opencv访问mat的元素
A. 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列复制到第1列, M.col(1) = M.col(7);//这个不能实现,对列操作时要新建一个Mat
Mat M1 = M.col(1);
M.col(7).To(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，而没有复制数据,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，而没有复制数据,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;
}
B. 安卓opencvmat怎么取值最快
安卓opencvmat取值如下。
1、利用at函数取值，单通道图像读取方式和三通道图像读取方式。
2、使用指针取值。
3、使用迭代器取值。
4、使用矩阵元素的地址定位知识取值。
C. 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，但是最近感觉其实笔者自己对OpenCV的最底层数据结构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。
参考网址：
《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学世拿早习笔记（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+通敏简道数</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，若要去搜雀的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，最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 》 。