#include "stdafx.h"
#include<opencv2/opencv.hpp>
#include<iostream>
#include<cmath>
#include "tools.h"
using namespace cv;
using namespace std;
/*
还是使用经典的Reduce Color的例子，即对图像中的像素表达进行量化。如常见的RGB24图像有256×256×256颜色，
通过Reduce Color将每个通道的像素减少8倍至256 / 8 = 32种，则图像只有32×32×32种颜色。
假设量化减少的倍数是N，则代码实现时就是简单的value / N*N，通常我们会再加上N / 2以得到相邻的N的倍数的中间值，
最后图像被量化为(256 / N)×(256 / N)×(256 / N)种颜色。
并对图像降色彩后的彩色直方图进行统计。
*/
/*方法一、直接对图像像素修改.at<typename>(i, j)
Mat类提供了一个at的方法用于取得图像上的点，它是一个模板函数，可以取到任何类型的图像上的点。*/
void colorReduceWithAt(Mat& image, int div)
{
for (int i = 0; i<image.rows; i++)
{
for (int j = 0; j<image.cols; j++)
{
image.at<Vec3b>(i, j)[0] = image.at<Vec3b>(i, j)[0] / div*div + div / 2;//其中uchar,Vec3b都是图像像素值的类型，不要对Vec3b这种类型感觉害怕，其实在core里它是通过typedef Vec<T,N>来定义的，N代表元素的个数，T代表类型。
image.at<Vec3b>(i, j)[1] = image.at<Vec3b>(i, j)[1] / div*div + div / 2;
image.at<Vec3b>(i, j)[2] = image.at<Vec3b>(i, j)[2] / div*div + div / 2;
//Mat_<uchar> im=image;im(i, j) = im(i, j) / div*div + div / 2;
}
}
}
//二、用指针.ptr<uchar>(k)来遍历输入图像，数组[]生成输出图像
//上面的例程中可以看到，我们实际喜欢把原图传进函数内，但是在函数内我们对原图像进行了修改，而将原图作为一个结果输出，很多时候我们需要保留原图，这样我们需要一个原图的副本。
void colorReduce(const Mat& image, Mat& outImage, int div)
{
// 创建与原图像等尺寸的图像
outImage.create(image.size(), image.type());
int nr = image.rows;
// 将3通道转换为1通道
int nl = image.cols*image.channels();
for (int k = 0; k<nr; k++)
{
// 每一行图像的指针
const uchar* inData = image.ptr<uchar>(k);
uchar* outData = outImage.ptr<uchar>(k);
for (int i = 0; i<nl; i++)
{
outData[i] = inData[i] / div*div + div / 2;
}
}
}
//三、用指针.ptr<uchar>(k)来遍历输入图像，指针方式生成输出图像
void colorReduceptr(const Mat& image, Mat& outImage, int div)
{
// 创建与原图像等尺寸的图像
outImage.create(image.size(), image.type());
int nr = image.rows;
// 将3通道转换为1通道
int nl = image.cols*image.channels();
for (int k = 0; k<nr; k++)
{
// 每一行图像的指针
const uchar* inData = image.ptr<uchar>(k);
uchar* outData = outImage.ptr<uchar>(k);
for (int i = 0; i<nl; i++)
{
*outData++ = *inData++ / div*div + div / 2;
}
}
}
//四、用指针.ptr<uchar>(k)来遍历输入图像，指针方式结合位运算生成输出图像
void colorReduceptrBit(const Mat& image, Mat& outImage, int div)
{
// 创建与原图像等尺寸的图像
outImage.create(image.size(), image.type());
int nr = image.rows;
// 将3通道转换为1通道
int nl = image.cols*image.channels();
//对数换底公式log a(b) = log b/log a
int n = static_cast<int>(log(static_cast<double>(div)) / log(2.0));
// mask used to round the pixel value e.g. for div=16, mask= 0xF0
uchar mask = 0xFF << n;
for (int k = 0; k<nr; k++)
{
// 每一行图像的指针
const uchar* inData = image.ptr<uchar>(k);
uchar* outData = outImage.ptr<uchar>(k);
for (int i = 0; i<nl; i++)
{
//进行位运算时要注意加括号，位运算优先级低于+-*/
*outData++ = (*inData++ & mask) + div / 2;
}
}
}
//七、迭代器Mat_iterator方法。
/*
下面的方法可以让我们来为图像中的像素声明一个迭代器：
MatIterator_<Vec3b> it;
Mat_<Vec3b>::iterator it;
如果迭代器指向一个const图像，则可以用下面的声明：
MatConstIterator<Vec3b> it; 或者
Mat_<Vec3b>::const_iterator it;
*/
void colorReduceIterator(const Mat& image, Mat& outImage, int div)
{
outImage.create(image.size(), image.type());
MatConstIterator_<Vec3b> it_in = image.begin<Vec3b>();
MatConstIterator_<Vec3b> itend_in = image.end<Vec3b>();
MatIterator_<Vec3b> it_out = outImage.begin<Vec3b>();
MatIterator_<Vec3b> itend_out = outImage.end<Vec3b>();
while (it_in != itend_in)
{
(*it_out)[0] = (*it_in)[0] / div*div + div / 2;
(*it_out)[1] = (*it_in)[1] / div*div + div / 2;
(*it_out)[2] = (*it_in)[2] / div*div + div / 2;
it_in++;
it_out++;
}
}
int main2(int argc, const char** argv)
{
Mat image;
image = imread("Lenna.png", IMREAD_COLOR);
namedWindow("before");
imshow("before", image);
namedWindow("after");
colorReduceWithAt(image, 8);
imshow("after", image);
Mat srcHistImage = Mat::zeros(256, 256, CV_8UC1);
drawHistImg(image, srcHistImage, "srcHistImage");
cvWaitKey(-1);
destroyAllWindows();
return 0;
}