OPENCVMAT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、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 *?lter 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() ;
本例中用户分配数据的一些很常见情况是从CvMat 和IplImage 转换到Mat。为达到此目的，有些特殊的构造函数以指向CvMat 或IplImage 和?ag可选参数指示是否数据复制。从Mat
到CvMat 或IplImage 的后台转换是通过类型转换运算符Mat::operator CvMat() const 和Mat::operator IplImage()实现的。operators不要复制数据。
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 样式数组初始值设定项zeros()、ones()、eye()，例如：
/ / 创建具双精度标识矩阵并将其添加到M。
M + = Mat::eye （M.rows,M.cols,CV_64F）;
使用逗号分隔的初始值设定项：
/ / 创建3 x 3 双精度恒等矩阵
Mat M = (Mat_
使用此方法，您首先调用具有适当的参数的Mat_类构造函数，然后只要把<< 运算符后面的值用逗号分隔，这些值可以是常量、变量、表达式，等等。此外请注意所需的额外的圆括号（(Mat_
数组一旦创建起来，它可以自动通过引用计数的机制被管理。如果数组头是在用户分配的数据的基础上构建的，您应该自己处理这些数据。当没有指向它的引用时，数组中的数据将被释放。如果在数组的析构函被调用之前要释放一个由矩阵头指向的数据，请使用
Mat::release()。
掌握Array类的另一个重要的环节是元素的访问。本手册已经描述了如何计算每个数组元素的地址。通常情况下，不需要在代码中直接使用的公式。如果你知道数组元素类型（它可以使用Mat::type() 方法检索得到），您可以用以下方式访问二维数组的元素M ij：
M.at
假定M 一个双精度浮点型数组。有几个变体的不同方法来针对不同的维度数进行处理。如果您要处理整行的二维数组，最有效的方式是获取该行的头指针然后只需使用普通的C 运算符[]：
/ / 正矩阵元素之和计算
/ / （假定M 是一个双精度矩阵）
double sum = 0;
for (int i = 0 ;i < M.rows ; i + +)
{
const double *Mi = M.ptr
for (int j = 0; j < M.cols ; j + +)
sum + = std::max(Mi [j],0.）;
}
以上的操作中，某些操作实际上不依赖该数组的形状。他们只是一个接一个（或多个具有相同的坐标的多个数组中的元素，例如，数组相加）地处理数组元素。这种操作称为元素指向（element-wise）。检查是否所有的输入/输出阵列是连续的，即有没有间断在每行的结尾，是有意义的。如果是的话，将它们（这些数组）作为单独的一个长行来处理：
/ / 计算正矩阵元素，优化的变量的总和
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
for (int j = 0; j < cols ; j ++)
sum + = std::max (Mi [j],0.）;
}
对于连续的矩阵来说，外部循环体只需一次执行。所以，开销是规模较小，
小型矩阵的情况下尤其明显。
最后，还有足以成功跳过连续的行之间的间隔智能的STL 样式迭代器：
/ / 计算正矩阵元素和基于迭代器类型的变量之和
double sum = 0;
Mat Const Iterator_
for(; it! = it_end ; ++it）
sum+ = std::max (*it,0.）；
矩阵迭代器是随机存取的迭代器，所以他们可以被传递给任何STL 算法，包括std::sort()。矩阵表达式
这是已经实现的可以组合在任意复杂的表达式中的矩阵运算操作，（此处A 、B 的表示矩阵(Mat)、s表示标量（Scalar），alpha为实数标量（双精度型）：
加法、减法、求反：A + B + A-B、A + s、A-s、s + A、s-A、-A；
缩放：A * 阿尔法
每个元素乘法和除法: A.mul (B)、A / B，alpha/A
矩阵相乘：A * B
大动脉转位：A.t() (指在)
矩阵反演和伪反演，求解线性系统和最小二乘问题：
A.inv([method]) (~ A-1) , A.inv([method])*B (~ X: AX=B)
比较：cmpop B、cmpop alpha、alpha cmpop A，其中cmpop 是以下几种运算符之一：>，> =，= =，! =，< =，<。比较的结果是其元素设置为255的8 位单通道掩码（如果特殊元素对满足条件）或0。
按位逻辑运算：logicop B、logicop s slogicop A、~ A，其中logicop 是以下运算符之一：&,|, ^.
元素的最小值和最大值：分（A、B）、民（，alpha），最大值(A，B)，最大（，alpha）元素的绝对价值：abs(A)
叉乘，点乘：A.cross(B) A.dot(B)
任何标量与矩阵或矩阵的函数，返回一个矩阵或标量（scalar），如norm、, mean、sum、countNonZero、trace、determinant、repeat和其他。
矩阵初始值设定项（Mat::eye()，Mat::zeros()，Mat::ones()）、矩阵以逗号分隔的初始值设定项、可提取sub-matrices的m atrix构造函数和运算符，（请参见Mat的说明）。
Mat_
Note：有些逗号分隔初始值设定项和一些其他的运算符可能需要显示调用Mat();或Mat_
以下是一些矩阵表达式的例子：
//计算矩阵A的伪反演等价于A.inv(DECOMP_SVD)
SVD svd(A);
Mat pinvA =svd.vt.t()*Mat::diag(1./svd.w)*svd.u.t();
//计算莱文伯格-马夸特算法中的参数的新向量
x -= (A.t()*A +lambda*Mat::eye(A.cols,A.cols,A.type())).inv(DECOMP_CHOLESKY)*(A.t()*err);
//用“Unsharp Mask”算法锐化图像
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);
下面正式讲解Mat的各种方法。
Mat::Mat
各种Mat构造函数。
C++: Mat::Mat()
C++: Mat::Mat(int rows, int cols, int type)