opencvmat存储内存(Opencv中数据结构Mat的相关属性)
一、opencv编程中错误提示:不存在从mat到cvmat适当的转换函数。
opencv中常见的与图像*作有关的数据容器有Mat，cvMat和IplImage，这三种类型都可以代表和显示图像，但是，Mat类型侧重于计算，数学性较高，openCV对Mat类型的计算也进行了优化。而CvMat和IplImage类型更侧重于“图像”，opencv对其中的图像*作（缩放、单通道提取、图像阈值*作等）进行了优化。在opencv2.0之前，opencv是完全用C实现的，但是，IplImage类型与CvMat类型的关系类似于面向对象中的继承关系。实际上，CvMat之上还有一个更抽象的基类----CvArr，这在源代码中会常见。
1. IplImage
opencv中的图像信息头，该结构体定义：
View Code
typedef struct _IplImage
{
int nSize;
int ID;
int nChannels;
int alphaChannel;
int depth;
char colorModel[4];
char channelSeq[4];
int dataOrder;
int origin;
int align;
int width;
int height;
struct _IplROI*roi;
struct _IplImage*maskROI;
void*imageId;
struct _IplTileInfo*tileInfo;
int imageSize;
char*imageData;
int widthStep;
int BorderMode[4];
int BorderConst[4];
char*imageDataOrigin;
} IplImage;
dataOrder中的两个取值：交叉存取颜色通道是颜色数据排列将会是BGRBGR...的交错排列。分开的颜色通道是有几个颜色通道就分几个颜色平面存储。roi是IplROI结构体，该结构体包含了xOffset,yOffset,height,width,coi成员变量，其中xOffset,yOffset是x,y坐标，coi代表channel of interest(感兴趣的通道)，非0的时候才有效。访问图像中的数据元素，分间接存储和直接存储，当图像元素为浮点型时，(uchar*)改为(float*)：
View Code
二、opencv 中 Mat 数据结构的用法
#include"stdafx.h"
#include<string>
#include<iostream>
#include<opencv2/opencv.hpp>
using namespace std;
using namespace cv;
int _tmain(int argc, _TCHAR* argv[])
{
//创建一个用1+3j填充的 7 x 7复矩阵-----1
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));//不能为矩阵设置初值
//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**到第1列, M.col(1)= M.col(7);//这个不能实现,对列*作时要新建一个Mat
Mat M1= M.col(1);
M.col(7).copyTo(M1);
//创建一种新的 320 x 240图像-----2
Mat img(Size(320,240), CV_8UC3, Scalar::all(255));
string strWindowName="ShowImage";
namedWindow(strWindowName, WINDOW_AUTOSIZE);
imshow(strWindowName, img);
waitKey(0);
//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);
imshow(strWindowName, img);
waitKey(0);
//获取数组中的子块-----3
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);//使用locateROI()计算子数组在主容器数组中的相对的位置
cout<<size.width<<""<<size.height<<""<<ofs.x<<""<<ofs.y<<endl;
//快速初始化小矩阵-----4
double m[3][3]={{1, 2, 3},{1, 2, 5},{3, 4, 6}};
Mat M2= Mat(3, 3, CV_64F, m);//.inv();
Mat E= Mat::eye(4, 4, CV_64F);
cout<<"E="<<endl<<""<<E<<endl;
Mat O= Mat::ones(2, 2, CV_32F);
cout<<"O="<<endl<<""<<O<<endl;
Mat Z= Mat::zeros(3,3, CV_8UC1);
cout<<"Z="<<endl<<""<<Z<<endl;
//IplImage、Mat、CvMat互转-----5
IplImage*img1= cvLoadImage("aa.jpg", 2| 4);
Mat mtx(img1);//IplImage*-> Mat,新的Mat类型与原来的IplImage类型共享图像数据，转换只是创建一个Mat矩阵头// or: Mat mtx= img1;
CvMat oldmat= mtx;//Mat-> CvMat//只是创建矩阵头，而没有**数据,oldmat不用手动释放
CV_Assert((oldmat.cols== img1->width)&&(oldmat.rows== img1->height)&&(oldmat.data.ptr==(uchar*)img1->imageData)&&(oldmat.step== img1->widthStep));
imshow(strWindowName, mtx);
waitKey(0);
cvNamedWindow(strWindowName.c_str(), 0);
cvShowImage(strWindowName.c_str(),&oldmat);
cvWaitKey(0);
IplImage img2= mtx;//Mat->IplImage//只是创建图像头，而没有**数据,img2不用手动释放
cvShowImage(strWindowName.c_str(),&img2);
cvWaitKey(0);
Mat mat3(&oldmat);//CvMat->Mat
imshow(strWindowName, mat3);
waitKey(0);
cvDestroyWindow(strWindowName.c_str());
cvReleaseImage(&img1);
//创建 3 x 3双精度恒等矩阵-----6
Mat M3=(Mat_<double>(3,3)<<1,0,0, 0,1,0, 0,0,1);
//访问数组元素-----7
M2.at<double>(0, 0)+= 10.f;
double sum= 0;//计算元素和,方法一
for(int i=0; i<M2.rows; i++)
{
const double*Mi= M2.ptr<double>(i);
for(int j=0; j<M2.cols; j++)
{
sum+= std::max(Mi[j], 0.);
}
}
cout<<sum<<endl;
sum= 0;//计算元素和,方法二
int cols=M2.cols, rows= M2.rows;
if(M2.isContinuous())
{
cols*= rows;
rows= 1;
}
for(int i=0; i<rows; i++)
{
const double*Mi= M2.ptr<double>(i);
for(int j=0; j<cols; j++)
{
sum+= std::max(Mi[j], 0.);
}
}
cout<<sum<<endl;
sum= 0;//计算元素和,方法三
MatConstIterator_<double> it= M2.begin<double>(), it_end= M2.end<double>();
for(; it!= it_end;++it)
{
sum+= std::max(*it, 0.);
}
cout<<sum<<endl;
return 0;
}
三、Opencv中数据结构Mat的相关属性
搬运自本人 CSDN博客：《Opencv中数据结构Mat的相关属性》
以上摘自OpenCV 2.4.9的官方文档opencv2refman.pdf。
以前虽然能够比较熟练的使用OpenCV，但是近感觉其实笔者自己对OpenCV的底层数据结构Mat与IplImage都不怎么熟悉……由于笔者比较反感总是需要管理内存的IplImage，所以对Mat数据结构做一下学习工作还是有必要的。
官方说明文档opencv2refman.pdf中，写出了Mat的定义如下：
下面笔者将从几个方面总结Mat数据结构的主要组成。
参考**：
《OpenCV中对Mat里面depth,dims,channels,step,data,elemSize和数据地址计算的理解》
《OpenCV Mat的常见属性》
《OpenCV学习笔记（四十）——再谈OpenCV数据结构Mat详解》
参考文档：
《opencv2refman.pdf》
如上面的Mat定义源码，Mat类中有很多重要的数据类型成员。
下面进行简单的列举。
把这四个数据成员放在一起，是因为这四个数据成员相互之间有关系。
数据的存储一直都是个值得关注的问题，所以数据元素存储的位数和范围就十分重要了。depth就体现了每一个像素的位数，即深度。
Mat中包含的图像深度如下所示：
另外还需要注意：大部分OpenCV的函数支持的数据深度只有8位和32位，所以尽量使用CV_64F。
channels表示了矩阵拥有的通道数量，这个比较容易理解：
type表示矩阵中元素的类型(depth)与矩阵的通道个数(channels)，可以理解成上面的depth与channels的综合说明。type是一系列预定义的常量，命名规则如下：
<code>CV_+位数+数据类型+通道数</code>
具体有如下值：
表格中，行代表了通道数量channels，列代表了图像深度depth。
例如CV_8UC3，可以拆分为：
注：type一般是在创建Mat对象时设定，若要去的Mat的元素类型，可以不使用type，使用depth。
elemSize表示了矩阵中每一个元素的数据大小，单位是字节。公式如下：
<code>elemSize= channels* depth/ 8</code>
例如type== CV_16SC3，则elemSize= 3* 16/ 8= 6 Bytes。
elemSize1表示了矩阵元素的一个通道占用的数据大小，单位是字节。公式如下：
<code>elemSize= depth/ 8</code>
例如type== CV_16SC3，则elemSize1= 16/ 8= 2 Bytes。
使用OpenCV处理图像时，普遍的处理方式便是遍历图像，即访问所有的图像像素点。但有的算法还需要访问目标像素的邻域，所以这时候就需要了解访问Mat数据元素地址的方式。
假设有矩阵M，则数据元素的地址计算公式如下：
$$ addr(M_{i_{0}, i_{1},... i_{m-1}})= M.data+ M.step[0]* i_{0}+ M.step[1]* i_{1}+...+ M.step[M.dims- 1]* i_{M_{dims-1}}$$
如果是二维数组，则上述公式就简化成：
$$ addr(M_{i,j})= M.data+ M.step[0]* i+ M.step[1]* j$$
注：式中m= M.dims，即矩阵的维度。
假设存在一个二维矩阵如下图所示：
上面是一个3× 4的矩阵。此时我们按照数据类型为CV_8U, CV_8UC3的情况，分别对其进行讨论。
首先假设其数据类型为CV_8U，也就是单通道的uchar类型，则可以得出上面的数据成员情况分别为：
若假设其数据类型为CV_8UC3，也就是三通道的uchar类型，则可以得出上面的数据成员情况分别为：
假设存在一个三维矩阵如下图所示：
上面是一个3× 4× 6的矩阵。假设其数据类型为CV_16SC4，此时对其进行讨论。
关于OpenCV地址访问方法及效率的部分，请见笔者的博文《OpenCV像素点邻域遍历效率比较，以及访问像素点的几种方法》。
