背景
在使用OpenCV做图像处理的时候，最常见的问题是c++版本性能不足，以resize函数为例来说明，将size为[864,1323,3]的函数缩小一半：
Mat img0;gettimeofday(&t4, NULL);cv::resize(source, img0, cv::Size(cols_out,rows_out));gettimeofday(&t5, NULL);time = 1000*(t5.tv_sec - t4.tv_sec) + (double)(t5.tv_usec - t4.tv_usec)/1000;printf("frank cv::resize = %lf\n", time);output:
frank cv::resize = 13.569000(ms) on Macmini(2.6 GHz Intel Core i5)
需要13ms才能完成这个操作，对于一半应用的实时性要求，要再33ms内处理一帧，超过1/3的时间花在resize上，是非常不合理的。
优化1
针对上面这种1/2大小的resize，可以这样来思考，既然我已经知道输出mat的长宽是输入mat的一半，那么输出mat的每个像素值都是从原图的4个像素得到的一个映射，事实上OpenCV也是用类似的技巧，从原图的点映射到输出图像的像素点，这个映射可以是Nearest Neiborhood，也可以是双线性插值、平均、取左上角等等。对于一般自然图像，我们可以直接使用NN映射来获得输出图像的点。
使用上面的方法：
double time = 0.0;gettimeofday(&t1, NULL);Mat half_img = resizeByHalf(source, &leftTopInt4);int wh = half_img.cols;int hh = half_img.rows;printf("half_img = %d, %d\n", hh, wh);gettimeofday(&t2, NULL);time = 1000*(t2.tv_sec - t1.tv_sec) + (double)(t2.tv_usec - t1.tv_usec)/1000;printf("frank resizeByHalf = %lf\n", time);output:frank resizeByHalf = 10.539000
时间相比OpenCV的版本，缩小了3ms
优化2 进一步借鉴最邻近算法
如果我们不是resize到1/2等特定的长宽，而且任意尺寸呢？上面的方法就不能直接使用，但是这个思想是可以借鉴的，我们可以进一步将最临近算法发挥的更好，对outuput的每个点，先根据长宽比计算其在原图中最邻近的像素点，然后直接根据最邻近的思想，直接拷贝Channel个字节作为输出图像：
Mat new_img = Mat(rows_out, cols_out, CV_8UC3);resizeByNN(source.data, new_img.data, source.rows, source.cols, source.channels(), new_img.rows, new_img.cols);gettimeofday(&t4, NULL);time = 1000*(t4.tv_sec - t3.tv_sec) + (double)(t4.tv_usec - t3.tv_usec)/1000;printf("frank resizeByNN = %lf\n", time);output: frank resizeByNN = 6.738000
时间已经缩小到原先的一半！
优化3
还有一个杀招，待日后更新。。。。
图
原图：
resizeByNN的结果：
上面两个函数的源码
resizeByHalf
uchar maxInt4(uchar x0, uchar x1, uchar x2, uchar x3){uchar t0 = (x0 >= x1) ? x0 : x1;uchar t1 = (x2 >= x3) ? x2 : x3;return (t0 >= t1) ? t0 : t1;
}uchar meanInt4(uchar x0, uchar x1, uchar x2, uchar x3){float t = (x0 + x1 + x2 + x3)/4.0;return uchar(round(t)); //四舍五入
}uchar leftTopInt4(uchar x0, uchar x1, uchar x2, uchar x3){return x0;
}Mat resizeByHalf(Mat input, uchar (*pfun)(uchar x0, uchar x1, uchar x2, uchar x3)){Mat output;int h_in = input.rows;int w_in = input.cols;int c = input.channels();int h_out = h_in/2;int w_out = w_in/2;output.create(h_out, w_out, CV_8UC(c));uchar *data_source = input.data;uchar *data_half = output.data;int bpl_source = w_in*3;int bpl_half = w_out*3;for (int i = 0; i < h_out; i++) {for (int j = 0; j < w_out; j++) {uchar *sr = data_source + i*2*bpl_source + j*2*c;uchar *hr = data_half + i*bpl_half + j*c;for (int k = 0; k < c; k++) {*(hr+k) = pfun(*(sr+k), *(sr+k+c), *(sr+k+bpl_source), *(sr+k+c+bpl_source));}}}return output;
}
resizeByNN
void resizeByNN(uchar *input, uchar *output, int height_in, int width_in, int channels, int height_out, int width_out){uchar *data_source = input;uchar *data_half = output;int bpl_source = width_in*3;int bpl_dst = width_out*3;int pos = 0;int sep = 0;uchar *sr = nullptr;uchar *hr = nullptr;float step = 0.0;float step_x = float(width_in)/float(width_out);float step_y = float(height_in)/float(height_out);for (int i = 0; i < height_out; i++) {for (int j = 0; j < width_out; j++) {sep = int(step_y*i);step = int(j*step_x);sr = data_source + sep*bpl_source;hr = data_half + i*bpl_dst +j*channels;pos = step*channels;memcpy(hr, sr+pos, channels);}}return;
}
多谢阅读！
