Mat類

OpenCV c + + n 維稠密數組類

class CV_EXPORTS Mat

{

public：

/ / … …很多的方法...

...

/*!包括幾位字段：

-神奇的簽名

-連續性標志

-深度（Note：應該是位深）

-通道數

*/

int flags;（Note ：目前還不知道flags做什么用的）

//!數組的維數，> = 2

int dims ;

//!行和列的數量或 (-1，-1) 此時數組已超過 2 維

int rows,cols;

//!指向數據的指針

uchar *data ;

//!指針的引用計數器 ；

/ / 陣列指向用戶分配的數據時，當指針為 NULL

int * refcount ;

/ / 其他成員

...

};

Mat類表示一個 n 維的稠密數值型的單通道或多通道數組。它可以用于存儲實數或復數值的向量和矩陣、灰度或彩色圖像、體素、向量場、點云、張量、直方圖 （盡管較高維的直方圖存儲在SparseMat可能更好）。M 數組的數據布局是由陣列? M.step[]定義的，使元素的地址（i₀,。。。。i_M.dims-1),其中 0<= i_k?< M.size [k]，可以計算為：

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維的數組的情況下根據上述公式被減至：

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

請注意，M.step[i] > =M.step[i+1] （事實上，M.step[i] > =M.step[i+1]*M.size[i+1]）。這意味著2維矩陣是按行存儲的，3 維矩陣是由平面存儲，以此類推。M.step[M.dims-1] 是最小的而且總是等于元素大小M.elemSize()。因此，Mat中的數據布局完全兼容OpenCV 1.x 中CvMat、 IplImage、 CvMatND類型。它也和標準工具包和SDK，如Numpy（ndarray），Win32(獨立設備位圖)等主流的密集數組類型相兼容，也就是說，與任何使用步進（或步長）來計算像素位置的陣列相兼容。由于這種兼容性，使用戶分配的數據創建Mat頭以及用OpenCV函數實時處理該頭成為可能。有很多不同的方法，創建一個Mat的對象。下面列出了最常見的選項：

使用 create（nrows,ncols,type）方法或類似的Mat（nrows,ncols,type [,fillValue])構造函數。一個新的指定了大小和類型的數組被分配。type和cvCreateMat 方法中的type參數具有相同的含義。

例如，CV_8UC1 是指一個 8 位單通道陣列，CV_32FC2 指 2 通道(復平面)浮點陣列，以此類推。

//創建一個用1+3j填充的 7 x 7 復矩陣。

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

/ /現在將 M轉換為100 x 60的CV_8UC(15)的矩陣。

/ / 舊內容將會被釋放

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

這一章導言中指出，當當前的數組與指定的數組的形狀或類型create() 分配唯一的新數組時的形狀或類型。

創建多維數組：

/ / 創建 100 x 100 x 100 8 位數組

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

Mat. bigCube (3,sz,CV_8U,Scalar::all(0)) ;它將維度數（= 1）傳遞給Mat的構造函數，但列數設置為 1時，創建數組將是 2 維的。因此，Mat::dims 始終是>=2的(該數組為空時，也可以是 0）。

使用的復制構造函數或賦值運算符可以是一個數組或右側的表達式（請參閱下圖）。正像在導言中指出的，數組賦值運算復雜度是O(1)因為當你需要它的時候，它僅復制頭和增加引用計數。Mat::clone() 方法可用于獲取全（深）的副本數組。

為另一個數組的一部分構建頭。它可以是單個行、 單個列，幾個行，幾個列，矩形區域（代數中稱為較小值） 的數組或對角線。這種操作也是復雜度為O(1)，因為，新頭引用相同的數據。實際上，您可以使用此特性修改該數組的一部分例如：

/ /第 5行，乘以 3，加到第 3 行，

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

/ / 現在將第7列復制到第1列

/ / M.col(1) = M.col(7) ;/ / 這個不能實現。

Mat? M1= M.col(1) ;

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

/ / 創建一種新的 320 x 240 圖像

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

/ / 選擇ROI(region of interest)

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

/ / 填充 （0,255,0） 的ROI （這是RGB 空間中的綠色）；

/ / 320 x 240 原始圖像將被修改。

roi = Scalar(0,255,0) ;

由于額外的 datastart 和 dataend 的成員，它們使得用locateROI() 計算子數組在主容器數組中的相對的位置成為可能：

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將變為 (width= 10，height= 10），ofs會變為 (x = 1，y = 5)

考慮到整個矩陣，如果您需要深層副本，使用子矩陣的sclone() 方法的提取。

為用戶分配數據創建矩陣頭。有利于執行下列操作：

1. 使用 OpenCV處理"外來"的數據（例如，當您執行 DirectShow *?lter 或 gstreamer的pro-cessing 模塊，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.快速初始化小矩陣和/或獲取超快的元素的訪問。

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

Mat M = Mat（3,3,CV_64F,m).inv() ;

本例中用戶分配數據的一些很常見情況是從CvMat 和 IplImage 轉換到Mat。為達到此目的，有些特殊的構造函數以指向CvMat 或 IplImage 和?ag可選參數指示是否數據復制。從Mat到 CvMat 或 IplImage 的后臺轉換是通過類型轉換運算符 Mat::operator CvMat() const 和 Mat::operator IplImage()實現的。operators不要復制數據。

IplImage * img = cvLoadImage("greatwave.jpg",1） ;

Mat mtx(img) ;/ / IplImage *-> Mat

CvMat oldmat = mtx ;/ / Mat-> CvMat

CV_Assert (oldmat.cols = = img-> width&& oldmat.rows = = img-> height & &

oldmat.data.ptr = = (uchar *) img->imageData & & oldmat.step = = img-> widthStep）;

使用 MATLAB 樣式數組初始值設定項zeros()、 ones()、 eye()，例如：

/ / 創建具雙精度標識矩陣并將其添加到M。

M + = Mat::eye （M.rows,M.cols,CV_64F）;

使用逗號分隔的初始值設定項：

/ / 創建 3 x 3 雙精度恒等矩陣

Mat M = (Mat_ <double> (3,3) <<1，0,0,0,1,0,0,0,1） ;

使用此方法，您首先調用具有適當的參數的 Mat_類構造函數，然后只要把 << 運算符后面的值用逗號分隔，這些值可以是常量、變量、 表達式，等等。此外請注意所需的額外的圓括號（(Mat_<double> (3，3)<< 1，0，0，0，1，0，0，0，1））以免出現編譯錯誤。

數組一旦創建起來，它可以自動通過引用計數的機制被管理。如果數組頭是在用戶分配的數據的基礎上構建的，您應該自己處理這些數據。當沒有指向它的引用時，數組中的數據將被釋放。如果在數組的析構函被調用之前要釋放一個由矩陣頭指向的數據，請使用Mat::release()。

掌握Array類的另一個重要的環節是元素的訪問。本手冊已經描述了如何計算每個數組元素的地址。通常情況下，不需要在代碼中直接使用的公式。如果你知道數組元素類型（它可以使用 Mat::type() 方法檢索得到），您可以用以下方式訪問二維數組的元素M_ij：

M.at <double>(i,j)? + = 1.f ;

假定 M 一個雙精度浮點型數組。有幾個變體的不同方法來針對不同的維度數進行處理。

如果您要處理整行的二維數組，最有效的方式是獲取該行的頭指針然后只需使用普通的 C運算符[]：

/ / 正矩陣元素之和計算

/ / （假定M 是一個雙精度矩陣）

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.） ;

}

以上的操作中，某些操作實際上不依賴該數組的形狀。他們只是一個接一個（或多個具有相同的坐標的多個數組中的元素，例如，數組相加）地處理數組元素。這種操作稱為 元素指向（element-wise）。檢查是否所有的輸入/輸出陣列是連續的，即有沒有間斷在每行的結尾，是有意義的。如果是的話，將它們（這些數組）作為單獨的一個長行來處理：

/ / 計算正矩陣元素，優化的變量的總和

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.） ;

}

對于連續的矩陣來說，外部循環體只需一次執行。所以，開銷是規模較小，

小型矩陣的情況下尤其明顯。

最后，還有足以成功跳過連續的行之間的間隔智能的STL 樣式迭代器：

/ / 計算正矩陣元素和基于迭代器類型的變量之和

double sum = 0;

Mat Const Iterator_ <double> it =M.begin <double> (),it_end = M.end <double> () ;

for(; it! = it_end ; ++it）

sum+ = std::max (*it,0.）；

矩陣迭代器是隨機存取的迭代器，所以他們可以被傳遞給任何 STL 算法，包括 std::sort()。

矩陣表達式

這是已經實現的可以組合在任意復雜的表達式中的矩陣運算操作， （此處 A 、B 的表示矩陣 (Mat)、 s表示標量（Scalar），alpha為實數標量 （雙精度型）：

? 加法、減法、求反： A + B + A-B、 A + s、 A-s、 s + A、 s-A、-A；

? 縮放： A * alpha

? 每個元素乘法和除法: A.mul (B)、 A / B，alpha/A

? 矩陣相乘： A * B

? 大動脈轉位： A.t() (指在)

?矩陣反演和偽反演，求解線性系統和最小二乘問題：

A.inv([method]) (~ A-1) , A.inv([method])*B (~ X: AX=B)

? 比較： cmpop B、 cmpop alpha、 alpha cmpop A，其中 cmpop 是以下幾種運算符之一： >，> =，= =，! =，< =，<。比較的結果是其元素設置為 255的 8 位單通道掩碼（如果特殊元素對滿足條件） 或 0。

? 按位邏輯運算： logicop B、 logicop s slogicop A、 ~ A，其中 logicop 是以下運算符之一： &,|, ^.

? 元素的最小值和最大值：分 （A、 B）、 民 （，alpha），最大值 (A，B)，最大 （，alpha）

? 元素的絕對價值： abs(A)

? 叉乘，點乘： A.cross(B) A.dot(B)

? 任何標量與矩陣或矩陣的函數，返回一個矩陣或標量（scalar），如norm、, mean、 sum、countNonZero、trace、determinant、repeat和其他。

? 矩陣初始值設定項（Mat::eye()，Mat::zeros()，Mat::ones()）、矩陣以逗號分隔的初始值設定項、可提取sub-matrices的m atrix構造函數和運算符，（請參見Mat的說明）。

? Mat_ <destination_type> () 構造函數將結果強制轉換為適當的類型。

Note：有些逗號分隔初始值設定項和一些其他的運算符可能需要顯示調用Mat();或Mat_<T>();的構造函數來解決可能產生的歧義。

???????? 以下是一些矩陣表達式的例子：

//計算矩陣A的偽反演等價于A.inv(DECOMP_SVD)

SVD svd(A);

Mat pinvA =svd.vt.t()*Mat::diag(1./svd.w)*svd.u.t();

//計算萊文伯格-馬夸特算法中的參數的新向量

x -= (A.t()*A +lambda*Mat::eye(A.cols,A.cols,A.type())).inv(DECOMP_CHOLESKY)*(A.t()*err);

//用“Unsharp Mask”算法銳化圖像

Mat blurred; double sigma = 1, threshold =5, amount = 1;

GaussianBlur(img, blurred, Size(), sigma,sigma);

Mat lowConstrastMask = abs(img - blurred)< threshold;

Mat sharpened = img*(1+amount) +blurred*(-amount);

img.copyTo(sharpened, lowContrastMask);

下面正式講解Mat的各種方法。

Mat:: Mat

各種Mat構造函數。

C++: Mat::Mat()

C++: Mat::Mat(int rows, int cols, int type)

C++: Mat::Mat(Size size, int type)

C++: Mat::Mat(int rows, int cols, int type,const Scalar& s)

C++: Mat::Mat(Size size, int type, constScalar& s)

C++: Mat::Mat(const Mat& m)

C++: Mat::Mat(int rows, int cols, int type,void* data, size_t step=AUTO_STEP)

C++: Mat::Mat(Size size, int type, void*data, size_t step=AUTO_STEP)

C++: Mat::Mat(const Mat& m, constRange& rowRange, const Range& colRange)

C++: Mat::Mat(const Mat& m, constRect& roi)

C++: Mat::Mat(const CvMat* m, boolcopyData=false)

C++: Mat::Mat(const IplImage* img, boolcopyData=false)

C++: template<typename T, int n>explicit Mat::Mat(const Vec<T, n>& vec, bool copyData=true)

C++: template<typename T, int m, intn> explicit Mat::Mat(const Matx<T, m, n>& vec, bool copyData=true)

C++: template<typename T> explicitMat::Mat(const vector<T>& vec, bool copyData=false)

C++: Mat::Mat(const MatExpr& expr)

C++: Mat::Mat(int ndims, const int* sizes,int type)

C++: Mat::Mat(int ndims, const int* sizes,int type, const Scalar& s)

C++: Mat::Mat(int ndims, const int* sizes,int type, void* data, const size_t* steps=0)

C++: Mat::Mat(const Mat& m, constRange* ranges)

?????????參數

ndims– 數組的維數.

rows?– 2維數組中行行數

cols?– Number of columnsin a 2D array.

size?– 2維數組的尺寸Size(cols, rows) .在Size()構造函數中行數和列數在次序上剛好反轉過來了。

sizes–指定 n 維數組形狀的整數數組。

type–數組的類型。使用 CV_8UC1，… …，創建 1-4 通道的矩陣，CV_64FC4 或CV_8UC(n)，… …，CV_64FC(n)可以創建多通道 （高達 CV_MAX_CN 通道）矩陣。

s–一個可選的初始化每個矩陣元素的參數。要在矩陣建成后將所有元素設置為特定值可以用Mat的賦值運算符Mat:operator=(constScala& value)。

data–指向用戶數據的指針。矩陣構造函數傳入data和step參數不分配矩陣數據。相反，它們只是初始化矩陣頭指向指定的數據，這意味著沒有數據的復制。此操作是很高效的，可以用來處理使用 OpenCV 函數的外部數據。外部數據不會自動釋放，所以你應該小心處理它。

step–每個矩陣行占用的字節數。如果任何值應包括每行末尾的填充字節。如果缺少此參數（設置為 AUTO_STEP），假定沒有填充和實際的步長用cols*elemSize()計算。請參閱Mat::elemSize()。

steps–多維數組（最后一步始終設置為元素大小） 的情況下的 ndims-1個步長的數組。如果沒有指定的話，該矩陣假定為連續。

m–分配給構造出來的矩陣的陣列（作為一個整體或部分）。這些構造函數沒有復制數據。相反，指向 m 的數據或它的子數組的頭被構造并被關聯到m上。引用計數器中無論如何都將遞增。所以，當您修改矩陣的時候，自然而然就使用了這種構造函數，您還修改 m 中的對應元素。如果你想要獨立的子數組的副本，請使用 Mat::clone()。

img?–指向老版本的 IplImage圖像結構的指針。默認情況下，原始圖像和新矩陣之間共享數據。但當 copyData 被設置時，完整的圖像數據副本就創建起來了。

vec–矩陣的元素構成的STL 向量。矩陣可以取出單獨一列并且該列上的行數和矢量元素的數目相同。矩陣的類型匹配的向量元素的類型。構造函數可以處理任意的有正確聲明的DataType類型。這意味著矢量元素不支持的混合型結構，它們必須是數據（numbers）原始數字或單型數值元組。對應的構造函數是顯式的。由于 STL 向量不會自動轉換為Mat實例，您應顯式編寫 Mat(vec)。除非您將數據復制到矩陣 （copyData = true），沒有新的元素被添加到向量中，因為這樣可能會造成矢量數據重新分配，并且因此使得矩陣的數據指針無效。

copyData?–指定STL 向量或舊型 CvMat 或 IplImage是應復制到 (true)新構造的矩陣中 還是 (false) 與之共享基礎數據的標志，復制數據時，使用Mat引用計數機制管理所分配的緩沖區。雖然數據共享的引用計數為 NULL，但是分配數據必須在矩陣被析構之后才可以釋放。

rowRange?– m 的行數的取值范圍。正常情況下，范圍開始端具有包容性和范圍結束端是獨占的。使用 Range::all() 來取所有的行。

colRange?–m 列數的取值范圍。使用 Range::all() 來取所有的列。

ranges?–表示M沿每個維度選定的區域的數組。

expr?– 矩陣表達式。請參見矩陣表達式。

以上這些都是Mat生成一個矩陣的各類構造函數。如?輸出數據的自動分配 一節（該節內容在第一章 Introduction）中所提到的，往往默認構造函數就足夠了，不同的矩陣可以由 OpenCV 函數來分配數據空間。構造的矩陣可以進一步分配給另一個矩陣或矩陣表達或通過Mat::create()獲配。在前一種情況，舊的內容是間接引用的。

總結

以上是生活随笔為你收集整理的OpenCV参考手册之Mat类详解1的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。