1.使用C++遍历Mat,完成颜色反转

首先先看Mat 构成方式，以彩色图像三通道为例，在内存排布是顺序排布，因此可以很高效地遍历Mat的每一个像素点，遍历方式为先遍历行再遍历列

1.1 常规遍历方式

先遍历行再遍历列，取出的值是一个三通道 无符号整形8位的数据 值的范围代表0-255，OpenCV提供了Vec3b来存储，本质上可以理解为在同一块内存区域，连续存放方式。

for (int j = 0; j < h; ++j) {  // 正确的行（高度）索引for (int i = 0; i < w; ++i) {  // 正确的列（宽度）索引if (c == 1) {// 单通道，灰度图像uchar pv = image.at<uchar>(j, i);image.at<uchar>(j, i) = 255 - pv;} else if (c == 3) {// 三通道，BGR 数据 三个值Vec3b pv_rgb = image.at<Vec3b>(j, i);pv_rgb[0] = 255 - pv_rgb[0];pv_rgb[1] = 255 - pv_rgb[1];pv_rgb[2] = 255 - pv_rgb[2];image.at<Vec3b>(j, i) = pv_rgb;}}}

1.2 迭代器遍历方式

OpenCV 提供了Mat的迭代器，好处是比较安全。迭代器隐藏了内部的行跨距（step size），使得代码更易读。

 for (cv::MatIterator_<cv::Vec3b> it = image.begin<cv::Vec3b>(); it != image.end<cv::Vec3b>(); ++it) {cv::Vec3b& pixel = *it;  // 引用当前像素// 访问 B, G, R 通道uchar blue = pixel[0];uchar green = pixel[1];uchar red = pixel[2];pixel[0] = 255- blue;pixel[1] = 255- green;pixel[2] = 255- red;// 对像素值进行操作// pixel[0] = new_blue;// pixel[1] = new_green;// pixel[2] = new_red;}

1.3指针访问方式遍历（最快）

指针无需多言，快就完了

//基于指针的方式 最快start =  std::chrono::steady_clock::now();// 遍历所有行for (int i = 0; i < image.rows; i++) {// 获取行指针Vec3b* row = image.ptr<Vec3b>(i);for (int j = 0; j < image.cols; j++) {// 访问像素，row[j] 是 Vec3b 类型，表示一个BGR像素row[j][0] = 255 - row[j][0]; // Brow[j][1] = 255 - row[j][1]; // Grow[j][2] = 255 - row[j][2]; // R}}end = std::chrono::steady_clock::now();nanoseconds = calculateTimeDifferenceInNanoseconds(start, end);std::cout << "ptr during:" << nanoseconds << " us." << std::endl;

1.4不同遍历方式的时间对比

在同一张图片在每次遍历完成之后，计算开始时间与结束时间差异可以得到以下时间对比。可以看出指针方式遍历只需3ms左右，常规for循环需要8ms左右，而迭代器迭代的方式需要16ms 左右，最慢

2.图像像素操作，提高图像的亮度

这一块操作较为简单，OpenCV的Mat类，重载大多数的运算符，使得图像像素加减操作如同整数加减一样简单，简单代码示意

void pixel_operator(Mat &image){Mat dst;imshow("orig img",image);dst = image + Scalar (50,50,50);imshow("orig plus img",dst);dst = image - Scalar (100,100,100);imshow("orig minus img",dst);waitKey(0);destroyAllWindows();
}

Scalar可以提供RGB三通道数据。 当R G B 三种像素都增大的时候，图像的整体亮度就会得到增强，反之，图像的整体亮度就减弱。

效果示意，左上角为原始图像，右上角为图形亮度减弱的图像，中间的图像为图像亮度增强的效果

3.TrackBar 进度条操作

3.1使用TrackBar 调整图像的亮度

在OpenCV中，TrackBar是一种在窗口中添加交互式滑动条的工具，可以用来动态调整图像处理参数。使用TrackBar可以方便地调试和调整图像处理算法。

示例代码

#include <opencv2/opencv.hpp>
#include <iostream>using namespace cv;
using namespace std;
//全局变量
Mat src, dst;
int lightness;// TrackBar回调函数
static void on_track(int, void*) {Mat m = Scalar(lightness, lightness, lightness);add(src, m, dst);  // 基于原始图像 src 进行亮度调整imshow("lightness adjust", dst);
}// TrackBar示例函数
void tracking_bar_demo(Mat& image) {namedWindow("lightness adjust", WINDOW_AUTOSIZE);  // 创建窗口int max_val = 100;lightness = 50;src = image.clone();  // 保留原始图像dst = Mat::zeros(image.size(), image.type());  // 初始化调整后的图像createTrackbar("Value Bar:", "lightness adjust", &lightness, max_val, on_track);on_track(lightness, 0);  // 初始化显示
}int main() {// 读取图像Mat image = imread("your_image_path.jpg", IMREAD_COLOR);if (image.empty()) {cout << "Could not open or find the image!" << endl;return -1;}// 调用TrackBar示例函数tracking_bar_demo(image);// 事件循环while (true) {int key = waitKey(30);if (key == 27) {  // 按下ESC键退出break;}}return 0;
}

代码解读：

读取和转换图像：

• 使用imread读取图像，并检查图像是否成功加载。

创建窗口和TrackBar：

• 使用namedWindow创建一个窗口并显示初始的灰度图像。
• 使用createTrackbar在窗口中创建一个TrackBar。参数包括TrackBar的名称、窗口名称、指向变量的指针、最大值和回调函数。

回调函数 on_trackbar(int, void\*)：

• 当TrackBar的值发生变化时，OpenCV会调用这个函数。然后会把原图像加上新的变化的像素值，然后在窗口中显示变化的图像

代码改进：

分析TrackBar 的构造函数

CV_EXPORTS int createTrackbar(const String& trackbarname, const String& winname,int* value, int count,TrackbarCallback onChange = 0,void* userdata = 0);

在创建TrackBar的时候，还可以传入的void*的用户数据，回调函数也可以接受变化的值和用户数据。

因此，可以直接通过指针传递的方式，不需要再创建全局变量。

改进后：直接将图像数据传递进回调函数，无需再拷贝一份图像数据，无需其他变量，修改之后直接进行显示。

//track bar UI改动的回调函数
static void on_track(int val,void* userdata){imshow("lightness adjust", *(Mat*)userdata+Scalar (val,val,val));
}
void tracking_bar_demo(Mat &image){namedWindow("lightness adjust",WINDOW_AUTOSIZE);int max_val = 100;int lightness = 50;createTrackbar("Value Bar:","lightness adjust",&lightness,max_val,on_track,&image);on_track(lightness, &image);  // 初始化值
}

效果如图：

3.2使用TrackBar 调整图像的对比度

对比度是图像处理中一个非常重要的概念，它描述了图像中明暗区域之间的差异程度。具体来说，对比度反映了图像中最亮和最暗部分的亮度差异。对比度越高，图像中的明暗差异越明显；对比度越低，图像看起来越平淡、灰暗。通俗的讲，让亮的地方更亮，暗的地方更暗，使得差异更大。

在技术上，对比度可以定义为图像中像素值的范围。对于灰度图像，对比度可以用最大亮度和最小亮度之差来表示：

对比度=最大亮度−最小亮度

在彩色图像中，对比度通常是三个颜色通道（红、绿、蓝）的平均值。

对比度对于图像的视觉效果和信息传达有很大影响。适当的对比度可以使图像更加清晰、细节更加突出，增强视觉吸引力；而不合适的对比度可能会导致图像细节丢失或难以辨认。

对比度可以通过多种方法进行调整，常见的方法包括：

1. 线性变换：

   • 对图像中的每个像素值进行线性变换，使得亮度值范围变大或变小。

   • 公式:
     $$newpixel=contrast\times originalpixel+brightness$$

   其中，contrast 是对比度系数，brightness 是亮度偏移量。

2. 直方图均衡化：

   • 通过调整图像的灰度直方图，使得像素值分布更加均匀，从而增强对比度。

3. 伽马校正：

   • 伽马矫正（Gamma Correction）是用来针对影片或影像系统里对于光线的辉度（luminance）或是三色刺激值（tristimulus values）所进行非线性的运算或反运算。其公式一般为幂定律公式

这里使用最简单的方式 线性变换来实现调整对比度

示例代码：

Mat src, dst;
int contrast = 50;
int brightness = 50;// TrackBar回调函数
static void on_trackbar(int, void*) {double alpha = contrast / 50.0; // 对比度系数（范围：0.0 - 2.0）int beta = brightness - 50;     // 亮度偏移量（范围：-50 - 50）src.convertTo(dst, -1, alpha, beta); // 进行对比度和亮度调整imshow("Adjust Contrast and Brightness", dst);
}// TrackBar示例函数
void tracking_bar_demo(Mat &image) {namedWindow("Adjust Contrast and Brightness", WINDOW_AUTOSIZE);src = image.clone();dst = Mat::zeros(image.size(), image.type());// 创建对比度和亮度调节的TrackBarcreateTrackbar("Contrast", "Adjust Contrast and Brightness", &contrast, 100, on_trackbar);createTrackbar("Brightness", "Adjust Contrast and Brightness", &brightness, 100, on_trackbar);on_trackbar(0, 0); // 初始化显示
}
int main()
{string imagePath = "C:\\Users\\Marxist\\Pictures\\coco\\test.jpg";Mat image = imread(imagePath);if(image.empty()){cout<<"file not exist!"<<endl;return -1;}//pixel_operator(image);imshow("src image",image);tracking_bar_demo(image);// 事件循环while (true) {int key = waitKey(30);if (key == 27) {  // 按下ESC键退出break;}}return 0;
}

关键函数：convertTo ，用于将一个矩阵转换为另一个矩阵，支持不同的类型和缩放操作。它的主要用途是进行图像类型转换和数值转换，通常用于调整图像的对比度和亮度。

函数定义：

void convertTo(OutputArray m, int rtype, double alpha=1, double beta=0) const;

参数详解

• OutputArray m: 输出矩阵或图像。可以是与输入矩阵类型相同或不同的类型。
• int rtype: 输出矩阵的类型（例如 CV_8U、CV_32F 等）。如果为 -1，表示输出矩阵类型与输入矩阵相同。
• double alpha: 可选的缩放因子（乘法因子）。默认为 1。
• double beta: 可选的偏移量（加法因子）。默认为 0。

该函数执行以下转换：
$$dst(x,y)=src(x,y)\times \alpha +\beta$$

• 缩放（alpha）：对输入矩阵中的每个元素进行缩放。
• 偏移（beta）：对缩放后的每个元素加上一个偏移量。

效果如图：