OpenCV中基本数据类型Mat类使用简析
2024-04-15 05:37:06
Mat 类是OpenCV中的一个基本数据类型，它是一个n维密集数组类
Mat 类表示一个 n 维密集数值单通道或多通道数组。它可用于存储实数或复值向量和矩阵、灰度或彩色图像、体素体积、向量场、点云、张量、直方图（不过，非常高维的直方图可能更好地存储在 SparseMat 中）。数组M的数据布局由数组M.step[]定义，使得元素 ( i 0 , ⋯ , i M . d i m s − 1 ) (i_0,\cdots,i_{M.dims−1}) (i0,⋯,iM.dims−1)的地址，其中 0 ≤ i k < M . s i z e [ k ] 0≤i_k<M.size[k] 0≤ik<M.size[k]， 计算为：
a d d r ( M i 0 , ⋯ , i M . d i m s − 1 ) = M . d a t a + M . s t e p [ 0 ] ∗ i 0 + M . s t e p [ 1 ] ∗ i 1 + ⋯ + M . s t e p [ M . d i m s − 1 ] ∗ i M . d i m s − 1 addr(M_{i0},\cdots,i_{M.dims-1})=M.data+M.step[0]*i_0+M.step[1]*i_1+\cdots+M.step[M.dims-1]*i_{M.dims-1} addr(Mi0,⋯,iM.dims−1)=M.data+M.step[0]∗i0+M.step[1]∗i1+⋯+M.step[M.dims−1]∗iM.dims−1
在二维数组的情况下，上述公式简化为：
a d d r ( M i , j ) = M . d a t a + M . s t e p [ 0 ] ∗ i + M . s t e p [ 1 ] ∗ j addr(M_{i,j})=M.data+M.step[0]*i+M.step[1]*j addr(Mi,j)=M.data+M.step[0]∗i+M.step[1]∗j
请注意，M.step[i] >= M.step[i+1] （实际上，M.step[i] >= M.step[i+1]*M.size[i+1] ）。 这意味着 2 维矩阵是逐行存储的，3 维矩阵是逐平面存储的，依此类推。M.step[M.dims-1] 是最小的并且总是等于元素大小 M.elemSize() 。
因此，Mat 中的数据布局与 OpenCV 1.x 中的 CvMat、IplImage 和 CvMatND 类型完全兼容。它还兼容标准工具包和 SDK 中的大多数密集数组类型，例如 Numpy (ndarray)、Win32（独立设备位图），即任何使用步长（或步幅）来计算像素位置的数组。由于这种兼容性，可以为用户分配的数据创建一个 Mat 标头并使用 OpenCV 函数就地处理它。
有许多不同的方法可以创建一个 Mat 对象。下面列出了最流行的选择：
- 使用
create(nrows, ncols, type)方法或类似的Mat(nrows, ncols, type[, fillValue])构造函数。分配了指定大小和类型的新数组。type 与 cvCreateMat 方法中的含义相同。例如，CV_8UC1 表示 8 位单通道数组，CV_32FC2 表示 2 通道（复数）浮点数组，以此类推。
// make a 7x7 complex matrix filled with 1+3j.
Mat M(7,7,CV_32FC2,Scalar(1,3));
// and now turn M to a 100x60 15-channel 8-bit matrix.
// The old content will be deallocated
M.create(100,60,CV_8UC(15));
测试代码
#include <opencv2/highgui.hpp>
#include <opencv2/imgcodecs.hpp>
#include <opencv2/imgproc.hpp>
#include <iostream>int main()
{cv::Mat M(3, 3, CV_32FC2, cv::Scalar(1, 3));// M.create(5, 5, CV_8UC(3));std::cout << "==默认风格==\n" << cv::format(M, cv::Formatter::FMT_DEFAULT) << std::endl;std::cout << "==Python风格==\n" << cv::format(M, cv::Formatter::FMT_PYTHON) << std::endl;std::cout << "==Numpy风格==\n" << cv::format(M, cv::Formatter::FMT_NUMPY) << std::endl;std::cout << "==C风格==\n" << cv::format(M, cv::Formatter::FMT_C) << std::endl;return 0;
}
输出如下
==默认风格==
[1, 3, 1, 3, 1, 3;1, 3, 1, 3, 1, 3;1, 3, 1, 3, 1, 3]
==Python风格==
[[[1, 3], [1, 3], [1, 3]],[[1, 3], [1, 3], [1, 3]],[[1, 3], [1, 3], [1, 3]]]
==Numpy风格==
array([[[1, 3], [1, 3], [1, 3]],[[1, 3], [1, 3], [1, 3]],[[1, 3], [1, 3], [1, 3]]], dtype='float32')
==C风格==
{1, 3, 1, 3, 1, 3,1, 3, 1, 3, 1, 3,1, 3, 1, 3, 1, 3}
==默认风格==
[ 0, 0, 128, 63, 0, 0, 64, 64, 0, 0, 128, 63, 0, 0, 64;64, 0, 0, 128, 63, 0, 0, 64, 64, 0, 0, 128, 63, 0, 0;64, 64, 0, 0, 128, 63, 0, 0, 64, 64, 0, 0, 128, 63, 0;0, 64, 64, 0, 0, 128, 63, 0, 0, 64, 64, 0, 0, 128, 63;0, 0, 64, 64, 0, 0, 128, 63, 0, 0, 64, 64, 160, 63, 25]
==Python风格==
[[[ 0, 0, 128], [ 63, 0, 0], [ 64, 64, 0], [ 0, 128, 63], [ 0, 0, 64]],[[ 64, 0, 0], [128, 63, 0], [ 0, 64, 64], [ 0, 0, 128], [ 63, 0, 0]],[[ 64, 64, 0], [ 0, 128, 63], [ 0, 0, 64], [ 64, 0, 0], [128, 63, 0]],[[ 0, 64, 64], [ 0, 0, 128], [ 63, 0, 0], [ 64, 64, 0], [ 0, 128, 63]],[[ 0, 0, 64], [ 64, 0, 0], [128, 63, 0], [ 0, 64, 64], [160, 63, 25]]]
==Numpy风格==
array([[[ 0, 0, 128], [ 63, 0, 0], [ 64, 64, 0], [ 0, 128, 63], [ 0, 0, 64]],[[ 64, 0, 0], [128, 63, 0], [ 0, 64, 64], [ 0, 0, 128], [ 63, 0, 0]],[[ 64, 64, 0], [ 0, 128, 63], [ 0, 0, 64], [ 64, 0, 0], [128, 63, 0]],[[ 0, 64, 64], [ 0, 0, 128], [ 63, 0, 0], [ 64, 64, 0], [ 0, 128, 63]],[[ 0, 0, 64], [ 64, 0, 0], [128, 63, 0], [ 0, 64, 64], [160, 63, 25]]], dtype='uint8')
==C风格==
{ 0, 0, 128, 63, 0, 0, 64, 64, 0, 0, 128, 63, 0, 0, 64,64, 0, 0, 128, 63, 0, 0, 64, 64, 0, 0, 128, 63, 0, 0,64, 64, 0, 0, 128, 63, 0, 0, 64, 64, 0, 0, 128, 63, 0,0, 64, 64, 0, 0, 128, 63, 0, 0, 64, 64, 0, 0, 128, 63,0, 0, 64, 64, 0, 0, 128, 63, 0, 0, 64, 64, 160, 63, 25}
由两者输出结果得出，create() 仅在当前数组的形状或类型与指定的不同时分配一个新数组。
- 创建一个多维数组
// create a 100x100x100 8-bit array
int sz[] = {100, 100, 100};
Mat bigCube(3, sz, CV_8U, Scalar::all(0));
它将维度数 =1 传递给 Mat 构造函数，但创建的数组将是二维的，列数设置为 1。因此，Mat::dims 始终 >= 2（当数组为空时也可以为 0）。
- 在右侧可以有数组或表达式的地方使用复制构造函数或赋值运算符（见下文）。如介绍中所述，数组赋值是一个 O(1) 操作，因为它只复制标头并增加引用计数器。Mat::clone() 方法可用于在需要时获取数组的完整（深层）副本。
- 为另一个数组的一部分构造一个标头。它可以是单行、单列、多行、多列、数组中的矩形区域（在代数中称为小区域）或对角线。此类操作也是 O(1)，因为新标头引用相同的数据。实际上可以使用此功能修改数组的一部分，例如：
// add the 5-th row, multiplied by 3 to the 3rd row
M.row(3) = M.row(3) + M.row(5)*3;
// now copy the 7-th column to the 1-st column
// M.col(1) = M.col(7); // this will not work
Mat M1 = M.col(1);
M.col(7).copyTo(M1);
// create a new 320x240 image
Mat img(Size(320,240),CV_8UC3);
// select a ROI
Mat roi(img, Rect(10,10,100,100));
// fill the ROI with (0,255,0) (which is green in RGB space);
// the original 320x240 image will be modified
roi = Scalar(0,255,0);
由于额外的 datastart 和 dataend 成员，可以使用 locateROI() 计算主容器数组中的相对子数组位置：
Mat A = Mat::eye(10, 10, CV_32S);
// extracts A columns, 1 (inclusive) to 3 (exclusive).
Mat B = A(Range::all(), Range(1, 3));
// extracts B rows, 5 (inclusive) to 9 (exclusive).
// that is, 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 will be (width=10,height=10) and the ofs will be (x=1, y=5)
与整个矩阵一样，如果您需要深度复制，请使用提取的子矩阵的 clone() 方法。
测试代码
#include <opencv2/highgui.hpp>
#include <opencv2/imgcodecs.hpp>
#include <opencv2/imgproc.hpp>
#include <iostream>int main()
{cv::Mat M(6, 6, CV_8UC3, cv::Scalar(23, 24, 25));std::cout << "==默认风格==\n" << cv::format(M, cv::Formatter::FMT_DEFAULT) << std::endl;std::cout << "==Python风格==\n" << cv::format(M, cv::Formatter::FMT_PYTHON) << std::endl;std::cout << "==Numpy风格==\n" << cv::format(M, cv::Formatter::FMT_NUMPY) << std::endl;std::cout << "==C风格==\n" << cv::format(M, cv::Formatter::FMT_C) << std::endl;std::cout << std::endl << std::endl << std::endl;M.row(3) = M.row(3) + M.row(5) * 3;cv::Mat M1;M.col(5).copyTo(M1);std::cout << "==默认风格==\n" << cv::format(M, cv::Formatter::FMT_DEFAULT) << std::endl;std::cout << "==Python风格==\n" << cv::format(M, cv::Formatter::FMT_PYTHON) << std::endl;std::cout << "==Numpy风格==\n" << cv::format(M, cv::Formatter::FMT_NUMPY) << std::endl;std::cout << "==C风格==\n" << cv::format(M, cv::Formatter::FMT_C) << std::endl;std::cout << "==Python风格==\n" << cv::format(M1, cv::Formatter::FMT_PYTHON) << std::endl;std::cout << std::endl << std::endl;cv::Mat img(cv::Size(320, 240), CV_8UC3);cv::Mat roi(img, cv::Rect(10, 10, 100, 100));roi = cv::Scalar(255, 0, 0);cv::imshow("image", img);cv::waitKey(0);cv::Mat A = cv::Mat::eye(10, 10, CV_32S);cv::Mat B = A(cv::Range::all(), cv::Range(1, 3));cv::Mat C = B(cv::Range(5, 9), cv::Range::all());cv::Size size; cv::Point ofs;C.locateROI(size, ofs);std::cout << cv::format(A, cv::Formatter::FMT_PYTHON) << std::endl;std::cout << cv::format(B, cv::Formatter::FMT_PYTHON) << std::endl;std::cout << cv::format(C, cv::Formatter::FMT_PYTHON) << std::endl;std::cout << "size = " << size << ", ofs = " << ofs << std::endl;return 0;
}
输出结果
==默认风格==
[ 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25;23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25;23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25;23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25;23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25;23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25]
==Python风格==
[[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]],[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]],[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]],[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]],[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]],[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]]]
==Numpy风格==
array([[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]],[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]],[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]],[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]],[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]],[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]]], dtype='uint8')
==C风格==
{ 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25,23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25,23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25,23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25,23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25,23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25}
==默认风格==
[ 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25;23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25;23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25;92, 96, 100, 92, 96, 100, 92, 96, 100, 92, 96, 100, 92, 96, 100, 92, 96, 100;23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25;23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25]
==Python风格==
[[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]],[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]],[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]],[[ 92, 96, 100], [ 92, 96, 100], [ 92, 96, 100], [ 92, 96, 100], [ 92, 96, 100], [ 92, 96, 100]],[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]],[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]]]
==Numpy风格==
array([[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]],[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]],[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]],[[ 92, 96, 100], [ 92, 96, 100], [ 92, 96, 100], [ 92, 96, 100], [ 92, 96, 100], [ 92, 96, 100]],[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]],[[ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25], [ 23, 24, 25]]], dtype='uint8')
==C风格==
{ 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25,23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25,23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25,92, 96, 100, 92, 96, 100, 92, 96, 100, 92, 96, 100, 92, 96, 100, 92, 96, 100,23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25,23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25, 23, 24, 25}
==Python风格==
[[ 23, 24, 25],[ 23, 24, 25],[ 23, 24, 25],[ 92, 96, 100],[ 23, 24, 25],[ 23, 24, 25]]
[[1, 0, 0, 0, 0, 0, 0, 0, 0, 0],[0, 1, 0, 0, 0, 0, 0, 0, 0, 0],[0, 0, 1, 0, 0, 0, 0, 0, 0, 0],[0, 0, 0, 1, 0, 0, 0, 0, 0, 0],[0, 0, 0, 0, 1, 0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 1, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 1, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0, 1, 0, 0],[0, 0, 0, 0, 0, 0, 0, 0, 1, 0],[0, 0, 0, 0, 0, 0, 0, 0, 0, 1]]
[[0, 0],[1, 0],[0, 1],[0, 0],[0, 0],[0, 0],[0, 0],[0, 0],[0, 0],[0, 0]]
[[0, 0],[0, 0],[0, 0],[0, 0]]
size = [10 x 10], ofs = [1, 5]
- 为用户分配的数据创建一个标头。 执行以下操作可能很有用：
- 使用 OpenCV 处理“外部”数据（例如，当您实现 DirectShow* 过滤器或 gstreamer 的处理模块等时）
void process_video_frame(const unsigned char* pixels,int width, int height, int step)
{Mat img(height, width, CV_8UC3, pixels, step);GaussianBlur(img, img, Size(7,7), 1.5, 1.5);
}
- 快速初始化小矩阵 / 获得超快速元素访问
double m[3][3] = {{a, b, c}, {d, e, f}, {g, h, i}};
Mat M = Mat(3, 3, CV_64F, m).inv();
这种用户分配数据的部分但非常常见的情况是从 CvMat 和 IplImage 到 Mat 的转换。为此，函数 cv::cvarrToMat 采用指向 CvMat 或 IplImage 的指针以及指示是否复制数据的可选标志。
Ptr<IplImage> iplimg(cvLoadImage(imagename.c_str())); // Ptr<T> is safe ref-counting pointer class
if(!iplimg)
{fprintf(stderr, "Can not load image %s\n", imagename.c_str());return -1;
}
Mat img = cv::cvarrToMat(iplimg); // cv::Mat replaces the CvMat and IplImage, but it's easy to convert
// between the old and the new data structures (by default, only the header
// is converted, while the data is shared)
- 使用 MATLAB 风格的数组初始化器 zeros()、ones()、eye()
// create a double-precision identity matrix and add it to M.
M += Mat::eye(M.rows, M.cols, CV_64F);
- 使用逗号分隔的初始化
// create a 3x3 double-precision identity matrix
Mat M = (Mat_<double>(3,3) << 1, 0, 0, 0, 1, 0, 0, 0, 1);
使用这种方法，您首先使用适当的参数调用 Mat 类的构造函数，然后只需将 << 运算符放在逗号分隔的值后面，这些值可以是常量、变量、表达式等。另外，请注意避免编译错误所需的额外括号。
测试代码
#include <opencv2/highgui.hpp>
#include <opencv2/imgcodecs.hpp>
#include <opencv2/imgproc.hpp>
#include <iostream>int main()
{cv::Mat M(5, 5, CV_64FC3, cv::Scalar(1, 3, 5));std::cout << cv::format(M, cv::Formatter::FMT_PYTHON) << std::endl;std::cout << std::endl;M += cv::Mat::eye(M.rows, M.cols, CV_64FC3);std::cout << cv::format(M, cv::Formatter::FMT_PYTHON) << std::endl;std::cout << std::endl;cv::Mat M1 = (cv::Mat_<double>(3, 3) << 1, 0, 0, 0, 1, 0, 0, 0, 1);std::cout << cv::format(M1, cv::Formatter::FMT_PYTHON) << std::endl;return 0;
}
输出结果
[[[1, 3, 5], [1, 3, 5], [1, 3, 5], [1, 3, 5], [1, 3, 5]],[[1, 3, 5], [1, 3, 5], [1, 3, 5], [1, 3, 5], [1, 3, 5]],[[1, 3, 5], [1, 3, 5], [1, 3, 5], [1, 3, 5], [1, 3, 5]],[[1, 3, 5], [1, 3, 5], [1, 3, 5], [1, 3, 5], [1, 3, 5]],[[1, 3, 5], [1, 3, 5], [1, 3, 5], [1, 3, 5], [1, 3, 5]]][[[2, 3, 5], [1, 3, 5], [1, 3, 5], [1, 3, 5], [1, 3, 5]],[[1, 3, 5], [2, 3, 5], [1, 3, 5], [1, 3, 5], [1, 3, 5]],[[1, 3, 5], [1, 3, 5], [2, 3, 5], [1, 3, 5], [1, 3, 5]],[[1, 3, 5], [1, 3, 5], [1, 3, 5], [2, 3, 5], [1, 3, 5]],[[1, 3, 5], [1, 3, 5], [1, 3, 5], [1, 3, 5], [2, 3, 5]]][[1, 0, 0],[0, 1, 0],[0, 0, 1]]
创建数组后，它会通过引用计数机制自动进行管理。如果数组头建立在用户分配的数据之上，你应该自己处理数据。 当没有人指向它时，数组数据被释放。如果要在调用数组析构函数之前释放数组头指向的数据，请使用 Mat::release()。
关于数组类的下一个重要知识是元素访问。 本手册已经描述了如何计算每个数组元素的地址。通常，不需要在代码中直接使用公式。 如果知道数组元素类型（可以使用方法 Mat::type() 检索），可以访问二维数组的元素 M i j M_{ij} Mij，如下所示：
M.at<double>(i,j) += 1.f;
假设 M 是一个双精度浮点数组。 对于不同数量的维度，该方法有几种变体。如果您需要处理二维数组的一整行，最有效的方法是先获取指向该行的指针，然后只需使用普通的 C 运算符 [] ：
// compute sum of positive matrix elements
// (assuming that M is a double-precision matrix)
double sum = 0;
for(int i = 0; i < M.rows; i++)
{const double* Mi = M.ptr<double>(i);for(int j = 0; j < M.cols; j++)sum += std::max(Mi[j], 0.);
}
某些操作，例如上面的操作，实际上并不依赖于数组形状。它们只是一个一个地处理一个数组的元素（或来自多个具有相同坐标的数组的元素，例如，数组加法）。这样的操作被称为 element-wise。 检查所有输入/输出数组是否连续是有意义的，即在每行的末尾没有间隙。如果是，则将它们作为长单行处理：
// compute the sum of positive matrix elements, optimized variant
double sum=0;
int cols = M.cols, rows = M.rows;
if(M.isContinuous())
{cols *= rows;rows = 1;
}
for(int i = 0; i < rows; i++)
{const double* Mi = M.ptr<double>(i);for(int j = 0; j < cols; j++)sum += std::max(Mi[j], 0.);
}
在连续矩阵的情况下，外部循环体只执行一次。 因此，开销较小，这在小矩阵的情况下尤其明显。最后，还有 STL 风格的迭代器，它们足够聪明，可以跳过连续行之间的间隙：
// compute sum of positive matrix elements, iterator-based variant
double sum=0;
MatConstIterator_<double> it = M.begin<double>(), it_end = M.end<double>();
for(; it != it_end; ++it)sum += std::max(*it, 0.);
测试代码
#include <opencv2/highgui.hpp>
#include <opencv2/imgcodecs.hpp>
#include <opencv2/imgproc.hpp>
#include <iostream>int main()
{cv::Mat M = (cv::Mat_<double>(3, 3) << -1, 0, 1, 0, 1, -1, 1, -1, 0);std::cout << cv::format(M, cv::Formatter::FMT_PYTHON) << std::endl;std::cout << std::endl;M.at<double>(2, 1) += 1.f;std::cout << cv::format(M, cv::Formatter::FMT_PYTHON) << std::endl;double sum = 0;int cols = M.cols, rows = M.rows;if (M.isContinuous()){cols *= rows;rows = 1;}for (int i = 0; i < rows; i++){const double* Mi = M.ptr<double>(i);for (int j = 0; j < cols; j++)sum += std::max(Mi[j], 0.);}std::cout << "sum = " << sum << std::endl;double sum1 = 0;cv::MatConstIterator_<double> it = M.begin<double>(), it_end = M.end<double>();for (; it != it_end; ++it)sum1 += (std::max)(*it, 0.);std::cout << "sum1 = " << sum1 << std::endl;return 0;
}
输出结果
[[-1, 0, 1],[0, 1, -1],[1, -1, 0]][[-1, 0, 1],[0, 1, -1],[1, 0, 0]]
sum = 3
sum1 = 3
OpenCV中基本数据类型Mat类使用简析相关推荐
- OpenCV中图像以Mat类型保存时各通道数据在内存中的组织形式及python代码访问各通道数据的简要方式...
OpenCV中图像以Mat类型保存时各通道数据在内存中的组织形式及python代码访问各通道数据的简要方式 以最简单的4 x 5三通道图像为例,其在内存中Mat类型的数据组织形式如下: 每一行的每一列 ...
- OpenCV参考手册之Mat类详解
OpenCV参考手册之Mat类详解(一) OpenCV参考手册之Mat类详解(二) OpenCV参考手册之Mat类详解(三)
- java jdbc 教程_java JDBC系列教程之JDBC类的简析与JDBC的基础操作
什么是JDBC? 概念:JAVA Database Connectivity Javas数据库连接,Java语言操作数据库接口,然后由各个数据库厂商去实现这个接口,提供数据库驱动java包,我们可以使 ...
- Python中的基本函数及其常用用法简析
分享Python中的基本函数及其常用用法简析,首先关于函数的解释函数是为了达到某种目的而采取的行为,函数是可重复使用的,用来实现某个单一功能或者功能片段的代码块,简单来说就是由一系列的程序语句组成的程 ...
- opencv mat用数组初始化_10、OpenCV中图像和Mat类型（一）
Mat类型可以被认为是OpenCV库的核心. OpenCV库中绝大多数的函数都是Mat类的成员,以Mat作为参数,或者Mat作为返回值. Mat类用于表示任意维数的密集数组.即使对于数组中的该条目为零 ...
- OpenCV中IplImage/CvMat/Mat转化关系
原文链接:http://www.cnblogs.com/summerRQ/articles/2406109.html 如对内容和版权有何疑问,请拜访原作者或者通知本人. opencv中常见的与图像操作 ...
- OpenCV学习三：Mat类详解
目标 我们有多种方法可以获得从现实世界的数字图像:数码相机.扫描仪.计算机体层摄影或磁共振成像就是其中的几种.在每种情况下我们(人类)看到了什么是图像.但是,转换图像到我们的数字设备时我们的记录是图像 ...
- OpenCV参考手册之Mat类详解1
Mat类 OpenCV c + + n 维稠密数组类 class CV_EXPORTS Mat { public: / / - -很多的方法... ... /*!包括几位字段: -神奇的签名 -连续性 ...
- OpenCV中 CvArr、Mat、CvMat、IplImage、BYTE转换（总结而来）
一.Mat类型:矩阵类型,Matrix. 在openCV中,Mat是一个多维的密集数据数组.可以用来处理向量和矩阵.图像.直方图等等常见的多维数据. Mat有3个重要的方法: 1.Mat mat = ...
最新文章
- SQL Server 判断数据库是否存在，表是否存在
- Matlab-PEAKS函数曲线
- unittest 多个测试文件只开一次浏览器_接口测试平台代码实现75: 多接口用例15
- 这几个在搞低功耗广域网的，才是物联网的黑马
- java编写一个程序_计算已知长和宽的长方形的周长,请教一下大佬们，我们java留了一个作业，编写程序，定义一个接口Comput，声明计算周长和面积的方法...
- Spring Boot 细节挖掘（全局异常处理）
- c++incline函数
- 小心投机分子绿坝软件的苦肉计
- hdu 4308 Saving Princess claire_ 广搜 多校联合赛第七题
- MySQL对分隔符的处理（一）
- 进化计算（八）——MOEA/D算法详解Ⅱ
- win10系统做T3服务器,win10系统安装用友t3的图文教程
- DCMP2.0项目总结_页面
- QTreeWidget的右键菜单实现
- fiash星空动画制作_Flash8简单制作酷炫的星空飞越动画特效
- Redis五类数据类型简述
- 普通人应该怎么赚钱，下班后可在家操作的四个兼职副业分享
- Verilog HDL——运算符
- 联想计算机网络唤醒是怎么回事,笔记本开启网络唤醒功能设置的操作方法
- 阿里高级技术专家张建飞：面对复杂业务，if-else coder 如何升级？