core模块下面的矩阵掩码操作：

矩阵的掩码操作很简单。其思想是：根据掩码矩阵（也称作核）重新计算图像中每个像素的值。掩码矩阵中的值表示近邻像素值（包括该像素自身的值）对新像素值有多大影响。从数学观点看，我们用自己设置的权值，对像素邻域内的值做了个加权平均。如果熟悉神经网络的话，说白了就是一个滤波器，所以官网给出的第二个方法就是滤波器访问。

思考一下图像对比度增强的问题。我们可以对图像的每个像素应用下面的公式：


opencv remap函数用法_opencv remap函数用法


上面那种表达法是公式的形式，而下面那种是以掩码矩阵表示的紧凑形式。使用掩码矩阵的时候，我们先把矩阵中心的元素（上面的例子中是(0,0)位置的元素，也就是5）对齐到要计算的目标像素上，再把邻域像素值和相应的矩阵元素值的乘积加起来。虽然这两种形式是完全等价的，但在大矩阵情况下，下面的形式看起来会清楚得多。

现在，我们来看看实现掩码操作的两种方法。一种方法是用基本的像素访问方法，另一种方法是用 filter2D 函数。

看下window下vs2013的实现部分：

#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <iostream>

using namespace std;
using namespace cv;

static void help()
{
	cout << endl
		<< "This program shows how to filter images with mask: the write it yourself and the"
		<< "filter2d way. " << endl
		<< "Usage:" << endl
		<< " [image_name -- default lena.jpg] [G -- grayscale] " << endl << endl;
}


void Sharpen(const Mat& myImage, Mat& Result);

int main(int argc, char* argv[])
{
	help();
	const char* filename = "C:\\Users\\Administrator\\Desktop\\Lena.jpg";

	Mat I, J, K;
	printf("GRAUSCAL OR COLOR? please enter G/C");
	char ch = getchar();
	if (ch == 'G')
		I = imread(filename, CV_LOAD_IMAGE_GRAYSCALE);
	else
		I = imread(filename, CV_LOAD_IMAGE_COLOR);
	printf("%s\n", filename);
	namedWindow("Input", WINDOW_AUTOSIZE);
	namedWindow("Output", WINDOW_AUTOSIZE);

	imshow("Input", I);
	double t = (double)getTickCount();

	Sharpen(I, J);//实现掩码操作

	t = ((double)getTickCount() - t) / getTickFrequency();
	cout << "Hand written function times passed in seconds: " << t << endl;

	imshow("Output", J);
	waitKey(0);
	//滤波器在图像处理中的应用太广泛了，因此OpenCV也有个用到了滤波器
	//掩码（某些场合也称作核）的函数。不过想使用这个函数，你必须先定义一个表示掩码的 Mat 对象：
	Mat kern = (Mat_<char>(3, 3) << 0, -1, 0,
		-1, 5, -1,
		0, -1, 0);
	t = (double)getTickCount();
	//filter2D还带有第五个可选参数——指定核的中心，和第六个可选参数——指定函数在未定义区域（边界）
	//的行为。使用该函数有一些优点，如代码更加清晰简洁、通常比 自己实现的方法 速度更
	//快（因为有一些专门针对它实现的优化技术）等等。例如，我测试的滤波器方法仅花了13毫秒，
	//而前面那样自己实现迭代方法花了约31毫秒，二者有着不小差距。
	filter2D(I, K, I.depth(), kern);//使用滤波器掩码函数
	t = ((double)getTickCount() - t) / getTickFrequency();
	cout << "Built-in filter2D time passed in seconds:      " << t << endl;

	imshow("Output", K);

	waitKey(0);
	return 0;
}
void Sharpen(const Mat& myImage, Mat& Result)
{
	CV_Assert(myImage.depth() == CV_8U);  // 只接受unchar类型图片

	//根据图像的通道数，我们有一个或多个子列。我们用指针在每一个通道上迭代，因此通道数就决定了需计算的元素总数。
	const int nChannels = myImage.channels();
	Result.create(myImage.size(), myImage.type());//创建了一个与输入有着相同大小和类型的输出图像。
	//利用C语言的[]操作符，我们能简单明了地访问像素。因为要同时访问多行像素，
	//所以我们获取了其中每一行像素的指针（分别是前一行、当前行和下一行）。
	//此外，我们还需要一个指向计算结果存储位置的指针。有了这些指针后，我们使用[]操作符，
	//就能轻松访问到目标元素。为了让输出指针向前移动，我们在每一次操作之后对输出指针进行了递增（移动一个字节）：
	for (int j = 1; j < myImage.rows - 1; ++j)
	{
		const uchar* previous = myImage.ptr<uchar>(j - 1);//获取前一行的指针
		const uchar* current = myImage.ptr<uchar>(j);//获取当前行的指针
		const uchar* next = myImage.ptr<uchar>(j + 1);//获取下一行的指针

		uchar* output = Result.ptr<uchar>(j);//输出为当前行的指针
		//对对应的通道数进行掩码操作
		for (int i = nChannels; i < nChannels*(myImage.cols - 1); ++i)
		{
			*output++ = saturate_cast<uchar>(5 * current[i]
				- current[i - nChannels] - current[i + nChannels] - previous[i] - next[i]);
		}
	}
	//在图像的边界上，上面给出的公式会访问不存在的像素位置（比如(0,-1)）。
	//因此我们的公式对边界点来说是未定义的。一种简单的解决方法，
	//是不对这些边界点使用掩码，而直接把它们设为0：
	Result.row(0).setTo(Scalar(0));
	Result.row(Result.rows - 1).setTo(Scalar(0));
	Result.col(0).setTo(Scalar(0));
	Result.col(Result.cols - 1).setTo(Scalar(0));
}