减少颜色数目

预备知识：
如常见的RGB24图像有256×256×256中颜色，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。
data[i]是整数（假设原来是120），x/div得到的是商（1），余数被舍弃，再×div得到的是64，再加上div/2就是64+32=98。推广点我们可以想到64～127之间的数经过上述运算得到的都是98，其他区间的数可以依此类推。这样就起到了压缩色彩空间的作用。data[i]相当于*（data+i）“

版本一：void ReduceColor(Mat& image,int div){    int n1=image.rows;//行数    int n2=image.cols*image.channels();//每行的列数    for(int i=0;i<n1;i++){        uchar* data=image.ptr<uchar>(i);//每行的首地址,利用ptr        for(int j=0;j<n2;j++)        {            data[j]=data[j]-data[j]%(div)+div/2;        }    }}int main(){    Mat image=imread("F:\\opencv_test\\14.jpg");    namedWindow("1");    imshow("1",image);    //Mat image2=image.clone();    ReduceColor(image,64);    namedWindow("2");    imshow("2",image);    waitKey(0);    return 0;}

其他的颜色缩减公式：
data[j]=data[j]/div*div+div/2;
*data++=*data/div*div+div/2;

版本二：通用版本，允许用户指定，输入和输出图像。
之前的例子，变换直接作用在输入图像上的，我们称之为In_place变换。这种方式，不需要额外的图像来保存输出的结果，可以节省一定的内存。但是一些情况下，用户不希望原始图像被改变。最简单创建一个图像深拷贝的方式是调用clone函数，Mat imageclone=image.clone();ReduceColor(imageclone); 实际中我们可以实现这一机制，当我们输入输出是同意变量时仍采用的是IN_place方式，否则用户必须提供一个Mat的实例；
代码当中首先用creat函数创建一个与输入图像的尺寸和类型相同的矩阵，注意creat函数创建的图像内存都是连续的，不会对图像的行进行填补，分配的内存大小为total()*elemSize()

#include<opencv2\opencv.hpp>using namespace cv;void ReduceColor(Mat& image,Mat& result,int div){    result.create(image.rows,image.cols,image.type());    int n1=image.rows;//行数    int n2=image.cols*image.channels();//每行的列数    for(int i=0;i<n1;i++){        uchar* data_out=result.ptr<uchar>(i);        uchar* data=image.ptr<uchar>(i);//每行的首地址,利用ptr        for(int j=0;j<n2;j++)        {            //data[j]=data[j]/div*div+div/2;与下面语句等价            //*data++=*data/div*div+div/2;            data_out[j]=data[j]-data[j]%(div)+div/2;        }    }}int main(){    Mat result,image=imread("F:\\opencv_test\\14.jpg");    namedWindow("1");    imshow("1",image);    //Mat image2=image.clone();    ReduceColor(image,result,64);    namedWindow("2");    imshow("2",result);    waitKey(0);    return 0;}

版本三：高效遍历连续图像（这种方法最高效）
考虑到效率，图像可能会在行尾，扩大若干个像素；但是当不对图像进行行填补的时候，图像可以视为一个W*H的一维数组；可以通过Mat的一个成员函数isContinuous来判断这幅图像是否进行了填补，如果isContinuous返回值为真，说明没有对图像进行填补；因此，在一些图像中我们可以利用图像的连续性，把整个处理过程用一个循环完成；则上面的颜色缩减函数可以重写；

void ReduceColor(Mat& image,int div){    int rn=image.rows;    int cn=image.cols*image.channels();    if(image.isContinuous()){        cn=rn*cn;        rn=1;    }    for(int i=0;i<rn;i++){        uchar* data=image.ptr<uchar>(i);        for(int j=0;j<cn;j++)        {            data[j]=data[j]/div*div+div/2;        }    }}

版本四：使用底层指针运算
在Mat中，图像数据以usigned char形式保存在一块内存中，这块内存的首地址可以通过data成员变量得到，其中data是一个usigned char的指针，则循环可以如下方式开始：
uchar* data=image.data;从当前一行到下一行可以用指针加上行宽得到，data+=image.step;其中step代表图像的行宽（包括填补的像素），则可以通过如下方式得到第j行、第i列元素的地址data=image.data+j*image.step+i*elemSize(); 建议不使用这种方式，容易出错，且不适应于带感兴趣区域（ROI）的图像；

void ReduceColor(Mat& image,int div){    int rn=image.rows;    int cn=image.cols*image.channels();    uchar* data=image.data;    for(int i=0;i<rn;i++){        for(int j=0;j<cn;j++)        {            data[j]=data[j]/div*div+div/2;        }        data=data+image.step;    }           }

版本五：使用迭代器遍历图像
迭代器的定义方式Mat_::iterator iter=image.begin();其中begin和end也需要用模板化的版本；因为这里使用的是彩色图像，所以返回类型是Vec3b,每个颜色分量可以使用[]得到；

void ReduceColor(Mat& image,int div){Mat_<Vec3b>::iterator iter=image.begin<Vec3b>();//Mat_<Vec3b>::iterator iter2=image.end<Vec3b>();while(iter!=image.end<Vec3b>())//也可以用for循环{    (*iter)[0]=(*iter)[0]/div*div+div/2;    (*iter)[1]=(*iter)[1]/div*div+div/2;    (*iter)[2]=(*iter)[2]/div*div+div/2;    iter++;}           }

版本六：使用图像坐标

void ReduceColor(Mat& image,int div){int rn=image.rows ;int cn=image.cols;if(image.channels()==1){    for(int i=0;i<rn;i++)        for(int j=0;j<cn;j++)            image.at<uchar>(i,j)=image.at<uchar>(i,j)/div*div+div/2;}  else if(image.channels()==3){for(int i=0;i<rn;i++){    for(int j=0;j<cn;j++){        image.at<Vec3b>(i,j)[0]=image.at<Vec3b>(i,j)[0]/div*div+div/2;        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;    }}}}

计算函数的运行时间：
getTickCount()返回上次开机算起的时钟周期数，由于我们需要的是函数运行的时间，因此需要另外一个函数getTickFrequency()，该函数返回每秒内的周期数。注意，返回时间的单位是秒

int main(){    Mat result,image=imread("F:\\opencv_test\\14.jpg");    double dur;    dur=static_cast<double>(getTickCount());    ReduceColor(image,64);    dur=static_cast<double>(getTickCount())-dur;//static_cast进行强制类型转换，转成double形    dur=dur/getTickFrequency();    namedWindow("2");    imshow("2",image);    cout<<dur<<endl;    waitKey(0);    return 0;}