opencv訪問mat的元素
A. opencv 中 Mat 數據結構的用法
#include "stdafx.h"
#include <string>
#include <iostream>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
int _tmain(int argc, _TCHAR* argv[])
{
//創建一個用1+3j填充的 7 x 7 復矩陣-----1
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));//不能為矩陣設置初值
//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,對列操作時要新建一個Mat
Mat M1 = M.col(1);
M.col(7).To(M1);
//創建一種新的 320 x 240 圖像-----2
Mat img(Size(320,240), CV_8UC3, Scalar::all(255));
string strWindowName = "ShowImage";
namedWindow(strWindowName, WINDOW_AUTOSIZE);
imshow(strWindowName, img);
waitKey(0);
//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) ;
imshow(strWindowName, img);
waitKey(0);
//獲取數組中的子塊-----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() 計運算元數組在主容器數組中的相對的位置
cout<<size.width<<" "<<size.height<<" "<<ofs.x<<" "<<ofs.y<<endl;
//快速初始化小矩陣-----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互轉-----5
IplImage *img1 = cvLoadImage("aa.jpg", 2 | 4);
Mat mtx(img1);//IplImage *-> Mat,新的Mat類型與原來的IplImage類型共享圖像數據，轉換只是創建一個Mat矩陣頭// or : Mat mtx = img1;
CvMat oldmat = mtx;//Mat-> CvMat //只是創建矩陣頭，而沒有復制數據,oldmat不用手動釋放
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 //只是創建圖像頭，而沒有復制數據,img2不用手動釋放
cvShowImage(strWindowName.c_str(), &img2);
cvWaitKey(0);
Mat mat3(&oldmat);//CvMat->Mat
imshow(strWindowName, mat3);
waitKey(0);
cvDestroyWindow(strWindowName.c_str());
cvReleaseImage(&img1);
//創建 3 x 3 雙精度恆等矩陣-----6
Mat M3 = (Mat_ <double>(3,3) <<1,0,0, 0,1,0, 0,0,1);
//訪問數組元素-----7
M2.at<double>(0, 0) += 10.f;
double sum = 0;//計算元素和,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;//計算元素和,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;//計算元素和,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;
}
B. 安卓opencvmat怎麼取值最快
安卓opencvmat取值如下。
1、利用at函數取值，單通道圖像讀取方式和三通道圖像讀取方式。
2、使用指針取值。
3、使用迭代器取值。
4、使用矩陣元素的地址定位知識取值。
C. Opencv中數據結構Mat的相關屬性
搬運自本人 CSDN 博客： 《Opencv中數據結構Mat的相關屬性》
以上摘自OpenCV 2.4.9的官方文檔opencv2refman.pdf。
以前雖然能夠比較熟練的使用OpenCV，但是最近感覺其實筆者自己對OpenCV的最底層數據結構Mat與IplImage都不怎麼熟悉…… 由於筆者比較反感總是需要管理內存的IplImage，所以對Mat數據結構做一下學習工作還是有必要的。
官方說明文檔opencv2refman.pdf中，寫出了Mat的定義如下：
下面筆者將從幾個方面總結Mat數據結構的主要組成。
參考網址：
《OpenCV中對Mat裡面depth,dims,channels,step,data,elemSize和數據地址計算的理解 》
《OpenCV Mat的常見屬性》
《OpenCV學世拿早習筆記（四十）——再談OpenCV數據結構Mat詳解》
參考文檔：
《opencv2refman.pdf》
如上面的Mat定義源碼，Mat類中有很多重要的數據類型成員。
下面進行簡單的列舉。
把這四個數據成員放在一起，是因為這四個數據成員相互之間有關系。
數據的存儲一直都是個值得關注的問題，所以數據元素存儲的位數和范圍就十分重要了。depth就體現了每一個像素的位數，即深度。
Mat中包含的圖像深度如下所示：
另外還需要注意：大部分OpenCV的函數支持的數據深度只有8位和32位，所以盡量使用CV_64F。
channels表示了矩陣擁有的通道數量，這個比較容易理解：
type表示矩陣中元素的類型(depth)與矩陣的通道個數(channels)，可以理解成上面的depth與channels的綜合說明。type是一系列預定義的常量，命名規則如下：
<code>CV_+位數+數據類型+通敏簡道數</code>
具體有如下值：
表格中，行代表了通道數量channels，列代表了圖像深度depth。
例如CV_8UC3，可以拆分為：
註：type一般是在創建Mat對象時設定，若要去搜雀的Mat的元素類型，可以不使用type，使用depth。
elemSize表示了矩陣中每一個元素的數據大小，單位是位元組。公式如下：
<code>elemSize = channels * depth / 8</code>
例如type == CV_16SC3，則elemSize = 3 * 16 / 8 = 6 Bytes。
elemSize1表示了矩陣元素的一個通道佔用的數據大小，單位是位元組。公式如下：
<code>elemSize = depth / 8</code>
例如type == CV_16SC3，則elemSize1 = 16 / 8 = 2 Bytes。
使用OpenCV處理圖像時，最普遍的處理方式便是遍歷圖像，即訪問所有的圖像像素點。但有的演算法還需要訪問目標像素的鄰域，所以這時候就需要了解訪問Mat數據元素地址的方式。
假設有矩陣M，則數據元素的地址計算公式如下：
$$ addr(M_{i_{0}, i_{1}, ... i_{m-1}}) = M.data + M.step[0] * i_{0} + M.step[1] * i_{1} + ... + M.step[M.dims - 1] * i_{M_{dims-1}} $$
如果是二維數組，則上述公式就簡化成：
$$ addr(M_{i,j}) = M.data + M.step[0] * i + M.step[1] * j $$
註：式中m = M.dims，即矩陣的維度。
假設存在一個二維矩陣如下圖所示：
上面是一個3 × 4的矩陣。此時我們按照數據類型為CV_8U, CV_8UC3的情況，分別對其進行討論。
首先假設其數據類型為CV_8U，也就是單通道的uchar類型，則可以得出上面的數據成員情況分別為：
若假設其數據類型為CV_8UC3，也就是三通道的uchar類型，則可以得出上面的數據成員情況分別為：
假設存在一個三維矩陣如下圖所示：
上面是一個3 × 4 × 6的矩陣。假設其數據類型為CV_16SC4，此時對其進行討論。
關於OpenCV地址訪問方法及效率的部分，請見筆者的博文 《OpenCV像素點鄰域遍歷效率比較，以及訪問像素點的幾種方法 》 。