存V数据

上一篇：XLA：优化机器学习编译器

下一篇：百度在万象大会宣布开启内测“AI伙伴” 将支持多轮对话、实时搜索

[返回列表]