OpenCV (一)——Mat对象创建方法
目录
OpenCV (一)——Mat对象创建方法
1. cv::Mat优点及原理（本质类）
2. Mat类拷贝及对象的创建方法
3. Mat 对象元素的高效访问
4. 存储方法
5. 显式创建Mat对象
6. 与其他语言对比的方式
7. Mat操作实例
1. cv::Mat优点及原理（本质类）
不需要手动申请一块内存；
在不需要时不用再手动释放内存；
可以通过类的封装，方便的获取到数据的相关信息。
它利用了类的特性，将内存管理和数据信息封装在类的内部，用户只需要对Mat类对象进行数据或面向对象操作即可。 Mat类分为两个部分：矩阵头和矩阵数据。如果我们在操作一副图像的数据量时，矩阵数据量一般很大，那么针对拷贝和赋值函数的操作如果的深拷贝的话，效率会大大的降低。所以，Opencv的做法是只复制其矩阵头信息，而矩阵数据采用引用的方式，即多个Mat对象共享同一个矩阵数据，这里使用的原理类似c++11中的共享指针（本质类）。
cv::Mat A = cv::imread("image.jpg");cv::Mat B(A);//浅层拷贝：Mat B=A；B就是浅层拷贝A,B只拷贝了A的的头部和地址，当B被操作后A也随之改变。memcpy(A.data, output.data(), rows * cols * sizeof(uint16_t));cv::Mat C = A;//深层拷贝：Mat A=imread("x.jpg"); Mat B=A.clone()；B是开辟了新的内存完全的复制了A的内容，操作B不会对A造成影响。printf("A.data = %p\nB.data = %p\nC.data = %p\n", A.data, B.data, C.data);output:A.data = 00240AA0ADHH00C0B.data = 00240AA0ADHH00C0C.data = 00240AA0ADHH00C0
释放内存原则:由于内部使用了引用计数的方法，类似共享指针，当引用计数变为0的时候才会真正的释放内存。
temp_thin.convertTo(temp_thin_image, CV_8UC1, 1, 0);Mat F = A.clone();Mat G;A.copyTo(G);
输出图像分配 OpenCV 功能是自动 （除非另行指定，否则）。
用c + + OpenCV的接口就无需考虑内存释放。
赋值运算符和复制构造函数 （构造函数）只复制头。
使用clone () 或copyTo () 函数将复制的图像的基础矩阵。
//二值化，类型转换，赋值memcpy(cv_thin_image_rgb_.data, output.data(), rows * cols * sizeof(uint16_t));temp_thin = cv_thin_image_rgb_;uint16_t* tdata = (uint16_t*) (temp_thin.data);uint8_t* bdata = cv_binary_image_rgb_.data;for (int i = 0; i < cols; i++) {for (int j = 0; j < rows; j++) {if (*tdata == 0) {*bdata = 0;} else {*bdata = 1;}tdata++;bdata++;}}temp_binary = cv_binary_image_rgb_;
Mat* 是一个类，由两个数据部分组成：矩阵头（包含矩阵尺寸，存储方法，存储地址等信息）和一个指向存储所有像素值的矩阵（根据所选存储方法的不同矩阵可以是不同的维数）的指针。矩阵头的尺寸是常数值，但矩阵本身的尺寸会依图像的不同而不同，通常比矩阵头的尺寸大数个数量级。因此，当在程序中传递图像并创建拷贝时，大的开销是由矩阵造成的，而不是信息头。
OpenCV是一个图像处理库，囊括了大量的图像处理函数，为了解决问题通常要使用库中的多个函数，因此在函数中传递图像是家常便饭。同时不要忘了我们正在讨论的是计算量很大的图像处理算法，因此，除非万不得已，我们不应该拷贝大的图像，因为这会降低程序速度。
为了搞定这个问题，OpenCV使用引用计数机制。其思路是让每个Mat对象有自己的信息头，但共享同一个矩阵。这通过让矩阵指针指向同一地址而实现。而拷贝构造函数则只拷贝信息头和矩阵指针，而不拷贝矩阵
Mat A, C; // 只创建信息头部分A = imread(argv[1], CV_LOAD_IMAGE_COLOR); // 这里为矩阵开辟内存Mat B(A); // 使用拷贝构造函数C = A; // 赋值运算符
以上代码中的所有Mat对象最终都指向同一个也是唯一一个数据矩阵。虽然它们的信息头不同，但通过任何一个对象所做的改变也会影响其它对象。实际上，不同的对象只是访问相同数据的不同途径而已。这里还要提及一个比较棒的功能：你可以创建只引用部分数据的信息头。比如想要创建一个感兴趣区域（ROI），你只需要创建包含边界信息的信息头：
Mat D (A, Rect(10, 10, 100, 100) ); // using a rectangleMat E = A(Range:all(), Range(1,3)); // using row and column boundaries
2. Mat类拷贝及对象的创建方法
cv::Mat roi_image_color = temp_thin_image_color(cv::Rect(119, 69, 210, 260));//139,129,168,168Mat E = A(Range:all(), Range(1,3)); // 用行和列来界定
上文中的所有对象，以相同的单个数据矩阵的结束点。他们头不同，但是使用的其中任何一个对矩阵进行任何修改，也将影响所有其他的。在实践中的不同对象只是提供相同的底层数据不同的访问方法，然而，它们的头部是不同的。真正有趣的部分是您可以创建仅指向完整数据的一小部分的头。例如，要在图像中创建兴趣区域 ( ROI) 您只需创建一个新头设置新边界：
cv::Mat M4 = (cv::Mat_<double>(3, 3) << 0, -1, 0, -1, 0, 0, 0, 0, 1);std::cout << "M4 = " << std::endl << M4 << std::endl;Mat drawing_poly_color = Mat::zeros(roi_image_color.size(), CV_8UC1);cv::Mat temp_thin_image_color = cv::imread("../example/mask.bmp", CV_LOAD_IMAGE_UNCHANGED);//这里是将PCL的点云数据中的RGB信息提取出来进行赋值输出图片cv::Mat gray(cloud->height, cloud->width, CV_8UC1);//前两个参数是矩阵的行数和列数，后一个矩阵类型8U 8位无符号整数，c1表示1个channel，rgb图片这里就需要设置为CV_8UC3for (int i = 0; i < cloud->points.size(); i++){uchar* grayrowptr = gray.ptr<uchar>(i / cloud->width);//提取行指针grayrowptr[i%cloud->width] = cloud->points[i].r;}cv::imwrite("gray_zxr.bmp", gray);
1. Mat创建
Mat A, C; // 只创建信息头部分A = imread(argv[1], CV_LOAD_IMAGE_COLOR); // 这里为矩阵开辟内存Mat B(A); // 使用拷贝构造函数C = A; // 赋值运算符
以上代码中的所有Mat对象最终都指向同一个也是唯一一个数据矩阵。虽然它们的信息头不同，但通过任何一个对象所做的改变也会影响其它对象。实际上，不同的对象只是访问相同数据的不同途径而已。这里还要提及一个比较棒的功能：你可以创建只引用部分数据的信息头。比如想要创建一个感兴趣区域（ROI），你只需要创建包含边界信息的信息头：
Mat D (A, Rect(10, 10, 100, 100) ); // using a rectangleMat E = A(Range:all(), Range(1,3)); // using row and column boundaries
现在你也许会问，如果矩阵属于多个Mat对象，那么当不再需要它时谁来负责清理？简单的回答是：最后一个使用它的对象。通过引用计数机制来实现。无论什么时候有人拷贝了一个Mat对象的信息头，都会增加矩阵的引用次数；反之当一个头被释放之后，这个计数被减一；当计数值为零，矩阵会被清理。但某些时候你仍会想拷贝矩阵本身(不只是信息头和矩阵指针)，这时可以使用函数 clone() 或者 copyTo() 。
Mat F = A.clone();Mat G;A.copyTo(G);
现在改变F或者G就不会影响Mat信息头所指向的矩阵。总结一下，你需要记住的是
OpenCV函数中输出图像的内存分配是自动完成的（如果不特别指定的话）。
使用OpenCV的C++接口时不需要考虑内存释放问题。
赋值运算符和拷贝构造函数（ctor）只拷贝信息头。
使用函数 clone() 或者 copyTo() 来拷贝一副图像的矩阵。
3. Mat 对象元素的高效访问
ptr访问效率比较高，程序也比较安全，有越界判断。
//方法1：Mat img(1000, 1000, CV_32F);for (int i=0; i<1000; i++){for (int j=0; j<1000; j++){img.at<float>(i,j) = 3.2f;//方法1：img.ptr<float>(i)[j] = 3.2f;//方法2：}}//***方法3********推荐使用。耗时最短******************************Mat img3(1000, 1000, CV_32F);float* pData = (float*)img3.data;for (int i=0; i<1000; i++){for (int j=0; j<1000; j++){*(pData) = 3.2f;pData++;}}//***方法4************************************************************Mat img4(1000, 1000, CV_32F);for (int i=0; i<1000; i++){for (int j=0; j<1000; j++){((float*)img3.data)[i*1000+j] = 3.2f;}}
4. 存储方法
这里讲述如何存储像素值。需要指定颜色空间和数据类型。颜色空间是指对一个给定的颜色，如何组合颜色元素以对其编码。最简单的颜色空间要属灰度级空间，只处理黑色和白色，对它们进行组合可以产生不同程度的灰色。
对于彩色方式则有更多种类的颜色空间，但不论哪种方式都是把颜色分成三个或者四个基元素，通过组合基元素可以产生所有的颜色。RGB颜色空间是最常用的一种颜色空间，这归功于它也是人眼内部构成颜色的方式。它的基色是红色、绿色和蓝色，有时为了表示透明颜色也会加入第四个元素 alpha (A)。
有很多的颜色系统，各有自身优势：
RGB是最常见的，这是因为人眼采用相似的工作机制，它也被显示设备所采用。
HSV和HLS把颜色分解成色调、饱和度和亮度/明度。这是描述颜色更自然的方式，比如可以通过抛弃最后一个元素，使算法对输入图像的光照条件不敏感。
YCrCb在JPEG图像格式中广泛使用。
CIE Lab*是一种在感知上均匀的颜色空间，它适合用来度量两个颜色之间的距离。
每个组成元素都有其自己的定义域，取决于其数据类型。如何存储一个元素决定了我们在其定义域上能够控制的精度。最小的数据类型是char，占一个字节或者8位，可以是有符号型（0到255之间）或无符号型（-127到+127之间）。尽管使用三个char型元素已经可以表示1600万种可能的颜色（使用RGB颜色空间），但若使用float（4字节，32位）或double（8字节，64位）则能给出更加精细的颜色分辨能力。但同时也要切记增加元素的尺寸也会增加了图像所占的内存空间。
5. 显式创建Mat对象
Mat不但是一个很赞的图像容器类，它同时也是一个通用的矩阵类，所以可以用来创建和操作多维矩阵。创建一个Mat对象有多种方法：
Mat M(2,2, CV_8UC3, Scalar(0,0,255)); cout << "M = " << endl << " " << M << endl << endl;
对于二维多通道图像，首先要定义其尺寸，即行数和列数。
然后，需要指定存储元素的数据类型以及每个矩阵点的通道数。为此，依据下面的规则有多种定义
CV_[The number of bits per item][Signed or Unsigned][Type Prefix]C[The channel number]
比如CV_8UC3表示使用8位的 unsigned char 型，每个像素由三个元素组成三通道。预先定义的通道数可以多达四个。 Scalar 是个short型vector。指定这个能够使用指定的定制化值来初始化矩阵。当然，如果你需要更多通道数，你可以使用大写的宏并把通道数放在小括号中，如下所示
在 C\C++ 中通过构造函数进行初始化
int sz[3] = {2,2,2}; Mat L(3,sz, CV_8UC(1), Scalar::all(0));
上面的例子演示了如何创建一个超过两维的矩阵：指定维数，然后传递一个指向一个数组的指针，这个数组包含每个维度的尺寸；其余的相同
为已存在IplImage指针创建信息头:
IplImage* img = cvLoadImage("greatwave.png", 1);Mat mtx(img); // convert IplImage* -> Mat
Create() function: 函数
M.create(4,4, CV_8UC(2));cout << "M = "<< endl << " " << M << endl << endl;
这个创建方法不能为矩阵设初值，它只是在改变尺寸时重新为矩阵数据开辟内存。
6. 与其他语言对比的方式
MATLAB形式的初始化方式： zeros(), ones(), :eyes() 。使用以下方式指定尺寸和数据类型：
Mat E = Mat::eye(4, 4, CV_64F); cout << "E = " << endl << " " << E << endl << endl;Mat O = Mat::ones(2, 2, CV_32F); cout << "O = " << endl << " " << O << endl << endl;Mat Z = Mat::zeros(3,3, CV_8UC1);cout << "Z = " << endl << " " << Z << endl << endl;
对于小矩阵你可以用逗号分隔的初始化函数:
Mat C = (Mat_<double>(3,3) << 0, -1, 0, -1, 5, -1, 0, -1, 0); cout << "C = " << endl << " " << C << endl << endl;
7. Mat操作实例
int main(int argc, char** argv) {//help();// create by using the constructorMat M(2, 2, CV_8UC3, Scalar(0, 0, 255));cout << "M = " << endl << " " << M << endl << endl;// create by using the create function()M.create(4, 4, CV_8UC(2));cout << "M = " << endl << " " << M << endl << endl;// create multidimensional matricesint sz[3] = { 2,2,2 };Mat L(3, sz, CV_8UC(1), Scalar::all(0));// Cannot print via operator <<// Create using MATLAB style eye, ones or zero matrixMat E = Mat::eye(4, 4, CV_64F);cout << "E = " << endl << " " << E << endl << endl;Mat O = Mat::ones(2, 2, CV_32F);cout << "O = " << endl << " " << O << endl << endl;Mat Z = Mat::zeros(3, 3, CV_8UC1);cout << "Z = " << endl << " " << Z << endl << endl;// create a 3x3 double-precision identity matrixMat C = (Mat_<double>(3, 3) << 0, -1, 0, -1, 5, -1, 0, -1, 0);cout << "C = " << endl << " " << C << endl << endl;Mat RowClone = C.row(1).clone();cout << "RowClone = " << endl << " " << RowClone << endl << endl;// Fill a matrix with random valuesMat R = Mat(3, 2, CV_8UC3);randu(R, Scalar::all(0), Scalar::all(255));Point2f P(5, 1);cout << "Point (2D) = " << P << endl << endl;Point3f P3f(2, 6, 7);cout << "Point (3D) = " << P3f << endl << endl;vector<float> v;v.push_back((float)CV_PI); v.push_back(2); v.push_back(3.01f);cout << "Vector of floats via Mat = " << Mat(v) << endl << endl;vector<Point2f> vPoints(20);for (size_t E = 0; E < vPoints.size(); ++E)vPoints[E] = Point2f((float)(E * 5), (float)(E % 7));cout << "A vector of 2D Points = " << vPoints << endl << endl;getchar();return 0;}
