第一件事：分离颜色通道，多通道图像混合
1. split 函数（通道分离）
函数原型：
void split(const Mat& src, Mat* mvbegin);
void split(InputArray m, OutputArrayOfArrays mv);
按原矩阵的各个通道分类，生成一个单通道的矩阵数组。
| 参数 | 解释 |
|---|---|
| const Mat& src InputArray m |
需要分离通道的多通道矩阵 |
| Mat* mvbegnin OutputArrayOfArrays |
输出的单通道数组 |
示例代码：
cv::Mat srcImage = cv::imread("1.jpg");
std::vector<Mat> channels;
cv::split(srcImage,channels);
cv::Mat imageBlue = channels.at(0);
2. merge 函数（通道合并）
将多个单通道图像组合为一个多通道图像。
函数原型如下：
void merge(const Mat* mv, size_t count, OutputArray dst);
void merge(InputArrayOfArrays mv, OutputArray dst);
原型一：
| 参数 | 解释 |
|---|---|
| const Mat* mv | 单通道矩阵数组 |
| size_t count | 矩阵数组元素个数 |
| OutputArray dst | 输出矩阵，尺寸、深度和m[0]一致。 |
原型二：
| 参数 | 解释 |
|---|---|
| InputArrayOfArrays mv | 需要合并通道的多个单通道矩阵 |
| Mat* mvbegnin OutputArray |
输出的多通道矩阵 |
示例代码：
#include <opencv2/opencv.hpp>
int main(int argc, const char * argv[]) {
cv::Mat srcImge = cv::imread("1.jpg");
std::vector<cv::Mat> channels;
cv::split(srcImge, channels);
cv::Mat blue = channels.at(0);
cv::Mat green = channels.at(1);
cv::Mat red = channels.at(2);
cv::imshow("blue", blue);
cv::imshow("green", green);
cv::imshow("red", red);
cv::Mat merImage;
cv::Mat imgs[] = {blue,green,red};
cv::merge(imgs, 3, merImage);
// std::vector<cv::Mat> vector = {blue,green,red};
// cv::merge(vmers, merImage);
// 或者
// cv::merge(channels, merImage);
cv::imshow("image", merImage);
cv::waitKey();
return 0;
}
发现运行后 blue green red 三个窗口显示的图像颜色都是灰色，这是因为 split 函数生成的都是单通道矩阵和灰度空间矩阵是一模一样的。
blue 窗口
green 窗口
red 窗口
合并生成的图像
第二件事：图像对比度、亮度值调整
理论：
图像的对比度和亮度的调整，其实是图像处理操作中比较简单地一种操作——点操作：仅根据输入的单个像素值（有时会加入某些全局信息）来计算相应的输出像素，如：对比度调整，亮度调整、颜色校正和变换等等。公式如下：
亮度对比度调节公式
- f(x) 代表输入像素 ；
- g(x) 代表输出像素；
- α 通常称为增益（ gain ），这里用来调节对比度；
- b 通常称为偏置（ bias ），这里用来调节亮度。
结合第六天所学的访问图像像素，示例代码：
#include <iostream>
#include <opencv2/opencv.hpp>
///**
// 亮度对比度调节示例程序全局变量部分
// */
int g_ncurBrightness = 50;
int g_nMaxBrightness = 100;
int g_ncurContrast = 50;
int g_nMaxContrast = 100;
cv::Mat g_srcImg;
cv::Mat g_dstImg;
void on_bcTrackBar(int count, void* userdata){
int rows = g_srcImg.rows;
int cols = g_srcImg.cols * g_srcImg.channels();
double brightness = (double) g_ncurBrightness/g_nMaxBrightness * 100.0;
double contrast = (double) g_ncurContrast/g_nMaxContrast * 5.0;
for (int i = 0; i < rows; i++) {
uchar *srcData = g_srcImg.ptr<uchar>(i);
uchar *dstData = g_dstImg.ptr<uchar>(i);
for (int j = 0; j < cols; j++) {
int dstValue = srcData[j] * contrast + brightness;
//溢出保护
if (dstValue > 255)
dstValue = 255;
if (dstValue < 0)
dstValue = 0;
dstData[j] = dstValue;
}
}
cv::imshow("run window", g_dstImg);
}
//主函数
int main(int argc, const char * argv[]) {
g_srcImg = cv::imread("1.jpg");
g_dstImg = cv::Mat(g_srcImg.size(),g_srcImg.type());
cv::namedWindow("run window");
cv::createTrackbar("brightness bar", "run window", &g_ncurBrightness, g_nMaxBrightness, on_bcTrackBar);
cv::createTrackbar("contrast bar", "run window", &g_ncurContrast, g_nMaxContrast, on_bcTrackBar);
on_bcTrackBar(0, 0);
while (char(cv::waitKey(1)) != 'q') {}
return 0;
}
【原图】
运行效果图
