opencv获取mat的指针_Opencv读取mat和cvMat元素&&Mat与IplImage和CvMat类型之间的相互转换...

综述:

OpenCV有针对矩阵操作的C语言函数. 许多其他方法提供了更加方便的C++接口，其效率与OpenCV一样.

OpenCV将向量作为1维矩阵处理.

矩阵按行存储，每行有4字节的校整.

分配矩阵空间:

CvMat* cvCreateMat(int rows, int cols, int type);

type: 矩阵元素类型. 格式为CV_(S|U|F)C.

例如: CV_8UC1 表示8位无符号单通道矩阵, CV_32SC2表示32位有符号双通道矩阵.

例程:

CvMat* M = cvCreateMat(4,4,CV_32FC1);

释放矩阵空间:

CvMat* M = cvCreateMat(4,4,CV_32FC1);

cvReleaseMat(&M);

复制矩阵:

CvMat* M1 = cvCreateMat(4,4,CV_32FC1);

CvMat* M2;

M2=cvCloneMat(M1);

初始化矩阵:

double a[] = { 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 };

CvMat Ma=cvMat(3, 4, CV_64FC1, a);

另一种方法:

CvMat Ma;

cvInitMatHeader(&Ma, 3, 4, CV_64FC1, a);

初始化矩阵为单位阵:

CvMat* M = cvCreateMat(4,4,CV_32FC1);

cvSetIdentity(M); // 这里似乎有问题，不成功

假设需要存取一个2维浮点矩阵的第(i,j)个元素.

间接存取矩阵元素:

cvmSet(M,i,j,2.0); // Set M(i,j)

t = cvmGet(M,i,j); // Get M(i,j)

直接存取，假设使用4-字节校正:

CvMat* M = cvCreateMat(4,4,CV_32FC1);

int n = M->cols;

float *data = M->data.fl;

data[i*n+j] = 3.0;

直接存取，校正字节任意:

CvMat* M = cvCreateMat(4,4,CV_32FC1);

int step = M->step/sizeof(float);

float *data = M->data.fl;

(data+i*step)[j] = 3.0;

直接存取一个初始化的矩阵元素:

double a[16];

CvMat Ma = cvMat(3, 4, CV_64FC1, a);

a[i*4+j] = 2.0; // Ma(i,j)=2.0;

矩阵-矩阵操作:

CvMat *Ma, *Mb, *Mc;

cvAdd(Ma, Mb, Mc); // Ma+Mb -> Mc

cvSub(Ma, Mb, Mc); // Ma-Mb -> Mc

cvMatMul(Ma, Mb, Mc); // Ma*Mb -> Mc

按元素的矩阵操作:

CvMat *Ma, *Mb, *Mc;

cvMul(Ma, Mb, Mc); // Ma.*Mb -> Mc

cvDiv(Ma, Mb, Mc); // Ma./Mb -> Mc

cvAddS(Ma, cvScalar(-10.0), Mc); // Ma.-10 -> Mc

向量乘积:

double va[] = {1, 2, 3};

double vb[] = {0, 0, 1};

double vc[3];

CvMat Va=cvMat(3, 1, CV_64FC1, va);

CvMat Vb=cvMat(3, 1, CV_64FC1, vb);

CvMat Vc=cvMat(3, 1, CV_64FC1, vc);

double res=cvDotProduct(&Va,&Vb);

// 点乘: Va . Vb -> res

cvCrossProduct(&Va, &Vb, &Vc); // 向量积: Va x Vb -> Vc

end{verbatim}

注意 Va, Vb, Vc 在向量积中向量元素个数须相同.

单矩阵操作:

CvMat *Ma, *Mb;

cvTranspose(Ma, Mb); // transpose(Ma) -> Mb (不能对自身进行转置)

CvScalar t = cvTrace(Ma); // trace(Ma) -> t.val[0]

double d = cvDet(Ma); // det(Ma) -> d

cvInvert(Ma, Mb); // inv(Ma) -> Mb

非齐次线性系统求解:

CvMat* A = cvCreateMat(3,3,CV_32FC1);

CvMat* x = cvCreateMat(3,1,CV_32FC1);

CvMat* b = cvCreateMat(3,1,CV_32FC1);

cvSolve(&A, &b, &x); // solve (Ax=b) for x

特征值分析(针对对称矩阵):

CvMat* A = cvCreateMat(3,3,CV_32FC1);

CvMat* E = cvCreateMat(3,3,CV_32FC1);

CvMat* l = cvCreateMat(3,1,CV_32FC1);

cvEigenVV(&A, &E, &l); // l = A的特征值 (降序排列) ， E = 对应的特征向量 (每行)

奇异值分解SVD:

CvMat* A = cvCreateMat(3,3,CV_32FC1);

CvMat* U = cvCreateMat(3,3,CV_32FC1);

CvMat* D = cvCreateMat(3,3,CV_32FC1);

CvMat* V = cvCreateMat(3,3,CV_32FC1);

cvSVD(A, D, U, V, CV_SVD_U_T|CV_SVD_V_T); // A = U D V^T

Mat元素的读取：

#include

using namespace cv;

using namespace std;

#pragma comment(lib,"opencv_core231d.lib")

#pragma comment(lib,"opencv_highgui231d.lib")

#pragma comment(lib,"opencv_contrib231d.lib")

为了输出看是否每种方法取得是相同的像素，不要对大图像进行此操作，会很慢的哦！

下面的例子，在输出时使用的是30*40的图像。

测试时间时要注释掉，否则I/O操作将极大影响处理时间。

//#define PIXEL_OUT

int main(int argc,char *argv[])

{

ofstream fout("pixels.txt");

#ifdef PIXEL_OUT

Mat img=imread("d:/picture/mat.jpg");

#else

Mat img=imread("d:/picture/lena.bmp");

#endif

if(!img.data)

{

cout<

return -1;

}

Mat temp;

img.convertTo(temp, CV_32FC3);

namedWindow("show");

int i,j;

TickMeter tm;

double process_time[7]={0.0};

int loop_times =1;

for(int n=0; n

{

======section1======//

多通道图像，先将通道split分开，然后针对特定的通道进行处理，

每个元素的获取采用的是首先获得行指针，然后逐个获得单通道元素。

既可以进行元素为单位的处理，也可以进行跨行的局部块为单位的处理。

fout<

tm.reset();

tm.start();

vector spl;

split(temp, spl);

for (i=0; i

{

float *pt = spl[1].ptr(i);

for (j=0; j

{

float mm = pt[j];

mm /= 20.6f;

#ifdef PIXEL_OUT

fout<

#endif

}

merge(spl, temp);

tm.stop();

process_time[0] += tm.getTimeMicro();

cout<

//=========section2=========

没有将多通道分开，而是直接对原始Mat操作，也是首先获得单行的指针，然后获得每个元素的；

每个元素是多通道的，可以通过[]来获得单个通道的单个元素。可以以元素为单位处理，也可以进行

跨行的局部块处理。

fout<

tm.reset();

tm.start();

for (i=0; i

{

float *pts = temp.ptr(i);

for (j=0; j

{

float mm = pts[3*j+1];

mm /=20.6f;

#ifdef PIXEL_OUT

fout<

#endif

}

tm.stop();

process_time[1] += tm.getTimeMicro();

cout<

//============section3==========//

对连续存储的Mat每个元素的获取，将整个Mat矩阵看做是一个m*n列，1行的数组，在手册提倡的方法中

是最快的。但是缺点是丢失了行列信息，只能进行以元素为单位的处理，或者说本行局部的处理，不能进行

跨行的局部块处理。

fout<

tm.reset();

tm.start();

int col=temp.cols, row = temp.rows;

if (temp.isContinuous())

{

col*=row;

row =1;

}

for (i=0; i

{

const float *pt = temp.ptr(i);

for (j=0; j

{

float mm=pt[3*j+1];

mm /= 20.6f;

#ifdef PIXEL_OUT

fout<

#endif

}

tm.stop();

process_time[2] += tm.getTimeMicro();

cout<

///===========section4===============/

直接对原始存储指针的处理，需要对指针比较熟悉，特别是对Mat的数据类型必须清楚，所有类型的Mat的存储都是uchar的即字节为

单位的，但是不同的存储类型决定了对指针的解释不同。这样获得的是原始的多通道的第一个通道的指针，访问其他通道时需要进行

合适的偏移，ex：下面的是对通道2的访问。该方法可以说最灵活，但是因为直接操作指针所以也最容易出错；既可以处理像素为单位，

也可以处理跨行的局部块为单位。类似于C接口时的元素获取方法。

fout<

tm.reset();

tm.start();

int step0=temp.step[0],step1=temp.step[1];

for (i=0; i

{

for (j=0; j

{

float *pix = (float *)(temp.data+i*step0+j*step1);

float tt= *(pix+1)/20.6f;

#ifdef PIXEL_OUT

fout<

#endif

}

tm.stop();

process_time[3] += tm.getTimeMicro();

cout<

//============section5==========//

与上面的获取方法本质一样，只是首先进行了矩阵的连续性判断，其他的一样；但是丢失了行列信息，

只能进行元素的局部性处理。

fout<

tm.reset();

tm.start();

int step00=temp.step[0],step01=temp.step[1];

int col2=temp.cols, row2 = temp.rows;

if (temp.isContinuous())

{

col2*=row2;

row2 =1;

}

for (i=0; i

{

for (j=0; j

{

float *mm= (float *)(temp.data+i*step00+j*step01);

float tt = *(mm+1)/20.6f;

#ifdef PIXEL_OUT

fout<

#endif

}

tm.stop();

process_time[4] += tm.getTimeMicro();

cout<

//=========section6=========

采用迭代器的获取方法，速度最慢，可能好处就是可以使用STL标准库的算法，同样也没有了行列信息。

fout<

tm.reset();

tm.start();

MatConstIterator_ iters = temp.begin(),end=temp.end();

for(; iters!=end; ++iters)

{

Vec3f vec3f = *iters;

vec3f.val[1] /= 20.6f;

#ifdef PIXEL_OUT

fout<

#endif

}

tm.stop();

process_time[5] += tm.getTimeMicro();

cout<

//=========section7=========

没有将多通道分开，而是直接对原始Mat操作直接获得每个元素；

每个元素是多通道的，将其视为了向量，所以可以通过[]来获得单个通道的单个元素。可以以元素为单位处理，

也可以进行跨行的局部块处理。速度也很慢！

fout<

tm.reset();

tm.start();

for (i=0; i

{

for (j=0; j

{

float mm = temp.at(i,j)[1];

mm /=20.6f;

#ifdef PIXEL_OUT

fout<

#endif

}

tm.stop();

process_time[6] += tm.getTimeMicro();

cout<

}

cout<

for (int m=0; m<7; ++m)

{

cout<

}

//=====================end====================///

imshow("show", img);

waitKey(0);

return 0;

}

imread读出来的RGB图像的数量类型是cv::Mat< Vec3b >。

for(int c= 0; c != W; ++c)

{

for(int r = 0; r != H; ++r)

{

Vec3b& temp = img3f.at(r,c);

temp.val[0] = tempV;

temp.val[1] = tempV;

temp.val[2] = tempV;

}

temp.val[i]里就是坐标为r，c的元素的RGB的值。

Mat与IplImage和CvMat类型之间的相互转换

Mat类型较CvMat和IplImage有更强的矩阵运算能力，支持常见的矩阵运算(参照Matlab中的各种矩阵运算)，所以将IplImage类型和CvMat类型转换为Mat类型更易于数据处理。

Mat类型可用于直接存储图像信息，通过函数imread、imwrite、imshow等实现(与Matlab中的函数相似)，似乎在某种程度上可以取代IplImage类型。

(1)将IplImage类型转换到Mat类型

Mat::Mat(const IplImage* img, bool copyData=false);

默认情况下，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。当将参数copyData设为true后，就会复制整个图像数据。

例：

IplImage* iplImg = cvLoadImage("greatwave.jpg", 1);

Mat mtx(iplImg); // IplImage* ->Mat 共享数据

// or : Mat mtx = iplImg;

(2)将Mat类型转换到IplImage类型

同样只是创建图像头，而没有复制数据。

例：

IplImage ipl_img = img; // Mat -> IplImage

(3)将CvMat类型转换为Mat类型

与IplImage的转换类似，可以选择是否复制数据。

Mat::Mat(const CvMat* m, bool copyData=false);

(4)将Mat类型转换为CvMat类型

与IplImage的转换类似，不复制数据，只创建矩阵头。

例：

// 假设Mat类型的imgMat图像数据存在

CvMat cvMat = imgMat; // Mat -> CvMat

原文链接：https://blog.csdn.net/weixin_39983223/article/details/112898124