Mat類

OpenCV c + + n 維稠密陣列類

class CV_EXPORTS Mat
{
public：
// … …很多的方法...
...
/*!包括幾位欄位：
-神奇的簽名
-連續性標誌
-深度（Note：應該是位深）
-通道數
*/
int flags;（Note ：目前還不知道flags做什麼用的）
//!陣列的維數，> = 2
int dims ;
//!行和列的數量或 (-1，-1) 此時陣列已超過 2 維
int rows,cols;
//!指向資料的指標
uchar *data ;
//!指標的引用計數器 ；
// 陣列指向使用者分配的資料時，當指標為 NULL
int * refcount ;
// 其他成員
};

Mat類表示一個 n 維的密集數值單通道或多通道陣列。它可以用於儲存實數或複數值的向量和矩陣、灰度或彩色影象、體素、向量場、點雲、張量、直方圖 （儘管較高維的直方圖儲存在SparseMat可能更好）。M 陣列的資料佈局是由陣列  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維的陣列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維矩陣是按行儲存的，3 維矩陣是由平面儲存，以此類推。M.step[M.dims-1] 是最小的而且總是等於元素大小M.elemSize()。因此，Mat中的資料佈局完全相容OpenCV 1.x 中CvMat、 IplImage、 CvMatND型別。它也和標準工具包和SDK，如Numpy（ndarray），Win32(獨立裝置點陣圖)等主流的密集陣列型別相相容，也就是說，與任何使用步進（或步長）來計算畫素位置的陣列相相容。由於這種相容性，使使用者分配的資料建立Mat頭以及用OpenCV函式實時處理該頭成為可能。有很多不同的方法，建立一個Mat的物件。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])建構函式。一個新的指定了大小和型別的陣列被分配。type和cvCreateMat 方法中的type引數具有相同的含義。例如，CV_8UC1 是指一個 8 位單通道陣列，CV_32FC2 指 2 通道(複平面)浮點陣列，以此類推。

//建立一個用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，噹噹前的陣列與指定的陣列的形狀或型別create() 分配唯一的新陣列時的形狀或型別。

建立多維陣列：

// 建立 100 x 100 x 100 8 位陣列
int sz[] = {100, 100, 100};
Mat. bigCube (3,sz,CV_8U,Scalar::all(0)) ;

它將維度數（= 1）傳遞給Mat的建構函式，但列數設定為 1時，建立陣列將是 2 維的。因此，Mat::dims 始終是>=2的(該陣列為空時，也可以是 0）。

使用的複製建構函式或賦值運算子可以是一個陣列或右側的表示式（請參閱下圖）。正像在導言中指出的，陣列賦值運算複雜度是O(1)因為當你需要它的時候，它僅複製頭和增加引用計數。Mat::clone() 方法可用於獲取全（深）的副本陣列。

為另一個陣列的一部分構建頭。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） 的陣列或對角線。這種操作也是複雜度為O(1)，因為，新頭引用相同的資料。實際上，您可以使用此特性修改該陣列的一部分例如：

//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列複製到第1列
/ / M.col(1) = M.col(7) ;/ / 這個不能實現。
Mat  M1= M.col(1) ;
M.col(7).copyTo(M1) ;
// 建立一種新的 320 x 240 影象
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 原始影象將被修改。
roi = Scalar(0,255,0) ;

由於額外的 datastart 和 dataend 的成員，它們使得用locateROI() 計運算元陣列在主容器陣列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。

為使用者分配資料建立矩陣頭。有利於執行下列操作：

1. 使用 OpenCV處理"外來"的資料（例如，當您執行 DirectShow *filter 或 gstreamer的pro-cessing 模組，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() ;

本例中使用者分配資料的一些很常見情況是從CvMat 和 IplImage 轉換到Mat。為達到此目的，有些特殊的建構函式以指向CvMat 或 IplImage 和flag可選引數指示是否資料複製。從Mat到 CvMat 或 IplImage 的後臺轉換是通過型別轉換運算子 Mat::operator CvMat() const 和 Mat::operator IplImage()實現的。operators不要複製資料。

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 樣式陣列初始值設定項zeros()、 ones()、 eye()，例如：

// 建立具雙精度標識矩陣並將其新增到M。
M + = Mat::eye （M.rows,M.cols,CV_64F）;

使用逗號分隔的初始值設定項：

// 建立 3 x 3 雙精度恆等矩陣
Mat M = (Mat_ <double> (3,3) <<1，0,0,0,1,0,0,0,1） ;

使用此方法，您首先呼叫具有適當的引數的 Mat_類建構函式，然後只要把 << 運算子後面的值用逗號分隔，這些值可以是常量、變數、 表示式，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。

陣列一旦建立起來，它可以自動通過引用計數的機制被管理。如果陣列頭是在使用者分配的資料的基礎上構建的，您應該自己處理這些資料。當沒有指向它的引用時，陣列中的資料將被釋放。如果在陣列的析構函被呼叫之前要釋放一個由矩陣頭指向的資料，請使用Mat::release()。

掌握Array類的另一個重要的環節是元素的訪問。本手冊已經描述瞭如何計算每個陣列元素的地址。通常情況下，不需要在程式碼中直接使用的公式。如果你知道陣列元素型別（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陣列的元素M_ij：

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

假定 M 一個雙精度浮點型陣列。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陣列，最有效的方式是獲取該行的頭指標然後只需使用普通的 C運算子[]：

// 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陣列的形狀。他們只是一個接一個（或多個具有相同的座標的多個陣列中的元素，例如，陣列相加）地處理陣列元素。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（這些陣列）作為單獨的一個長行來處理：

// 計算正矩陣元素，優化的變數的總和
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.） ;
}

對於連續的矩陣來說，外部迴圈體只需一次執行。所以，開銷是規模較小，

小型矩陣的情況下尤其明顯。

最後，還有足以成功跳過連續的行之間的間隔智慧的STL 樣式迭代器：

// 計算正矩陣元素和基於迭代器型別的變數之和
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 演算法，包括 std::sort()。

矩陣表示式

這是已經實現的可以組合在任意複雜的表示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 是以下幾種運算子之一： >，> =，= =，! =，< =，<。比較的結果是其元素設定為 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 是以下運算子之一： &,|, ^.

  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式，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建構函式和運算子，（請參見Mat的說明）。

  Mat_ <destination_type> () 建構函式將結果強制轉換為適當的型別。

Note：有些逗號分隔初始值設定項和一些其他的運算子可能需要顯示呼叫Mat();或Mat_<T>();的建構函式來解決可能產生的歧義。

         以下是一些矩陣表示式的例子：

//計算矩陣A的偽反演等價於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-馬夸特演算法中的引數的新向量
x -= (A.t()*A +lambda*Mat::eye(A.cols,A.cols,A.type())).inv(DECOMP_CHOLESKY)*(A.t()*err);
//用“Unsharp Mask”演算法銳化影象
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建構函式。

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)

         引數

ndims– 陣列的維數.

rows – 2維陣列中行行數

cols – Number of columnsin a 2D array.

size – 2維陣列的尺寸Size(cols, rows) .在Size()建構函式中行數和列數在次序上剛好反轉過來了。

sizes–指定 n 維陣列形狀的整數陣列。

type–陣列的型別。使用 CV_8UC1，… …，建立 1-4 通道的矩陣，CV_64FC4 或CV_8UC(n)，… …，CV_64FC(n)可以建立多通道 （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引數。要在矩陣建成後將所有元素設定為特定值可以用Mat的賦值運算子Mat:operator=(constScala& value)。

data–指向使用者資料的指標。矩陣建構函式傳入data和step引數不分配矩陣資料。相反，它們只是初始化矩陣頭指向指定的資料，這意味著沒有資料的複製。此操作是很高效的，可以用來處理使用 OpenCV 函式的外部資料。外部資料不會自動釋放，所以你應該小心處理它。

step–每個矩陣行佔用的位元組數。如果任何值應包括每行末尾的填充位元組。如果缺少此引數（設定為 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–多維陣列（最後一步始終設定為元素大小） 的情況下的 ndims-1個步長的陣列。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）。這些建構函式沒有複製資料。相反，指向 m 的資料或它的子陣列的頭被構造並被關聯到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建構函式，您還修改 m 中的對應元素。如果你想要獨立的子陣列的副本，請使用 Mat::clone()。

img –指向老版本的 IplImage影象結構的指標。預設情況下，原始影象和新矩陣之間共享資料。但當 copyData 被設定時，完整的影象資料副本就建立起來了。

vec–矩陣的元素構成的STL 向量。矩陣可以取出單獨一列並且該列上的行數和向量元素的數目相同。矩陣的型別匹配的向量元素的型別。建構函式可以處理任意的有正確宣告的DataType型別。這意味著向量元素不支援的混合型結構，它們必須是資料（numbers）原始數字或單型數值元組。對應的建構函式是顯式的。由於 STL 向量不會自動轉換為Mat例項，您應顯式編寫 Mat(vec)。除非您將資料複製到矩陣 （copyData = true），沒有新的元素被新增到向量中，因為這樣可能會造成向量資料重新分配，並且因此使得矩陣的資料指標無效。

copyData –指定STL 向量或舊型 CvMat 或 IplImage是應複製到 (true)新構造的矩陣中 還是 (false) 與之共享基礎資料的標誌，複製資料時，使用Mat引用計數機制管理所分配的緩衝區。雖然資料共享的引用計數為 NULL，但是分配資料必須在矩陣被析構之後才可以釋放。

rowRange – m 的行數的取值範圍。正常情況下，範圍開始端具有包容性和範圍結束端是獨佔的。使用 Range::all() 來取所有的行。

colRange –m 列數的取值範圍。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陣列。

expr – 矩陣表示式。請參見矩陣表示式。

以上這些都是Mat生成一個矩陣的各類建構函式。如 輸出資料的自動分配 一節（該節內容在第一章 Introduction）中所提到的，往往預設建構函式就足夠了，不同的矩陣可以由 OpenCV 函式來分配資料空間。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。