对图像的像素进行操作，我们可以实现空间增强，反色等目的。让我们先来看一下内存空间中图像矩阵，也就是Mat的矩阵数值部分是怎么存储的：
如果图像是一幅灰度图像，他就像这样，从左到右，从上到下，依次是矩阵的每一行每一列，这时候矩阵M(i,j)的值自然就是当前点的灰度值了。
而对于一幅彩色图像，由于它的像素分量channel并不是一个，所以每一列又分为了几个channel。拿常见的RGB图像来说，就像这样：
从这张图上，就可以比较清楚地看出来在内存中矩阵是如何存储多channel图像的了。这里要注意的是在RGB模型中，每一个子列依次为BGR，也就是正好是颠倒的，第一个分量是蓝色，第二个是绿色，第三个是红色。
清楚了图像在内存中的存储方式，我们也就可以来进行像素值的操作了。在这里，我们举这样一个例子。我们对一幅灰度图像的灰度值进行变换：
小于100的灰度值被统一映射为0；100到200之间的灰度值被映射为100；大于200的灰度值被映射为200.
主函数如下：
1. <pre name="code" class="cpp">int main()
2. {
3. "lena.jpg";
4. //读入灰度图像
5. //映射表，规定了变换前后灰度值的对应关系 table[gray_value_before]=gray_value_after
6. for (int i=0;i<256;i++)
7. {
8. //这里利用了C++的语言特性i/100只会留下整数部分
9. }
10. "变换前",A);
11. //变换函数
12. "变换后",B);
13. waitKey ();
14. return 0;
15. }
首先，我们用指针方式对图像的像素点灰度值进行操作：
1. <pre name="code" class="cpp">Mat ChangeImg(Mat &img,const uchar* table)
2. {
3. sizeof(uchar)); //声明只对深度8bit的图像操作
4. int channels=img.channels (); //获取图像channel
5. int nrows=img.rows; //矩阵的行数
6. int ncols=img.cols*channels; //矩阵的总列数=列数*channel分量数
7. if (img.isContinuous ()) //判断矩阵是否连续，若连续，我们相当于只需要遍历一个一维数组
8. {
9. ncols*=nrows;
10. //一维数组
11. }
12. //遍历像素点灰度值
13. for (int i=0;i<nrows;i++)
14. {
15. //获取行地址
16. for (int j=0;j<ncols;j++)
17. {
18. //修改灰度值
19. }
20. }
21. return img;
22. }
这里，我们获取了每一行开始处的指针，然后遍历至该行末尾。如果矩阵是以连续方式存储的，我们只需请求一次指针、然后一路遍历下去就行。彩色图像的情况有必要加以注意：因为三个通道的原因，我们需要遍历的元素数目也是3倍。
或者，我们可以使用data。data会从Mat中返回指向矩阵第一行第一列的指针。注意如果该指针为NULL则表明对象里面无输入，所以这是一种简单的检查图像是否被成功读入的方法。当矩阵是连续存储时，我们就可以通过遍历 data 来扫描整个图像。例如，一个灰度图像，其操作如下：
1. uchar* p = img.data;
2. for( unsigned int i =0; i < ncol*nrows; ++i)
3. *p++ = table[*p];
或者，更安全的方法，我们可以使用迭代器。在迭代法中，所需要做的仅仅是获得图像矩阵的begin和end，然后增加迭代直至从begin到end。将*操作符添加在迭代指针前，即可访问当前指向的内容。
1. Mat& ScanImageAndReduceIterator(Mat& I, const uchar* const table)
2. {
3. // accept only char type matrices
4. sizeof(uchar));
5.
6. const int channels = I.channels();
7. switch(channels)
8. {
9. case 1:
10. {
11. MatIterator_<uchar> it, end;
12. for( it = I.begin<uchar>(), end = I.end<uchar>(); it != end; ++it)
13. *it = table[*it];
14. break;
15. }
16. case 3:
17. {
18. MatIterator_<Vec3b> it, end;
19. for( it = I.begin<Vec3b>(), end = I.end<Vec3b>(); it != end; ++it)
20. {
21. (*it)[0] = table[(*it)[0]];
22. (*it)[1] = table[(*it)[1]];
23. (*it)[2] = table[(*it)[2]];
24. }
25. }
26. }
27.
28. return I;
29. }
注意，在这里对3通道的图像进行操作的时候，使用到了Vec3b。Vec3b作为一个对三元向量的数据结构，用在这里正好是能够表示RGB的三个分量。如果对于彩色图像，仍然用uchar的话，则只能获得3通道中的B分量。比如我们可以这样打印出图像的RGB三个分量：
1. for (int i=0;i<img.rows;i++)
2. {
3. const Vec3b* Mpoint=img.ptr <Vec3b>(i);
4. for (int j=0;j<img.cols;j++)
5. {
6. Vec3b intensity=*(Mpoint+j);
7. "R:"<<int(intensity[2])<<" G"<<int(intensity[1])<<" B"<<int(intensity[0])<<" ";
8. }
9. cout<<endl;
10. }
这里使用指针，当然也可以使用上面的迭代器。
然而，OpenCV里面已经有了相应函数可以让我们更加方便地对像素进行操作，那便是LUT函数，而且推荐使用opencv的内建函数，因为已经针对芯片做了优化设计，使得速度有很大提升。
函数原型为：void LUT(InputArray src, InputArray lut, OutputArray dst, int interpolation=0 )
实现的映射关系如下所示：
也就是说比如原来src中值为1会映射为table[1]所对应的值再加上d。
所以上面的操作，我们其实只需要使用LUT函数就可以了。结合我们自己设计的table表，就能够实现对图像的操作。
1. int main()
2. {
3. "lena.jpg";
4. //读入灰度图像
5. //建立一个256个元素的映射表
6. "变换前",A);
7. for (int i=0;i<256;i++)
8. {
9. lookUpLut.at<uchar>(i)=i/100*100;
10. }
11. Mat B;
12. LUT (A,lookUpLut,B);
13. "变换后",B);
14. waitKey ();
15. return 0;
16. }
下面的图就是效果啦~~~
