在计算机视觉应用中，对于图像内容的读取分析是第一步，所以学习高效的处理图像是很有用的。一个图像有可能包含数以万计的像素，从根本上说图像就是一系列像素值，所以OpenCV使用数据结构cv::Mat来表示图像。矩阵中每一个元素都代表一个像素，对于灰度图像，像素用8位无符号数，0表示黑色，255表示白色。对于彩色像素而言，每个像素需要三位这样的8位无符号数来表示，即三个通道（R,G,B），矩阵则依次存储一个像素的三个通道的值，然后再存储下一个像素点。
cv::Mat中，成员变量cols代表图像的宽度（图像的列数），成员变量rows代表图像的高度（图像的行数），step代表以字节为单位的图像的有效宽度，elemSize返回像素的大小，像素的大小 = 颜色大小（字节）*通道数，比如三通道short型矩阵（CV_16SC3）的大小为2*3 = 6，像素的channels方法返回图像的通道数，total函数返回图像的像素数。
闲话少说直接介绍几种读取方式：
RGB图像的颜色数目是256*256*256，本文对图像进行量化，缩减颜色数目到256的1/8（即32*32*32）为目标，分别利用一下几种方法实现，比较几种方法的安全和效率。
1.ptr遍历图像
cv::Mat中提供ptr函数访问任意一行像素的首地址，特别方便图像的一行一行的横向访问，如果需要一列一列的纵向访问图像，就稍微麻烦一点。但是ptr访问效率比较高，程序也比较安全，有越界判断。
- int nl= image.rows; //行数
- int nc= image.cols * image.channels(); // 每行的元素个数，每行的像素数*颜色通道数（RGB = 3）
- for (int j=0; j<nl; j++) {
- uchar* data= image.ptr<uchar>(j);
- for (int i=0; i<nc; i++) {
- // process each pixel ---------------------
- data[i]= data[i]/div*div + div/2;
- // end of pixel processing ----------------
- } // end of line
- }
- for (int j=0; j<nl; j++) {
- uchar* data= image.ptr<uchar>(j);
- for (int i=0; i<nc; i++) {
- // process each pixel ---------------------
- *data++= *data/div*div + div/2;
- // end of pixel processing ----------------
- } // end of line
- }
2.使用迭代器遍历图像
cv::Mat 同样有标准模板库（STL），可以使用迭代器访问数据。
用迭代器来遍历图像像素，可简化过程降低出错的机会，比较安全，不过效率较低；如果想避免修改输入图像实例cv::Mat，可采用const_iterator。iterator有两种调用方法，cv::MatIterator_<cv::Vec3b> it;cv::Mat_<cv::Vec3b>::iterator it;中间cv::Vec3b是因为图像是彩色图像，3通道，cv::Vec3b可以代表一个像素。
- // get iterators
- cv::Mat_<cv::Vec3b>::iterator it= image.begin<cv::Vec3b>();
- cv::Mat_<cv::Vec3b>::iterator itend= image.end<cv::Vec3b>();
- for ( ; it!= itend; ++it) {
- // process each pixel ---------------------
- (*it)[0]= (*it)[0]/div*div + div/2;
- (*it)[1]= (*it)[1]/div*div + div/2;
- (*it)[2]= (*it)[2]/div*div + div/2;
- // end of pixel processing ----------------
- }
3.at方法遍历
cv::Mat也是向量，可以使at方法取值，使用调用方法image.at<cv::Vec3b>(j,i)，at方法方便，直接给i，j赋值就可以随意访问图像中任何一个像素，其中j表示第j行，i表示该行第i个像素。但是at方法效率是这3中访问方法中最慢的一个，所以如果遍历图像或者访问像素比较多时，建议不要使用这个方法，毕竟程序的效率还是比程序的可读性要重要的。下面是完整的调用方法，其运行时间在下面会介绍。
- int nl= image.rows; // number of lines
- int nc= image.cols; // number of columns
- for (int j=0; j<nl; j++) {
- for (int i=0; i<nc; i++) {
- // process each pixel ---------------------
- image.at<cv::Vec3b>(j,i)[0]= image.at<cv::Vec3b>(j,i)[0]/div*div + div/2;
- image.at<cv::Vec3b>(j,i)[1]= image.at<cv::Vec3b>(j,i)[1]/div*div + div/2;
- image.at<cv::Vec3b>(j,i)[2]= image.at<cv::Vec3b>(j,i)[2]/div*div + div/2;
- // end of pixel processing ----------------
- } // end of line
- }
4.row（i），col(i)
cv::Mat提供image.row(i)，和image.col(j)对图像整行和整列进行处理，处理比较方便，因为很少遇到，所以就没有进行效率比较
程序代码如下（三通道）：
- result.row(0).setTo(cv::Scalar(0,0,0));//将第一行数据设为零
- result.row(result.rows-1).setTo(cv::Scalar(0,0,0));//将最后一行数据设置为零
- result.col(0).setTo(cv::Scalar(0,0,0));//将第一列数据设为零
- result.col(result.cols-1).setTo(cv::Scalar(0,0,0));//将最后一列数据设为零
5.高效率图像遍历循环
对于迭代的for循环，外面一层的循环次数越少速度越快，同样是cols*rows*channels()次循环，使用nc = cols，nl = rows*channels()，与使用nc = cols*rows*channels，nl = 1，以及nc = cols，nl = rows，for函数最里层运行三次颜色的处理。这三种方法最快的是第二种，第三种其次，最慢的是第一种.
- int nl= image.rows; // number of lines
- int nc= image.cols * image.channels(); // total number of elements per line
- if (image.isContinuous()) {
- // then no padded pixels
- nc= nc*nl;
- nl= 1; // it is now a 1D array
- }
- int n= static_cast<int>(log(static_cast<double>(div))/log(2.0));
- // mask used to round the pixel value
- uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0
- for (int j=0; j<nl; j++) {
- uchar* data= image.ptr<uchar>(j);
- for (int i=0; i<nc; i++) {
- // process each pixel ---------------------
- *data++= *data&mask + div/2;
- // end of pixel processing ----------------
- } // end of line
- }
6.位运算代替乘法和除法
- int nl= image.rows; // number of lines
- int nc= image.cols * image.channels(); // total number of elements per line
- int n= static_cast<int>(log(static_cast<double>(div))/log(2.0));
- // mask used to round the pixel value
- uchar mask= 0xFF<<n; // e.g. for div=16, mask= 0xF0
- for (int j=0; j<nl; j++) {
- uchar* data= image.ptr<uchar>(j);
- for (int i=0; i<nc; i++) {
- // process each pixel ---------------------
- *data++= *data&mask + div/2;
- // end of pixel processing ----------------
- } // end of line
- }
运行时间比较，以测试图片为例，（Debug模式下的时间）
ptr函数的两种方法的时间：using .ptr and [] =3.50202ms
using .ptr and * ++ =3.26124ms
迭代器方法：
using Mat_ iterator =143.06ms
at方法的运行时间：
using at =252.779ms
高效率迭代方法:
using .ptr and * ++ and bitwise (continuous) =2.68335ms
位运算方法：
using .ptr and * ++ and bitwise =2.59823ms
using .ptr and * ++ and modulo =3.78029ms
using .ptr and * ++ and bitwise =2.59823ms
using direct pointer arithmetic =2.57317ms
using .ptr and * ++ and bitwise with image.cols * image.channels() =22.864ms
using Mat_ iterator and bitwise =139.92ms
using MatIterator_ =185.996ms
using .ptr and * ++ and bitwise (continuous+channels) =2.11271ms
using input/output images =2.97717ms
using overloaded operators =2.7237ms
源图像：
量化处理结果 image1：
量化处理后的结果 image2：