OPENCV的MAT类详解

类Mat导言

OpenCV c + + n 维稠密数组类

类CV_EXPORTS Mat

{

public：

/ / … …很多的方法...

...

/*!包括几位字段：

-神奇的签名

-连续性标志

-深度（Note：应该是位深）

-通道数

*/

int flags;（Note ：目前还不知道flags做什么用的）

//!数组的维数，> = 2

int dims ;

//!行和列的数量或(-1，-1) 此时数组已超过2 维

int rows,cols;

//!指向数据的指针

uchar *data ;

//!指针的引用计数器；

/ / 阵列指向用户分配的数据时，当指针为NULL

int * refcount ;

/ / 其他成员

...

};

Mat类表示一个n 维的密集数值单通道或多通道数组。它可以用于存储实数或复数值的向量和矩阵、灰度或彩色图像、体素、向量场、点云、张量、直方图（尽管较高维的直方图存储在SparseMat可能更好）。M 数组的数据布局是由阵列M.step[]定义的，使元素的地址（i0,。。。。i M.dims-1),其中0<= i k < M.size [k]，可以计算为：

addr( Mi0 ;:::;i M.dims-1) = M.data+ M.step[ 0]*i0 + M.step[ 1] *i1+ .…+ M.step[ M:dims- 1]

i M:dims- 1

2维的数组的情况下根据上述公式被减至：

addr( M i,j)= M.data+ M.step[ 0]*i+ M.step[ 1] *j

请注意，M.step[i] > =M.step[i+1] （事实上，M.step[i] > =M.step[i+1]*M.size[i+1]）。这意味着2维矩阵是按行存储的，3 维矩阵是由平面存储，以此类推。M.step[M.dims-1] 是最小的而且总是等于元素大小M.elemSize()。因此，Mat中的数据布局完全兼容OpenCV 1.x 中CvMat、IplImage、CvMatND类型。它也和标准工具包和SDK，如Numpy（ndarray），Win32(独立设备位图)等主流的密集数组类型相兼容，也就是说，与任何使用步进（或步长）来计算像素位置的阵列相兼容。由于这种兼容性，使用户分配的数据创建Mat头以及用OpenCV函数实时处理该头成为可能。有很多不同的方法，创建一个Mat的对象。下面列出了最常见的选项：

使用create（nrows,ncols,type）方法或类似的Mat（nrows,ncols,type [,fillValue])

构造函数。一个新的指定了大小和类型的数组被分配。type和cvCreateMat 方法中的type 参数具有相同的含义。例如，CV_8UC1 是指一个8 位单通道阵列，CV_32FC2 指 2 通道

(复)浮点阵列，以此类推。

//创建一个用1+3j填充的7 x 7 复矩阵。

Mat M(7,7,CV_32FC2,Scalar(1,3)) ;

/ /现在将M转换为100 x 60的CV_8UC(15)的矩阵。

/ / 旧内容将会被释放

M.create(100,60,CV_8UC(15)) ;

这一章导言中指出，当当前的数组与指定的数组的形状或类型create() 分配唯一的新数组时的形状或类型。

创建多维数组：

/ / 创建100 x 100 x 100 8 位数组

int sz[] = {100, 100, 100};

Mat. bigCube (3,sz,CV_8U,Scalar::all(0)) ;它将维度数（= 1）传递给Mat的构造函数，但列数设置为1时，创建数组将是2 维的。因此，Mat::dims 始终是>=2的(该数组为空时，也可以是0）。

使用的复制构造函数或赋值运算符可以是一个数组或右侧的表达式（请参阅

下图）。正像在导言中指出的，数组赋值运算复杂度是O(1)因为当你需要它的时候，它仅复制头和增加引用计数。Mat::clone() 方法可用于获取全（深）的副本数组。

为另一个数组的一部分构建头。它可以是单个行、单个列，几个行，几个列，矩形区域（代数中称为较小值）的数组或对角线。这种操作也是复杂度为O(1)，因为，新头引用相同的数据。实际上，您可以使用此特性修改该数组的一部分例如：

/ /第5行，乘以3，加到第3 行，

M.row(3) = M.row(3) + M.row (5) * 3 ;

/ / 现在将第7列复制到第1列

/ / M.col(1) = M.col(7) ;/ / 这个不能实现。

Mat M1= M.col(1) ;

M.col(7).copyTo(M1) ;

/ / 创建一种新的320 x 240 图像

Mat img(Size(320,240),CV_8UC3) ;

/ / 选择ROI(region of interest)

Mat roi(img,Rect(10,10,100,100)) ;

/ / 填充（0,255,0）的ROI （这是RGB 空间中的绿色）；

/ / 320 x 240 原始图像将被修改。

roi = Scalar(0,255,0) ;

由于额外的datastart 和dataend 的成员，它们使得用locateROI() 计算子数组在主容器数组中的相对的位置成为可能：

Mat A = Mat::eye ( 10, 10, CV_32S）;

/ / 提取A 的1 （含）到3 （不包含）列。

Mat B = A(Range::all(),Range（1,3））;

/ / 提取B 的5 （含）到9 （不包含）行。

/ /即C ~ A（Range（5,9）,Range （1,3））

Mat C = B（Range（5,9）,Range::all()) ;

Size size;Point ofs;

C.locateROI （size,ofs）;

/ / size将变为(width= 10，height= 10），ofs会变为(x = 1，y = 5)

考虑到整个矩阵，如果您需要深层副本，使用子矩阵的sclone() 方法的提取。

为用户分配数据创建矩阵头。有利于执行下列操作：

1. 使用OpenCV处理"外来"的数据（例如，当您执行DirectShow *filter 或gstreamer的pro-cessing 模块，等等)。例如：

void process_video_frame (const unsignedchar * pixels,

int width,int height,int step)

{

Mat img (width,height, CV_8UC3,pixels,step);

GaussianBlur （img,img ,Size(7,7),1.5,1.5）;

}

2.快速初始化小矩阵和/或获取超快的元素的访问。

double m[3] [3] = {{a,b,c},{d,e,f} {g, h, i}}};

Mat M = Mat（3,3,CV_64F,m).inv() ;