Question

所以我正在阅读Robert Laganiere撰写的“OpenCV 2计算机视觉应用程序编程手册”。在第42页左右，它讨论的是图像缩减算法。我理解算法（我认为），但我不明白为什么要放入一个部分。我想我知道为什么，但如果我错了，我想纠正。我将在这里复制并粘贴一点：

“彩色图像由3通道像素组成。每个通道对应于三原色之一的强度值（红色，绿色，蓝色）。由于这些值中的每一个都是8位无符号 char，颜色总数为256x256x256，超过16 百万种颜色。因此，为了降低分析的复杂性，减少图像中的颜色数量有时很有用。一实现这一目标的简单方法是简单地细分RGB空间到相同大小的立方体。例如，如果减少数量每个维度的颜色为8，那么你将获得总数 32x32x32颜色。然后为原始图像中的每种颜色分配一个与颜色相对应的减色图像中的新颜色值值所在的多维数据集的中心。因此，基本的色彩还原算法很简单。如果N是减少因此，对于图像中的每个像素以及每个像素的每个像素像素，将值除以N（整数除法，因此提醒迷路了）然后将结果乘以N，这将给你刚好在输入像素值之下的N的倍数。只需添加N / 2即可获得两个相邻区间的中心位置如果为每个8位通道重复此过程，则为N的倍数值，那么你将获得总共256 / N×256 / N×256 / N的可能性颜色值。怎么做...我们的减色标志函数如下：void colorReduce（cv :: Mat＆amp; image，int DIV = 64）;用户提供图像和每通道缩减因子。这里，处理是就地完成的，即像素函数修改输入图像的值。见这个配方的更多......部分用于更一般的功能带有输入和输出参数的签名。处理很简单通过创建一个遍历所有像素值的双循环来完成：“

void colorReduce(cv::Mat &image, int div=64) {
    int nl= image.rows; // number of lines
    // total number of elements per line
    int nc= image.cols * image.channels();
    for (int j=0; j<nl; j++) {
        // get the address of row 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;// <-HERE IS WHERE I NEED UNDERSTANDING!!!
// end of pixel processing ---------------
}}}

所以我得到了如何通过div量减少0：255像素值。然后我失去剩下的剩余物。然后再将它乘以div值，我们将其缩放回来以使其保持在0：255的范围内。 为什么我们再将（div / 2）添加回答案？我能想到的唯一原因是这会导致某些值向下舍入而某些值向上舍入。如果您不使用它，那么所有值都会向下舍入。所以在某种程度上它给出了“更好”的平均值？

不知道，那么你们/女孩们的想法是什么？

Answer 1

说明这一点的最简单方法是使用示例。

为简单起见，我们假设我们正在处理图像的单个通道。有256种不同的颜色，范围从0到255.在我们的例子中我们也将使用N = 64。

使用这些数字，我们会将颜色数量从256减少到256/64 = 4.让我们绘制一个颜色空间图：

|......|......|......|......| 
0      63    127    191    255

虚线表示我们的色彩空间，从0到255.我们将这个间隔分成4个部分，分割用垂直线表示。

为了将所有256种颜色减少到4种颜色，我们将每种颜色除以64（丢失余数），然后再将它乘以64。让我们看看这是怎么回事：

[0  , 63 ] / 64 * 64 = 0
[64 , 127] / 64 * 64 = 64
[128, 191] / 64 * 64 = 128
[192, 255] / 64 * 64 = 192

正如你所看到的，第一部分的所有颜色都变为0，第二部分的所有颜色变为64，第三部分128，第四部分192.所以我们的颜色空间如下所示：

|......|......|......|......| 
0      63    127    191    255
|______/|_____/|_____/|_____/ 
|       |      |      |
0       64     128    192

但这不是很有用。你可以看到我们所有的颜色都倾斜到间隔的左边。如果他们处于间隔的中间会更有帮助。这就是我们为这些值添加64/2 = 32的原因。添加间隔长度的一半会将颜色移动到间隔的中心。这也是它在书中所说的：＆＃34;只需添加N / 2即可获得N的两个相邻倍数之间的间隔的中心位置。＆＃34; < / p>

因此，让我们为我们的值添加32，看看一切如何：

[0  , 63 ] / 64 * 64 + 32 = 32
[64 , 127] / 64 * 64 + 32 = 96
[128, 191] / 64 * 64 + 32 = 160
[192, 255] / 64 * 64 + 32 = 224

间隔看起来像这样：

|......|......|......|......| 
0      63    127    191    255
\______/\_____/\_____/\_____/ 
   |       |      |      |
   32      96    160    224

这是一种更好的色彩还原。该算法将色彩空间从256色减少到4色，这些色彩位于它们减少的间隔的中间。

Answer 2

这样做是为了给出量化边界的平均值，而不是它的下限。例如，对于N = 32，从0到31的所有数据将给出16而不是0。

请查看以下图片或我的excel file。 Quantization

为什么这个“缩减因子”算法做“+ div / 2”

2 个答案: