本文目錄

1. 像素讀寫

2. 圖像通道與均值方差計(jì)算

3. 算術(shù)操作與調(diào)整圖像的亮度和對(duì)比度

4. 基于權(quán)重的圖像疊加

5. Mat的其他各種像素操作

1. 像素讀寫

• Mat作為圖像容器泻仙，其數(shù)據(jù)部分存儲(chǔ)了圖像的像素?cái)?shù)據(jù)，我們可以通過相關(guān)的API來獲取圖像數(shù)據(jù)部分量没；
• 在獲取圖像數(shù)據(jù)的時(shí)候玉转，知道Mat的類型與通道數(shù)目關(guān)重要，
  根據(jù)Mat的類型與通道數(shù)目允蜈，開辟適當(dāng)大小的內(nèi)存空間冤吨，
  然后通過get方法就可以循環(huán)實(shí)現(xiàn)每個(gè)像素點(diǎn)值的讀取蒿柳、修改，
  然后再通過put方法修改與Mat對(duì)應(yīng)的數(shù)據(jù)部分漩蟆。

常見的Mat的像素讀寫get與put方法支持如下表：

• 默認(rèn)情況下垒探，imread方式將Mat對(duì)象類型加載為CV_8UC3，
  本系列筆記跟隨原著默認(rèn)提到的加載圖像文件均為Mat對(duì)象怠李、類型均為CV_8UC3圾叼、通道順序均為BGR。
• 上表中所列舉的是當(dāng)前OpenCV支持的讀取圖像的方法捺癞；
  使用時(shí)若需要將像素值寫入到Mat對(duì)象中夷蚊，使用與每個(gè)get方法相對(duì)應(yīng)的put方法即可。
• 根據(jù)開辟的緩存區(qū)域data數(shù)組的大小髓介，
  讀寫像素既可以每次從Mat中讀取一個(gè)像素點(diǎn)數(shù)據(jù)惕鼓，
  或者可以每次從Mat中讀取一行像素?cái)?shù)據(jù)，
  還可以一次從Mat中讀取全部像素?cái)?shù)據(jù)唐础。

下面演示對(duì)Mat對(duì)象中的每個(gè)像素點(diǎn)的值都進(jìn)行取反操作箱歧，并且分別用這三種方法實(shí)現(xiàn)像素操作。

• 首先要將圖像加載為Mat對(duì)象一膨，
  然后獲取圖像的寬呀邢、高以及通道數(shù)channels（特別注意這三個(gè)值，接下來一直用到豹绪，尤其channels）：

Mat src = Imgcodecs.imread(fileUri.getPath());
if(src.empty()){
　　return;
}
int channels = src.channels();
int width = src.cols();
int height = src.rows();

接下來便可以通過方才所述三種方式讀取像素?cái)?shù)據(jù)价淌、修改、寫入并比較它們的執(zhí)行時(shí)間瞒津。

1.1.從Mat中每次讀取一個(gè)像素點(diǎn)數(shù)據(jù)

對(duì)于CV_8UC3的Mat類型來說蝉衣，對(duì)應(yīng)的數(shù)據(jù)類型是byte；
則先初始化byte數(shù)組data仲智，用來存取每次讀取出來的一個(gè)像素點(diǎn)的所有通道值买乃，
數(shù)組的長度取決于圖像通道數(shù)目。

完整代碼如下：

byte[] data = new byte[channels];
int b=0, g=0, r=0;
for(int row=0; row<height; row++) {
　　for(int col=0; col<width; col++) {
　　　　　　// 讀取
　　　　　　src.get(row, col, data);//!!!!!!!!!!!!!!!!!!!!!!!讀取一個(gè)px
　　　　　　b = data[0]&0xff;
　　　　　　g = data[1]&0xff;
　　　　　　r = data[2]&0xff;
　　　　　　// 修改
　　　　　　b = 255 - b;
　　　　　　g = 255 - g;
　　　　　　r = 255 - r;
　　　　　　// 寫入
　　　　　　data[0] = (byte)b;
　　　　　　data[1] = (byte)g;
　　　　　　data[2] = (byte)r;
　　　　　　src.put(row, col, data);
　　}
}

補(bǔ)充詮釋：

• 一個(gè)px有多個(gè)通道钓辆；
• 一個(gè)通道配給它一個(gè)數(shù)組元素剪验；
• 1.2中逐行讀取時(shí)的一個(gè)列（某行中的某個(gè)列其實(shí)就是一個(gè)數(shù)組元素而已）不是px，
  而只是某個(gè)px的一個(gè)channel而已前联；
• 1.3 同理
• 即1.2 以及1.3 中功戚，data的一個(gè)元素，不是px似嗤，而只是某個(gè)px的一個(gè)channel而已啸臀；

1.2 從Mat中每次讀取一行像素?cái)?shù)據(jù)

首先需要定義每一行像素?cái)?shù)據(jù)數(shù)組的長度，這里為圖像寬度乘以每個(gè)像素的通道數(shù)目。
接著循環(huán)修改每一行的數(shù)據(jù)乘粒；
這里get方法的第二個(gè)參數(shù) col = 0的意思是從每一行的第一列開始獲取像素?cái)?shù)據(jù)豌注。

完整代碼如下：

       // each row data
        byte[] data = new byte[channels*width];//channels 是一個(gè)px的通道數(shù)；width是一個(gè)行的px的個(gè)數(shù)灯萍；
        // loop
        int b=0, g=0, r=0;
        int pv = 0;
        for(int row=0; row<height; row++) {
            src.get(row, 0, data);
            /*get一整行的px數(shù)據(jù)轧铁，存進(jìn)data；形象地說旦棉，是以 位置是（row齿风， 0）的第一個(gè)px的第一個(gè)channel為起始元素，獲取一個(gè)data長度的數(shù)據(jù)绑洛；
            數(shù)據(jù)一個(gè)元素（channel）一個(gè)元素（channel）地存進(jìn)數(shù)組data救斑， 每個(gè)元素是某個(gè)px的一個(gè)channel；*/
            for(int col=0; col<data.length; col++) {//行中循環(huán)列真屯，處理內(nèi)容：修改一整行的數(shù)據(jù)
                // 讀取
                pv = data[col]&0xff;
                // 修改
                pv = 255 - pv;
                data[col] = (byte)pv;
            }
            // 至此脸候，data蓄滿一行修改好的px（channel）數(shù)據(jù)
            // 寫入
            src.put(row, 0, data);
        }

關(guān)于代碼的補(bǔ)充詮釋：

• byte[] data = new byte[channels*width];中：
  channels 是一個(gè)px的通道數(shù)；
  width是一個(gè)行的px的個(gè)數(shù)绑蔫；
• for(int row=0; row<height; row++)：外層 for 循環(huán)行纪他；
• src.get(row, 0, data);get一整行的px數(shù)據(jù)，存進(jìn)data晾匠；
  形象地說，
  是以 位置是（row梯刚， 0）即第一個(gè)px的第一個(gè)channel為起始元素凉馆，
  獲取一個(gè)data長度的數(shù)據(jù)；
  數(shù)據(jù)一個(gè)元素（channel）一個(gè)元素（channel）地存進(jìn)數(shù)組data亡资，
  每個(gè)元素是某個(gè)px的一個(gè)channel澜共；
• for(int col=0; col<data.length; col++)次層 for ，
  行中循環(huán)列锥腻，處理內(nèi)容：修改一整行的數(shù)據(jù)嗦董；
• 次層for執(zhí)行完畢，data蓄滿一行修改好的px（channel）數(shù)據(jù)瘦黑；
• src.put(row, 0, data)：數(shù)組對(duì)象引用賦給行首京革，交付整行數(shù)據(jù)；
  形象地說幸斥，
  是以 位置是（row匹摇， 0）的第一個(gè)px的第一個(gè)channel為起始元素，
  提交一個(gè)data長度的數(shù)據(jù)甲葬，即一整行廊勃；

1.3 從Mat中一次讀取全部像素?cái)?shù)據(jù)

• 首先定義數(shù)組長度，這里為圖像寬度×圖像高度×通道數(shù)目经窖，
  然后一次性獲取全部像素?cái)?shù)據(jù)坡垫，
  即get的前面兩個(gè)參數(shù)row=0梭灿、col=0，表示從第一個(gè)像素的第一個(gè)channel開始讀取冰悠。

完整代碼如下：

// all pixels
int pv = 0;
byte[] data = new byte[channels*width*height];
src.get(0, 0, data);
for(int i=0; i<data.length; i++) {
　　pv = data[i]&0xff;
　　pv = 255-pv;
　　data[i] = (byte)pv;
}
src.put(0, 0, data);

關(guān)于代碼的補(bǔ)充詮釋（參考1.2的補(bǔ)充堡妒，不難理解）：

• src.get(0, 0, data);get全部的px數(shù)據(jù)，存進(jìn)data屿脐；
  形象地說涕蚤，
  是以 位置是（0， 0）即第一個(gè)px的第一個(gè)channel為起始元素的诵，
  獲取一個(gè)data長度的數(shù)據(jù)万栅；
  數(shù)據(jù)一個(gè)元素（channel）一個(gè)元素（channel）地存進(jìn)數(shù)組data，
  每個(gè)元素是某個(gè)px的一個(gè)channel西疤；
• src.put(0, 0, data)：數(shù)組對(duì)象引用賦給行首烦粒，交付全部數(shù)據(jù)；
  形象地說代赁，
  是以 位置是（0扰她， 0）的第一個(gè)px的第一個(gè)channel為起始元素，
  提交一個(gè)data長度的數(shù)據(jù)芭碍，即全部px的全部channel徒役；

上述三種方法：

• 第一種方法因?yàn)轭l繁訪問JNI調(diào)用（*！＝押尽忧勿！* |get()）而效率低下，但是內(nèi)存（*Ｕ胺怼Ｔ！* |局部變量data的長度）需求最兴儆隆晌砾；
• 第二種方法每次讀取一行，相比第一種方法速度有所提高烦磁，但是內(nèi)存使用增加养匈；
• 第三種方法一次讀取Mat中的全部像素?cái)?shù)據(jù)，在內(nèi)存中循環(huán)修改速度最快都伪，通過JNI調(diào)用OpenCV底層C++方法次數(shù)最少乖寒，因而效率也是最高的，但是對(duì)于高分辨率圖像院溺，這種方式顯然內(nèi)存消耗過多楣嘁，容易導(dǎo)致OOM問題。

所以Android開發(fā)者在使用OpenCV的時(shí)候，
需要注意應(yīng)根據(jù)項(xiàng)目需求逐虚，
選擇第二種或者第三種方法實(shí)現(xiàn)像素讀寫聋溜，
第一種方法只適用于隨機(jī)少量像素讀寫的場合。
三種方法在實(shí)例項(xiàng)目中調(diào)試時(shí)：

    public void readAndWritePixels() {
        Mat src = Imgcodecs.imread(fileUri.getPath());
        if(src.empty()){
            return;
        }
        int channels = src.channels();
        int width = src.cols();
        int height = src.rows();

////        // each row data
//        byte[] data = new byte[channels*width];//channels 是一個(gè)px的通道數(shù)叭爱；width是一個(gè)行的px的個(gè)數(shù)撮躁；
//        // loop
//        int b=0, g=0, r=0;
//        int pv = 0;
//        for(int row=0; row<height; row++) {
//            src.get(row, 0, data);
//            /*get一整行的px數(shù)據(jù)，存進(jìn)data买雾；形象地說把曼，是以 位置是（row， 0）的第一個(gè)px的第一個(gè)channel為起始元素漓穿，獲取一個(gè)data長度的數(shù)據(jù)嗤军；
//            數(shù)據(jù)一個(gè)元素（channel）一個(gè)元素（channel）地存進(jìn)數(shù)組data， 每個(gè)元素是某個(gè)px的一個(gè)channel晃危；*/
//            for(int col=0; col<data.length; col++) {//行中循環(huán)列叙赚，處理內(nèi)容：修改一整行的數(shù)據(jù)
//                // 讀取
//                pv = data[col]&0xff;
//                // 修改
//                pv = 255 - pv;
//                data[col] = (byte)pv;
//            }
//            // 至此，data蓄滿一行修改好的px（channel）數(shù)據(jù)
//            // 寫入
//            src.put(row, 0, data);
//        }

        // all pixels
        int pv = 0;
        byte[] data = new byte[channels*width*height];
        src.get(0, 0, data);
        for(int i=0; i<data.length; i++) {
            pv = data[i]&0xff;
            pv = 255-pv;
            data[i] = (byte)pv;
        }
        src.put(0, 0, data);

        Bitmap bm = Bitmap.createBitmap(src.cols(), src.rows(), Bitmap.Config.ARGB_8888);
        Mat dst = new Mat();
        Imgproc.cvtColor(src, dst, Imgproc.COLOR_BGR2RGBA);
        Utils.matToBitmap(dst, bm);
        ImageView iv = (ImageView)this.findViewById(R.id.chapter3_imageView);
        iv.setImageBitmap(bm);
    }

2. 圖像通道與均值方差計(jì)算

• 圖像中通道數(shù)目的多少可以通過Mat對(duì)象channels()進(jìn)行查詢獲取僚饭。
• 對(duì)于多通道的圖像震叮，Mat提供的API方法可以把它分為多個(gè)單通道的圖像；
  同樣對(duì)于多個(gè)單通道的圖像鳍鸵，也可以組合成一個(gè)多通道的圖像苇瓣。
• OpenCV還提供了計(jì)算圖像每個(gè)通道像素平均值與標(biāo)準(zhǔn)方差的API方法，
  通過它們可以計(jì)算得到圖像的像素平均值與方差偿乖，
  根據(jù)平均值可以實(shí)現(xiàn)基于平均值的二值圖像分割钓简，
  根據(jù)標(biāo)準(zhǔn)方差可以找到空白圖像或者無效圖像。

2.1 圖像通道分離與合并

• 圖像通道數(shù)通過Mat的channels()獲取之后汹想，
  如果通道數(shù)目大于1，
  那么根據(jù)需要調(diào)用split方法就可以實(shí)現(xiàn)通道分離撤蚊，
  通過merge方法就可以實(shí)現(xiàn)通道合并古掏，

這兩個(gè)方法的詳細(xì)解釋具體如下：

• split(Mat m, List<Mat> mv) // 通道分離
m：表示輸入多通道圖像。
  mv：表示分離之后個(gè)單通道圖像侦啸，mv的長度與m的通道數(shù)目一致槽唾。

• merge(List<Mat> mv, Mat dst) // 通道合并
mv：表示多個(gè)待合并的單通道圖像。
  dst：表示合并之后生成的多通道圖像光涂。

上面兩個(gè)方法都來自Core模塊庞萍，Core模塊主要包含一些Mat操作與基礎(chǔ)矩陣數(shù)學(xué)功能。

一個(gè)簡單的多通道的Mat對(duì)象其分離與合并的代碼演示如下：

public void channelsAndPixels() {
//        Mat src = Imgcodecs.imread(fileUri.getPath());
//        if(src.empty()){
//            return;
//        }

        //*******
        Bitmap bitmap = BitmapFactory.decodeResource(this.getResources(), R.drawable.lena);
        Mat ori = new Mat();
        Mat src = new Mat();
        Utils.bitmapToMat(bitmap, ori);
        Imgproc.cvtColor(ori, src, Imgproc.COLOR_RGBA2BGR);
        //*******

        List<Mat> mv = new ArrayList<>();
        Core.split(src, mv);
        for(Mat m : mv) {
            int pv = 0;
            int channels = m.channels();//channels = 1,畢竟都調(diào)用了split()了
//            //下面這行用來測試channels的值
//            Toast.makeText(this,"The m.channels is" + channels,Toast.LENGTH_SHORT).show();

            int width = m.cols();
            int height = m.rows();
            byte[] data = new byte[channels*width*height];
            m.get(0, 0, data);
            for(int i=0; i<data.length; i++) {
                pv = data[i]&0xff;
                pv = 255-pv;
                data[i] = (byte)pv;
            }
            m.put(0, 0, data);
        }
        Core.merge(mv, src);

        Bitmap bm = Bitmap.createBitmap(src.cols(), src.rows(), Bitmap.Config.ARGB_8888);
        Mat dst = new Mat();
        Imgproc.cvtColor(src, dst, Imgproc.COLOR_BGR2RGBA);
        Utils.matToBitmap(dst, bm);

        ImageView iv = (ImageView)this.findViewById(R.id.chapter3_imageView);
        iv.setImageBitmap(bm);

        dst.release();
        src.release();
    }

上面的代碼實(shí)現(xiàn)了對(duì)多通道圖像分離之后取反忘闻，
然后再合并钝计，
最后通過Android ImageView組件顯示結(jié)果，
如此便是圖像通道分離與合并的基本用法；

2.2 .均值與標(biāo)準(zhǔn)方差計(jì)算與應(yīng)用

接下來的內(nèi)容是關(guān)于圖像Mat像素?cái)?shù)據(jù)的簡單統(tǒng)計(jì)私恬，計(jì)算均值與方差债沮。

• 對(duì)給定的一組數(shù)據(jù)計(jì)算其均值μ與標(biāo)準(zhǔn)方差stddev的公式如下：

  其中，n表示數(shù)組的長度本鸣、xi表示數(shù)組第i個(gè)元素的值疫衩。
  
  其中，n表示數(shù)組長度荣德、μ表示均值闷煤、1表示自由度。

• 根據(jù)上述公式涮瞻，
  可以讀取每個(gè)像素點(diǎn)的值鲤拿，
  計(jì)算每個(gè)通道像素的均值與標(biāo)準(zhǔn)方差，

OpenCV Core模塊中已經(jīng)實(shí)現(xiàn)了這類API饲宛，具體解釋如下：

• meanStdDev(Mat src, MatOfDouble mean, MatOfDouble stddev)
src：表示輸入Mat圖像皆愉。
  mean：表示計(jì)算出各個(gè)通道的均值，數(shù)組長度與通道數(shù)目一致艇抠。
  stddev：表示計(jì)算出各個(gè)通道的標(biāo)準(zhǔn)方差幕庐，數(shù)組長度與通道數(shù)目一致。

• meanStdDev(Mat src, MatOfDouble mean, MatOfDouble stddev, Mat mask)
  本方法實(shí)現(xiàn)的功能同上家淤，
  不同的是這里多了一個(gè)Mat型參數(shù) mask异剥；
  表示只有當(dāng)mask中對(duì)應(yīng)位置的像素值不等于零時(shí)，src中相同位置的像素點(diǎn)才參與計(jì)算均值與標(biāo)準(zhǔn)方差絮重。

完整的基于均值實(shí)現(xiàn)圖像二值分割的代碼如下：

    public void meanAndDev() {
        // 加載圖像
        Mat src = Imgcodecs.imread(fileUri.getPath());
        if(src.empty()){
            return;
        }
        // 轉(zhuǎn)為灰度圖像
        Mat gray = new Mat();
        Imgproc.cvtColor(src, gray, Imgproc.COLOR_BGR2GRAY);

        // 計(jì)算均值與標(biāo)準(zhǔn)方差
        MatOfDouble means = new MatOfDouble();
        MatOfDouble stddevs = new MatOfDouble();
        Core.meanStdDev(gray, means, stddevs);

        // 顯示均值與標(biāo)準(zhǔn)方差
        double[] mean = means.toArray();
        double[] stddev = stddevs.toArray();
        Log.i(TAG, "gray image means : " + mean[0]);
        Log.i(TAG, "gray image stddev : " + stddev[0]);

        // 讀取像素?cái)?shù)組
        int width = gray.cols();
        int height = gray.rows();
        byte[] data = new byte[width*height];
        gray.get(0, 0, data);
        int pv = 0;

        // 根據(jù)均值冤寿，二值分割
        int t = (int)mean[0];
        for(int i=0; i<data.length; i++) {
            pv = data[i]&0xff;
            if(pv > t) {
                data[i] = (byte)255;
            } else {
                data[i] = (byte)0;
            }
        }
        gray.put(0, 0, data);

        Bitmap bm = Bitmap.createBitmap(gray.cols(), gray.rows(), Bitmap.Config.ARGB_8888);

        Mat dst = new Mat();
        Imgproc.cvtColor(gray, dst, Imgproc.COLOR_GRAY2RGBA);
        Utils.matToBitmap(dst, bm);

        ImageView iv = (ImageView)this.findViewById(R.id.chapter3_imageView);
        iv.setImageBitmap(bm);

        dst.release();
        gray.release();
        src.release();
    }

最終得到的gray就是二值圖像，轉(zhuǎn)換為Bitmap對(duì)象之后青伤，通過ImageView顯示即可督怜。

• 另外，
  關(guān)于計(jì)算得到的標(biāo)準(zhǔn)方差狠角，如上面的代碼中假設(shè)stddev[0]的值小于5号杠，那么基本上圖像可以看成是無效圖像或者空白圖像，
  因?yàn)?code>標(biāo)準(zhǔn)方差越小則說明圖像各個(gè)像素的差異越小丰歌，圖像本身攜帶的有效信息越少姨蟋；
• 在圖像處理中，可以利用這個(gè)結(jié)論來提取和過濾質(zhì)量不高的掃描或者打印圖像立帖。

3. 算術(shù)操作與調(diào)整圖像的亮度和對(duì)比度

• OpenCV的Core模塊支持Mat對(duì)象的加眼溶、減、乘晓勇、除算術(shù)運(yùn)算堂飞，
  這些算術(shù)運(yùn)算都處于Mat對(duì)象層次灌旧，
  可以在任意兩個(gè)Mat之間實(shí)現(xiàn)上述算術(shù)操作，以得到結(jié)果酝静。

3.1 算術(shù)操作API的介紹

• OpenCV中Mat的加节榜、減、乘别智、除運(yùn)算宗苍，
  既可以在兩個(gè)Mat對(duì)象之間，
  也可以在Mat對(duì)象與Scalar之間進(jìn)行薄榛。

• Mat對(duì)象之間的加讳窟、減、乘敞恋、除運(yùn)算最常用的方法如下：
  add(Mat src1, Mat src2, Mat dst)
subtract(Mat src1, Mat src2, Mat dst)
multiply(Mat src1, Mat src2, Mat dst)
divide(Mat src1, Mat src2, Mat dst)

• 上述方法的參數(shù)個(gè)數(shù)與意義相同丽啡，具體解釋如下;
  src1：表示輸入的第一個(gè)Mat圖像對(duì)象。
  src2：表示輸入的第二個(gè)Mat圖像對(duì)象硬猫。
  dst：表示算術(shù)操作輸出的Mat對(duì)象补箍。

• 此外，src2的類型還可以是Scalar類型啸蜜，
  這個(gè)時(shí)候表示圖像的每個(gè)像素點(diǎn)都與Scalar中的每個(gè)向量完成指定的算術(shù)運(yùn)算坑雅。

• 注意在使用算術(shù)運(yùn)算時(shí)候，
  當(dāng)src1衬横、src2均為Mat對(duì)象的時(shí)候裹粤，
  它們的大小與類型必須一致，
  默認(rèn)的輸出圖像類型與輸入圖像類型一致蜂林。

下面是一個(gè)簡單的算術(shù)運(yùn)算的例子遥诉，使用加法，將兩個(gè)Mat對(duì)象的疊加結(jié)果輸出:

    public void matArithmeticDemo() {
        // 輸入圖像src1
        Mat src = Imgcodecs.imread(fileUri.getPath());
        if(src.empty()){
            return;
        }
        // 輸入圖像src2
        Mat moon = Mat.zeros(src.rows(), src.cols(), src.type());
        int cx = src.cols() - 60;
        int cy = 60;
        Imgproc.circle(moon, new Point(cx, cy), 50, new Scalar(90,95,234), -1, 8, 0);

        // 加法運(yùn)算
        Mat dst = new Mat();
        Core.add(src, moon, dst);

        Bitmap bm = Bitmap.createBitmap(src.cols(), src.rows(), Bitmap.Config.ARGB_8888);
        Mat result = new Mat();
        Imgproc.cvtColor(dst, result, Imgproc.COLOR_BGR2RGBA);
        Utils.matToBitmap(result, bm);
        ImageView iv = (ImageView)this.findViewById(R.id.chapter3_imageView);
        iv.setImageBitmap(bm);
    }

3.2 調(diào)整圖像的亮度和對(duì)比度

• 圖像的亮度和對(duì)比度是圖像的兩個(gè)基本屬性噪叙，
  對(duì)RGB色彩圖像來說矮锈，
  亮度越高，像素點(diǎn)對(duì)應(yīng)的RGB值應(yīng)該越大睁蕾，越接近255苞笨；
  反之亮度越低，其像素點(diǎn)對(duì)應(yīng)的RGB值應(yīng)該越小惫霸，越接近0。
  所以在RGB色彩空間中葱弟，調(diào)整圖像亮度可以簡單地通過對(duì)圖像進(jìn)行加法與減法操作來實(shí)現(xiàn)壹店。

• 圖像對(duì)比度主要是用來描述圖像顏色與亮度之間的差異感知，
  對(duì)比度越大芝加，圖像的每個(gè)像素與周圍的差異性也就越大硅卢，整個(gè)圖像的細(xì)節(jié)就越顯著射窒；
  反之亦然。
  通過對(duì)圖像進(jìn)行乘法或者除法操作來擴(kuò)大或者縮小圖像像素之間的差值将塑，便可調(diào)整圖像對(duì)比度脉顿。

加減法只能使各個(gè)通道值保持差值（差距）去變大變小点寥；
而乘除法能放大縮小差值艾疟；

基于Mat與Scalar的算術(shù)操作，實(shí)現(xiàn)圖像亮度或者對(duì)比度調(diào)整的代碼實(shí)現(xiàn)如下：

    public void adjustBrightAndContrast(int b, float c) {
        // 輸入圖像src1
        Mat src = Imgcodecs.imread(fileUri.getPath());
        if(src.empty()){
            return;
        }

        // 調(diào)整亮度
        Mat dst1 = new Mat();
        Core.add(src, new Scalar(b, b, b), dst1);

        // 調(diào)整對(duì)比度
        Mat dst2 = new Mat();
        Core.multiply(dst1, new Scalar(c, c, c), dst2);
        //至dst2敢辩，圖像的兩個(gè)度已經(jīng)調(diào)整完畢蔽莱，就差個(gè)轉(zhuǎn)化類型而已

        // 轉(zhuǎn)換為Bitmap，顯示
        Bitmap bm = Bitmap.createBitmap(src.cols(), src.rows(), Bitmap.Config.ARGB_8888);
        Mat result = new Mat();
        Imgproc.cvtColor(dst2, result, Imgproc.COLOR_BGR2RGBA);
        Utils.matToBitmap(result, bm);

        // show
        ImageView iv = (ImageView)this.findViewById(R.id.chapter3_imageView);
        iv.setImageBitmap(bm);
    }

• 上述代碼中戚长，b表示亮度參數(shù)盗冷，c表示對(duì)比度參數(shù)；
  其中同廉，
  b的取值為負(fù)數(shù)時(shí)仪糖，表示調(diào)低亮度；為正數(shù)時(shí)迫肖，表示調(diào)高亮度锅劝；
  c的取值是浮點(diǎn)數(shù)，使用經(jīng)驗(yàn)值范圍一般為0～3.0咒程，
  c的取值小于1時(shí)鸠天，表示降低對(duì)比度，大于1時(shí)表示提升對(duì)比度帐姻。

4. 基于權(quán)重的圖像疊加

• 對(duì)圖像進(jìn)行簡單的相加方法有時(shí)候并不能滿足需要稠集，
  這時(shí)可以通過參數(shù)來調(diào)整輸入圖像在最終疊加之后的圖像中所占的權(quán)重比，
  以實(shí)現(xiàn)基于權(quán)重方式的饥瓷、更加靈活的圖像調(diào)整方法剥纷。

Core模塊中已經(jīng)實(shí)現(xiàn)了這樣的API函數(shù)，方法名稱與各個(gè)參數(shù)的解釋具體如下：

• addWeighted(Mat src1, double alpha, Mat src2, double beta, double gamma, Mat dst)
src1：表示輸入的第一個(gè)Mat對(duì)象呢铆。
  alpha：表示混合時(shí)候第一個(gè)Mat對(duì)象所占的權(quán)重大小晦鞋。
  src2：表示輸入的第二個(gè)Mat對(duì)象。
  beta：表示混合時(shí)候第二個(gè)Mat對(duì)象所占的權(quán)重大小棺克。
  gamma：表示混合之后是否進(jìn)行亮度校正（提升或降低）悠垛。
  dst：表示輸出權(quán)重疊加之后的Mat對(duì)象。

• 最常見的情況下娜谊，
  在進(jìn)行兩個(gè)圖像疊加的時(shí)候确买，權(quán)重調(diào)整需要滿足的條件為alpha + beta = 1.0，通常alpha = beta = 0.5纱皆，
  表示混合疊加后的圖像中原來兩副圖像的像素比值各占一半湾趾，這些都是對(duì)于正常圖像來說的芭商。

• 假設(shè)src2是全黑色背景圖像，
  那么這種疊加效果就是讓圖像src1變得更加暗搀缠，對(duì)比度變得更加低铛楣；
  在src2為黑色背景圖像時(shí)，我們把alpha值調(diào)整為1.5艺普，beta值為-0.5簸州，
  這樣最終的疊加結(jié)果就是圖像的對(duì)比度得到了提升；
  當(dāng)alpha=1時(shí)候衷敌，則輸出原圖勿侯。

• 如果gamma不是默認(rèn)值0，而是一個(gè)正整數(shù)的時(shí)候缴罗，那么這時(shí)就會(huì)提升圖像的亮度助琐，
  所以這種方式就成為調(diào)整圖像亮度與對(duì)比度的另外一種方式，而且它比上一節(jié)中提到的方法更簡潔面氓、實(shí)用兵钮，只需一次調(diào)用就可以得到圖像亮度與對(duì)比度調(diào)整后輸出的圖像。
  這種方法的公式化描述如下：

dst=src1*alpha+src2*beta+gamma

其中舌界，
如果src2是純黑色的背景圖像掘譬，
則gamma大小決定了圖像的亮度，
alpha大小決定了圖像的對(duì)比度（因?yàn)閟rc2純黑色背景則基本無對(duì)比度呻拌，所以該由src1決定得多）戒洼，
alpha+beta=1狂秦。

基于權(quán)重疊加的圖像亮度與對(duì)比度調(diào)整的完整代碼實(shí)現(xiàn)如下：

    public void blendMat(double alpha, double gamma) {
        // 加載圖像
        Mat src = Imgcodecs.imread(fileUri.getPath());
        if(src.empty()){
            return;
        }

        // create black image
        Mat black = Mat.zeros(src.size(), src.type());
        Mat dst = new Mat();

        // 像素混合 - 基于權(quán)重
        Core.addWeighted(src, alpha, black, 1.0-alpha, gamma, dst);

        // 轉(zhuǎn)換為Bitmap，顯示
        Bitmap bm = Bitmap.createBitmap(src.cols(), src.rows(), Bitmap.Config.ARGB_8888);
        Mat result = new Mat();
        Imgproc.cvtColor(dst, result, Imgproc.COLOR_BGR2RGBA);
        Utils.matToBitmap(result, bm);

        // show
        ImageView iv = (ImageView)this.findViewById(R.id.chapter3_imageView);
        iv.setImageBitmap(bm);

    }

其中，
兩個(gè)參數(shù)alpha和gamma分別表示對(duì)比度與亮度調(diào)整的幅度污它，這里的默認(rèn)值分別為1.5和30绎速。
完整代碼可以參考文末作者的GitHub虾啦；

5. Mat的其他各種像素操作

OpenCV除了支持圖像的算術(shù)操作之外锰扶，還支持圖像的邏輯操作、平方初家、取LOG偎窘、歸一化值范圍等操作，
這些操作在處理復(fù)雜場景的圖像與二值或者灰度圖像分析的時(shí)候非常有用溜在。

圖像邏輯操作相關(guān)的API與參數(shù)說明具體如下：

• bitwise_not(Mat src, Mat dst) // 取反操作
src：輸入圖像陌知。
  dst：取反之后的圖像掖肋。
  取反操作對(duì)二值圖像來說是一個(gè)常見操作，
  有時(shí)候我們需要先進(jìn)行取反操作浙芙，然后再對(duì)圖像進(jìn)行更好地分析籽腕。

• bitwise_and(Mat src1, Mat src2, Mat dst) // 與操作
src：輸入圖像一。
  src2：輸入圖像二南窗。
  dst：與操作結(jié)果万伤。
  與操作對(duì)兩張圖像混合之后的輸出圖像有降低混合圖像亮度的效果呜袁，
  會(huì)讓輸出的像素小于等于對(duì)應(yīng)位置的任意一張輸入圖像的像素值敌买。

（因唯兩個(gè)高值像素相與得高值像素，
高值與低值阶界、低值與低值的結(jié)果都是低值虹钮，
于是三分之二的運(yùn)算都是降低亮度的操作）

• bitwise_or(Mat src1, Mat src2, Mat dst) // 或操作
src1：輸入圖像一。
  src2：輸入圖像二膘融。
  dst：或操作結(jié)果芙粱。
  或操作對(duì)兩張圖像混合之后的輸出圖像有強(qiáng)化混合圖像亮度的效果，
  會(huì)讓輸出的像素大于等于對(duì)應(yīng)位置的任意一張輸入圖像的像素值氧映。

（其理解同與操作相反）

• bitwise_xor(Mat src1, Mat src2, Mat dst) // 異或操作
src1：輸入圖像一春畔。
  src2：輸入圖像二。
  dst：或操作結(jié)果岛都。

異或操作可以看作是對(duì)輸入圖像的疊加取反效果律姨。

下面創(chuàng)建兩個(gè)Mat對(duì)象，
然后對(duì)它們完成位運(yùn)算——邏輯與疗绣、或线召、非，
得到的結(jié)果將拼接為一張大Mat對(duì)象顯示多矮，
完整的代碼演示如下：

// 創(chuàng)建圖像
Mat src1 = Mat.zeros(400, 400, CvType.CV_8UC3);
Mat src2 = new Mat(400, 400, CvType.CV_8UC3);
src2.setTo(new Scalar(255, 255, 255));

// ROI區(qū)域定義
Rect rect = new Rect();
rect.x=100;
rect.y=100;
rect.width = 200;
rect.height = 200;

// 繪制矩形
Imgproc.rectangle(src1, rect.tl(), rect.br(), new Scalar(0, 255, 0), -1);
rect.x=10;
rect.y=10;
Imgproc.rectangle(src2, rect.tl(), rect.br(), new Scalar(255, 255, 0), -1);

// 邏輯運(yùn)算
Mat dst1 = new Mat();
Mat dst2 = new Mat();
Mat dst3 = new Mat();
Core.bitwise_and(src1, src2, dst1);
Core.bitwise_or(src1, src2, dst2);
Core.bitwise_xor(src1, src2, dst3);

// 輸出結(jié)果
Mat dst = Mat.zeros(400, 1200, CvType.CV_8UC3);
rect.x=0;
rect.y=0;
rect.width=400;
rect.height=400;
dst1.copyTo(dst.submat(rect));
rect.x=400;
dst2.copyTo(dst.submat(rect));
rect.x=800;
dst3.copyTo(dst.submat(rect));

// 釋放內(nèi)存
dst1.release();
dst2.release();
dst3.release();

// 轉(zhuǎn)換為Bitmap缓淹，顯示
Bitmap bm = Bitmap.createBitmap(dst.cols(), dst.rows(), Bitmap.Config.ARGB_8888);
Mat result = new Mat();
Imgproc.cvtColor(dst, result, Imgproc.COLOR_BGR2RGBA);
Utils.matToBitmap(result, bm);

// show
ImageView iv = (ImageView)this.findViewById(R.id.chapter3_imageView);
iv.setImageBitmap(bm);

如上代碼前文字所述，
三個(gè)輸出圖像分別以x = 0, 400, 800為Mat矩陣左上角點(diǎn)拼接到結(jié)果Mat矩陣dst中：

• 除了邏輯操作之外塔逃，
  還有兩個(gè)重要且常見的像素操作是歸一化與線性絕對(duì)值放縮變換讯壶，
  其中歸一化是把數(shù)據(jù)re-scale到指定的范圍內(nèi)，
  線性絕對(duì)值放縮是把任意范圍的像素值變化到0～255的CV_8U的圖像像素值湾盗。

相關(guān)API解釋如下：

• convertScaleAbs(Mat src, Mat dst) //線性絕對(duì)值放縮變換
src：表示輸入圖像伏蚊。
  dst：表示輸出圖像躏吊。
  默認(rèn)情況下會(huì)對(duì)輸入Mat對(duì)象數(shù)據(jù)求得絕對(duì)值胜卤，并將其轉(zhuǎn)換為CV_8UC1類型的輸出數(shù)據(jù)dst葛躏。

• normalize(Mat src, Mat dst, double alpha, double beta, int norm_type, int dtype, Mat mask)
src：表示輸入圖像。
  dst：表示輸出圖像摩窃。
  alpha：表示歸一化到指定范圍的低值。
  beta：表示歸一化到指定范圍的高值匪蟀。
  dtype：表示輸出的dst圖像類型材彪，默認(rèn)為-1，表示類型與輸入圖像src相同显熏。
  mask：表示遮罩層喘蟆，默認(rèn)為Mat類型。
• 歸一化在圖像處理中是經(jīng)常需要用到的方法橙弱，
  比如對(duì)浮點(diǎn)數(shù)進(jìn)行計(jì)算得到輸出數(shù)據(jù)斜筐，
  將數(shù)據(jù)歸一化到0～255后就可以作為彩色圖像輸出，得到輸出結(jié)果。

（數(shù)據(jù)   只要經(jīng)過   歸一化   就可以變成   彩色圖像  輸出俘闯，劃重點(diǎn)Ｕ胬省！Ｆ炱恕Ｍ畏馈！Ｖ略铩）

下面簡單演示一下如何創(chuàng)建一個(gè)0～1的浮點(diǎn)數(shù)圖像嫌蚤，
然后將其歸一化到0～255搬葬，
代碼實(shí)現(xiàn)如下：

    public void normAndAbs() {
        // 創(chuàng)建隨機(jī)浮點(diǎn)數(shù)圖像
        Mat src = Mat.zeros(400, 400, CvType.CV_32FC3);
        float[] data = new float[400*400*3];
        Random random = new Random();
        for(int i=0; i<data.length; i++) {
            data[i] = (float)random.nextGaussian();
        }
        src.put(0, 0, data);

        // 歸一化值到0～255之間
        Mat dst = new Mat();
        Core.normalize(src, dst, 0, 255, Core.NORM_MINMAX, -1, new Mat());


        // 類型轉(zhuǎn)換
        Mat dst8u = new Mat();
        dst.convertTo(dst8u, CvType.CV_8UC3);

        // 轉(zhuǎn)換為Bitmap，顯示
        Bitmap bm = Bitmap.createBitmap(dst.cols(), dst.rows(), Bitmap.Config.ARGB_8888);
        Mat result = new Mat();
        Imgproc.cvtColor(dst8u, result, Imgproc.COLOR_BGR2RGBA);
        Utils.matToBitmap(result, bm);

        // show
        ImageView iv = (ImageView)this.findViewById(R.id.chapter3_imageView);
        iv.setImageBitmap(bm);
    }

上述代碼將創(chuàng)建一張大小為400×400的高斯噪聲圖像疾忍，
其中歸一化方法選擇的是最小與最大值歸一化方法（NORM_MINMAX=32）一罩，
這種方法的數(shù)學(xué)表示如下：

• 圖解：
  如圖所示四瘫，（ x - min / max - min ）必然是一個(gè)[0,1]的實(shí)數(shù)找蜜！
  
  
• 另外弓叛，
  你會(huì)發(fā)現(xiàn)公式中撰筷，不加alpha對(duì)( 0 , 255 )這個(gè)范圍的歸一（即以上題境）沒有什么影響，
  這是因?yàn)?code>（ x - min / max - min ）光乘以(beta - alpha)不加最后的alpha只能歸一到范圍（ 0 影钉， beta ）平委；
  加上 最后的alpha才能歸一到（ alpha ， beta ）蜡塌；

其中馏艾，
x表示src的像素值，
min房资、max表示src中像素的最小值與最大值岖沛，
對(duì) src 各個(gè)通道完成上述計(jì)算即可得到最終的歸一化結(jié)果婴削。

若計(jì)算圖像的結(jié)果有正負(fù)值期升，那么在顯示之前會(huì)調(diào)用convertScaleAbs()來對(duì)負(fù)值求取絕對(duì)值圖像播赁，
在后面的圖像濾波與梯度計(jì)算中會(huì)用到該方法乓序。

此外，Core中圖像常見的操作還有對(duì)Mat做平方與取對(duì)數(shù)陨献，這些操作都與實(shí)際應(yīng)用場合有一定的關(guān)系，而且使用與參數(shù)都比較簡單龄捡，書中這里沒再做過多的說明聘殖。

關(guān)于相關(guān)API的更多說明，我們可以查看對(duì)應(yīng)的OpenCV幫助文檔坠宴。

參考資料

• 《OpenCV Android 開發(fā)實(shí)戰(zhàn)》（賈志剛 著）
• 關(guān)于本書作者的GitHub項(xiàng)目
• 基于作者GitHub維護(hù)的APP