本文转自http://blog.skyoung.org/2014/03/26/OpenCV(III)-How-to-use-Mat/
Mat类是OpenCV最基本的一个数据类型，它可以表示一个多维的多通道的数组。Mat常用来存储图像，包括单通道二维数组——灰度图，多通道二维数组——彩色图。当然也可以用来存储点云，直方图等等，对于高维的数组可以考虑存储在SparseMat中。对于一个Mat对象M，其数据布局是由M.step[]决定的，数据存放在M.data里面，假设M有d维，则数据的寻址方式为：
addr(Mi0,...,id−1)=M.data+i0∗M.step[0]+...+id−1∗M.step[d−1] addr(Mi0,...,id−1)=M.data+i0∗M.step[0]+...+id−1∗M.step[d−1]
例如 Img Img是一个二维三通道矩阵，则，
addr(Imgi0,i1)=M.data+i0∗M.step[0]+i1∗M.step[1] addr(Imgi0,i1)=M.data+i0∗M.step[0]+i1∗M.step[1]
这里需要说明的是各个维度的步长满足如下关系：M.step[i] >= M.step[i+1]*M.size[i+1],也就是二维数组的数据的存放是一行一行的，三维数组数据存放是一面一面的。
下面给出OpenCV中Mat类的一个粗略定义如下：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 class CV_EXPORTS Mat { public: // ... a lot of methods ... ... /*! includes several bit-fields: - the magic signature - continuity flag - depth - number of channels */ int flags; //! the array dimensionality, >= 2 int dims; //! the number of rows and columns or (-1, -1) when the array has more than 2 dimensions int rows, cols; //! pointer to the data uchar* data; //! pointer to the reference counter; // when array points to user-allocated data, the pointer is NULL int* refcount; // other members ... };
构造Mat的方式有很多种，下面把常用的方法一一列出：
使用构造函数Mat(nrows, ncols, type[, fillValue]),例如,
1 2 // 构建3×2的4通道8位矩阵，每个元素初始值为（1,2,3,4） Mat M(3,2,CV_8UC4,Scalar(1,2,3,4));
使用M.create(nrows,ncols,type)，例如，
1 2 //构建100×100的10通道8位矩阵 M.create(100,100,CV_8UC(10))
构建多维的矩阵，
1 2 3 //构建一个100×100×100的8位三维矩阵 int sz[] = {100,100,100} Mat Cube(3, sz, CV_32F, Scalar::all(0))
使用复制构造函数或者赋值操作符
1 2 Mat A(B); Mat C = B;
单独对矩阵的某一行某一列进行操作
1 2 3 4 5 6 //第4行加上第6行的3倍赋值给第4行 M.row(3) = M.row(3) + M.row(5)*3; // 把第8列拷贝到第2列，通过 M.col(1) = M.col(7)是不起作用的，应该: Mat M1 = M.col(1); M.col(7).copyTo(M1);
构建矩阵的ROI区域，单独操作ROI区域的值
1 2 3 Mat img(Size(320,240),CV_8UC3); Mat roi(img, Rect(10,10,100,100)); roi = Scalar(0,255,0);
确定矩阵在原矩阵中的相对位置，使用locateROI，
1 2 3 4 5 6 Mat A = Mat::eye(10, 10, CV_32S); Mat B = A(Range::all(), Range(1, 3)); Mat C = B(Range(5, 9), Range::all()); Size size; Point ofs; //得出ofs为（1,5），size为（10,10），为什么是（10,10）？目前没搞清楚 C.locateROI(size, ofs);
对于外部数据输入，进行初始化
1 2 3 4 5 6 7 8 9 10 //外部输入一个一维数组 void process_video_frame(const unsigned char* pixels, int width, int height, int step) { Mat img(height, width, CV_8UC3, pixels, step); GaussianBlur(img, img, Size(7,7), 1.5, 1.5); } //用二维数组初始化矩阵 double m[2][3] = { {1, 2, 3}, {4, 5, 6} }; Mat M = Mat(2, 3, CV_64F, m);IplImage，CvMat和Mat相互转换 1 2 3 4 5 IplImage* img = cvLoadImage("lena.jpg", 1); Mat mtx(img); // IplImage* -> Mat IplImage* img1 = mtx; //Mat -> IplImage* CvMat oldmat = mtx; // Mat -> CvMat Mat mtx1(oldmat); //CvMat -> Mat
类似Matlab方式和<<赋值
1 2 3 4 5 6 7 //类似Matlab中的单位矩阵等 M = Mat::ones(10, 10, CV_64F); M = Mat::eye(10, 10, CV_64F); M = Mat::zeros(10, 10, CV_64F); //使用`Mat_`和`<<`配合 Mat M = (Mat_<double>(3,3) << 1, 0, 0, 0, 1, 0, 0, 0, 1);
构造好矩阵后，剩下一个很重要的事情就是如何快速准确的获取矩阵Mat中的元素，下面列出几种常用的获取Mat中的元素方法：
使用M.at(i,j)
1 M.at<double>(i,j)
对于二维矩阵，可以采取逐行获取的方式：
1 2 3 4 5 6 7 double sum=0; for(int i = 0; i < M.rows; i++) { const double* Mi = M.ptr<double>(i); for(int j = 0; j < M.cols; j++) sum += std::max(Mi[j], 0.); }
对于不在乎矩阵的形状，只是简单的遍历矩阵的元素的，可以采用更快速的方法,首先检查元素排列是否连续，如果是，可以看成一个一维数组访问。
1 2 3 4 5 6 7 8 9 10 11 12 13 double sum=0; int cols = M.cols, rows = M.rows; if(M.isContinuous()) { cols *= rows; rows = 1; } for(int i = 0; i < rows; i++) { const double* Mi = M.ptr<double>(i); for(int j = 0; j < cols; j++) sum += std::max(Mi[j], 0.); }
仿照STL中，使用迭代器访问：
1 2 3 4 double sum=0; MatConstIterator_<double> it = M.begin<double>(), it_end = M.end<double>(); for(; it != it_end; ++it) sum += std::max(*it, 0.);
这个矩阵的迭代器可以传给STL的算法，例如std::sort()。
赋值操作符’=’ 除了普通的矩阵赋值外，如果一个Scalar赋值给一个Mat,则表示把Mat的所有元素赋值为这个Scalar值。
矩阵的取行列及对角线操作 A.row(i)，A.col(j)这些操作返回矩阵A的第i行和第j列。A.rowRange(m,n)和A.colRange(m,n)分别取的是A的第m行到第n行（包括m行，不包括n行）和A的第m列到第n列（包括m列，不包括n列）。这里需要注意一个问题,对于
1 A.row(i) = A.row(j)
这一操作，并不能把第j行复制到第i行，因为A.row()返回的只是矩阵的头，以上操作仅仅相当于两个指针的操作，所指内存其实是没有发生变化的。如果想把第j行复制到第i行，可以
1 A.row(j).copyTo(A(i))
当右边的矩阵发生操作后，是可以赋值的，比如
1 2 A.row(i) = A.row(j)*a A.row(i) = A.row(j) + Scalar(0,0,0);
A.diag(i)取的是矩阵的对角线，这里i=0代表最中间的对角线，i=1是偏右上一行的对角线，i=-1是左下一行的对角线，例如:
1 2 3 Mat A = (Mat_<float>(3,3)<< 1,9,3, 7,5,0, 7,3,9);
A.diag(0)取得是{1,5,9}，A.diag(1)取得是{9,0}，A.diag(-1)取得是{7,3}。
复制函数
1 2 3 A.clone()//返回A的拷贝。 A.copyTo(B)//执行把A拷贝到B矩阵中。 A.copyTo(B,mask)//进拷贝mask对应的部分
转换矩阵元素的数据类型
1 2 A.converTo(B,tpye,scale)//把A的类型转换为type并且按照scale缩放A到B矩阵中 assignTo(A,type)//更改A的元素数据类型
设定矩阵的值
1 A.setTo(s)//把A中所有的值赋值为s
更改矩阵的通道数和行数
A.reshape()改变通道数，A.resize()改变行数。其中A.reshape()这个操作不改变roscolschannels的个数，仅仅相当于重构这些元素，例如：
1 2 3 vector<Point> vec;//vec是N个Point Mat pointMat = Mat(vec); //pointMat是一个三通道的N×1的矩阵 pointMat.reshape(1)//pointMat变为一个单通道N×3的矩阵
更改矩阵的行数如下
1 A.resize(sz) //A变为sz行
locateROI和adjustROI
这两个函数主要是对submatrix的操作，即通过A.row(),A(Range(i,j),Range::all())等操作获得的submatrix在原始矩阵中位置。例如：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 Mat A = (Mat_<float>(3,3)<< 1,9,3, 7,5,0, 7,3,9); Mat B = A(Range(0,2),Range(1,3));//B变为 {9,3, // 5,0} Size sz; Point p1; B.locateROI(sz, p1); cout<<sz<<" "<<p1<<endl; //sz是原矩阵的大小3×3,p1是B在A中位置(1,0) B.adjustROI(0,1,0,0); //四个参数分别是上下左右平移的像素数，这里是把B向下平移1行， //最后得出B为{9,3, // 5,0， // 3,9} cout<<B<<endl;
Mat的各项属性
1 2 3 4 5 6 7 8 9 10 11 12 A.total() //元素的个数 A.elemSize() //元素的大小，如果是8UC3的话，返回3*sizeof(uchar) A.elemSize1() //如果是8UC3的话，返回sizeof(uchar) A.type() //元素的数据类型 A.depth()//元素的位数 A.channels()//矩阵的通道数 A.step1() //矩阵的每一行元素的个数，A.step/A.elemSize1 A.size() //矩阵的尺寸 //注意以下是成员变量不是成员函数 A.step //矩阵的一行的字节数 A.rows //矩阵的行数，即高 A.cols //矩阵的列数，即宽
Mat提供了关于矩阵的一些基本操作，这对图像的操作打下了坚实的基础，更多复杂的算法都是基于这些操作实现的。
