关于OpenCV图像操作的默认参数问题

本系列文章由 @yhl_leo 出品，转载请注明出处。

文章链接： http://blog.csdn.net/yhl_leo/article/details/51559490

在使用OpenCV以及其他开源库时，往往一个容易忽略的问题就是使用默认参数，尤其是图像处理，会导致内存中的图像数据变换后被不同程度上被修改！

下面给出几个示例，帮助理解。

1. `warpAffine`

warpAffine是图像仿射变换函数,函数定义为：

C++: void warpAffine(

    InputArray src,

    OutputArray dst,

    InputArray M,

    Size dsize,

    int flags=INTER_LINEAR,

    int borderMode=BORDER_CONSTANT,

    const Scalar& borderValue=Scalar())

其中，

- M是一个2x3的转换矩阵，关于获取方法，可使用getRotationMatrix2D()函数：

flags是一个标识符，结合了内插方法(interpolation methods)和可选项WARP_INVERSE_MAP
- INTER_LINEAR - a bilinear interpolation (used by default) 双线性插值
- INTER_NEAREST - a nearest-neighbor interpolation 最邻近插值
- INTER_AREA - resampling using pixel area relation. It may be a preferred method for image decimation, as it gives moire’-free results. But when the image is zoomed, it is similar to the INTER_NEAREST method. 基于区域像素关系重采样
- INTER_CUBIC - a bicubic interpolation over 4x4 pixel neighborhood 4x4邻域双三次插值
- INTER_LANCZOS4 - a Lanczos interpolation over 8x8 pixel neighborhood 8x8邻域兰索斯插值
- WARP_INVERSE_MAP - M is the inverse transformation () 等价于CV_WARP_INVERSE_MAP fills all of the destination image pixels M是的逆变换
borderMode: pixel extrapolation method 像素外推方法
- BORDER_CONSTANT - pad the image with a constant value (used by default) 补上定值，如果使用则补上的定值设置为borderValue的值（默认为0）
- BORDER_TRANSPARENT - the corresponding pixels in the destination image will not be modified at all 不做任何修改
- BORDER_REPLICATE - the row or column at the very edge of the original is replicated to the extra border 将原始数据的行方向/列方向的边缘像素值作为外推边界

因为图像是离散的整数格网，一旦对像素值或者其下标进行浮点位运算，得到的结果都是近似值！几种内插方法各有优劣，双线性插值可以视为一个折中选择，即计算量不算很大（比基于区域和邻域块的方法小很多），效果也过得去（一般比最邻近插值更好），源码编写者大概是基于此考虑，将其设置为默认参数，但是针对某些具体的应用，绝不是最佳选择，例如对二值图像进行旋转，我们希望旋转后的图像仍然是二值的，那选择最临近插值可能就更合适。关于边界外推模式，这里贴上OpenCV官方文档：Adding borders to your images。

2. `imread` & `imwrite`

以前写过一篇博客，讲述了OpenCV图像读取与存储的一些细节：Opencv 图像读取与保存问题，其中有一些非常容易忽视的细节，例如使用imread()读取图像时，参数flags的值默认是1，也就是说默认读取的是3通道彩色图像，如果待读取的图像是单通道或者4通道的，也会被转成3通道图像，这样读取的数据就不是你真正想要的。

另外，使用imwrite()存储图像时，params参数也至关重要，其中包括特定图像存储编码参数设置，如果调用时缺省，就会使用默认参数，例如存储JPEG图像，图像压缩质量默认设置为95（范围为0~100，数值越大质量越好），存储为PNG时，压缩级别默认为3（0~9 越大压缩越厉害）。

3. Demo

生成一个简单的单通道200x200的二值图像127,255，之所以不使用0, 255，是为了使有些参数的使用对结果的影响更加明显：

test1.png

局部放大图：

test1-local

以下面这段代码为例，首先使用

    cv::Mat image = cv::imread("test1.png", IMREAD_UNCHANGED);

    const int cols = image.cols;

    const int rows = image.rows;

    cv::Mat R = cv::getRotationMatrix2D(

        cv::Point2f(

        static_cast<float>(cols/2),

        static_cast<float>(rows/2)),

        30.0,

        1.0);

    cv::Mat r_image/*(rows,cols,CV_8UC1, cv::Scalar(0))*/;

    cv::warpAffine(

        image,

        r_image,

        R,

        image.size(),

        INTER_LINEAR,

        BORDER_CONSTANT);

//  std::vector<int> compress_param;

//  compress_param.push_back(CV_IMWRITE_PNG_COMPRESSION);

//  compress_param.push_back(0);

    cv::imwrite("test1-r-l_c.png", r_image/*, compress_param*/);

warpAffine()和imwrite()函数都先使用默认参数，并且旋转后的矩阵r_image在声明的时候，不进行初始化，即图像旋转后插值方式为双线性插值，边缘外推方式为自动补为0：

l_c

让我们放大局部：

l_c-local

将warpAffine()函数中默认参数修改INTER_LINEAR -> INTER_NEAREST, BORDER_CONSTANT -> BORDER_TRANSPARENT ，即插值方法为最临近插值，边界不做任何调整（保持Mat的初始值，若未初始化，则会先进行初始化）：

n_t

同样放大局部：

n_t-local

可以看出两者之间的明显区别，后者在边缘部分会保留原始数据的数据数值，但是为什么边界外推的像素颜色值是那样的，前面已经讲过：边界不做任何调整（保持Mat的初始值，若未初始化，则会先进行初始化），其中初始化值并不是0或者黑色。作为验证，我们在声明r_image的时候，对其进行初始化cv::Mat r_image(rows,cols,CV_8UC1, cv::Scalar(0));:

n_t-2

最后，再把图像存储压缩参数进行设置，即取消掉对compress_param的注释，虽然两个结果视觉上已经看不出差异，但是从文件大小上可以发现，压缩级为默认值（3）的图片大小为1.31KB，而压缩级为0的图片大小为39.3KB~真的差了很多，当然如果存储的JPG文件，分别使用下面的命令：

// 1

cv::imwrite("test1-r-n_t.jpg", r_image);

// 2

std::vector<int> compress_param;

compress_param.push_back(IMWRITE_JPEG_QUALITY);

compress_param.push_back(100);

cv::imwrite("test1-r-n_t-2.jpg", r_input, compress_param);

让我们对比局部放大图：

明显可以看出，使用默认参数保存时，图像质量已经出现只管的下降，可以想象，如果不停地循环读取和保存同一幅图像，那么图像的质量将会以0.95的n次幂的速度降低。

4. Summary

讲述了那么多，还是回归到主题，很多时候为了方便大家使用，开源库的一些函数都会提供默认参数，而缺省参数的设置主要是基于能够适用大多数用户的基本需求，但是并不一定是性能或效果最佳，为了获得更好的结果，必须了解传入函数的各个参数的意义，针对现实的需求选择适合自己的，不然你的成果很有可能就失败在这些细小的边边角角上。