Opencv读取mat和cvMat元素&&Mat与IplImage和CvMat类型之间的相互转换

最新推荐文章于 2021-03-25 20:33:33 发布

Vincent乐

最新推荐文章于 2021-03-25 20:33:33 发布

阅读量1.5w

点赞数 1

分类专栏： OpenCV

本文链接：https://blog.csdn.net/chlele0105/article/details/12073671

版权

OpenCV 专栏收录该内容

11 篇文章 0 订阅

订阅专栏

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_<bit_depth>(S|U|F)C<number_of_channels>.  


   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:
[cpp] view plain copy print ?
1. CvMat* M = cvCreateMat(4,4,CV_32FC1);
2. cvReleaseMat(&M);
复制矩阵:
[cpp] view plain copy print ?
1. CvMat* M1 = cvCreateMat(4,4,CV_32FC1);
2. CvMat* M2;
3. M2=cvCloneMat(M1);

初始化矩阵:

[cpp] view plain copy print ?

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:
   
   
    
    
     
     
      
      [cpp] 
      
      view plain
      
      copy
      
      print
      
      ?
     
     
    
    
    
    CvMat Ma;  
cvInitMatHeader(&Ma, 3, 4, CV_64FC1, a);

初始化矩阵为单位阵:
[cpp] view plain copy print ?
1. CvMat* M = cvCreateMat(4,4,CV_32FC1);
2. cvSetIdentity(M); // 这里似乎有问题，不成功

存取矩阵元素

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:
[cpp] view plain copy print ?
1. cvmSet(M,i,j,2.0); // Set M(i,j)
2. t = cvmGet(M,i,j); // Get M(i,j)
直接存取，假设使用4-字节校正:
[cpp] view plain copy print ?
1. CvMat* M = cvCreateMat(4,4,CV_32FC1);
2. int n = M->cols;
3. float *data = M->data.fl;
4. data[i*n+j] = 3.0;
直接存取，校正字节任意:
[cpp] view plain copy print ?
1. CvMat* M = cvCreateMat(4,4,CV_32FC1);
2. int step = M->step/sizeof(float);
3. float *data = M->data.fl;
4. (data+i*step)[j] = 3.0;
直接存取一个初始化的矩阵元素:
[cpp] view plain copy print ?
1. double a[16];
2. CvMat Ma = cvMat(3, 4, CV_64FC1, a);
3. a[i*4+j] = 2.0; // Ma(i,j)=2.0;

矩阵/向量操作

矩阵-矩阵操作:
[cpp] view plain copy print ?
1. CvMat *Ma, *Mb, *Mc;
2. cvAdd(Ma, Mb, Mc); // Ma+Mb -> Mc
3. cvSub(Ma, Mb, Mc); // Ma-Mb -> Mc
4. cvMatMul(Ma, Mb, Mc); // Ma*Mb -> Mc
按元素的矩阵操作:
[cpp] view plain copy print ?
1. CvMat *Ma, *Mb, *Mc;
2. cvMul(Ma, Mb, Mc); // Ma.*Mb -> Mc
3. cvDiv(Ma, Mb, Mc); // Ma./Mb -> Mc
4. cvAddS(Ma, cvScalar(-10.0), Mc); // Ma.-10 -> Mc
向量乘积:
[cpp] view plain copy print ?
1. double va[] = {1, 2, 3};
2. double vb[] = {0, 0, 1};
3. double vc[3];
4. CvMat Va=cvMat(3, 1, CV_64FC1, va);
5. CvMat Vb=cvMat(3, 1, CV_64FC1, vb);
6. CvMat Vc=cvMat(3, 1, CV_64FC1, vc);
7. double res=cvDotProduct(&Va,&Vb); // 点乘: Va . Vb -> res
8. cvCrossProduct(&Va, &Vb, &Vc); // 向量积: Va x Vb -> Vc
9. 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:
[cpp] view plain copy print ?
1. CvMat *Ma, *Mb;
2. cvTranspose(Ma, Mb); // transpose(Ma) -> Mb (不能对自身进行转置)
3. CvScalar t = cvTrace(Ma); // trace(Ma) -> t.val[0]
4. double d = cvDet(Ma); // det(Ma) -> d
5. cvInvert(Ma, Mb); // inv(Ma) -> Mb
非齐次线性系统求解:
[cpp] view plain copy print ?
1. CvMat* A = cvCreateMat(3,3,CV_32FC1);
2. CvMat* x = cvCreateMat(3,1,CV_32FC1);
3. CvMat* b = cvCreateMat(3,1,CV_32FC1);
4. cvSolve(&A, &b, &x); // solve (Ax=b) for x
特征值分析(针对对称矩阵):
[cpp] view plain copy print ?
1. CvMat* A = cvCreateMat(3,3,CV_32FC1);
2. CvMat* E = cvCreateMat(3,3,CV_32FC1);
3. CvMat* l = cvCreateMat(3,1,CV_32FC1);
4. 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:

[cpp] view plain copy print ?
1. CvMat* A = cvCreateMat(3,3,CV_32FC1);
2. CvMat* U = cvCreateMat(3,3,CV_32FC1);
3. CvMat* D = cvCreateMat(3,3,CV_32FC1);
4. CvMat* V = cvCreateMat(3,3,CV_32FC1);
5. 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 <opencv2/core/core.hpp>   
#include <opencv2/highgui/highgui.hpp>   
#include <opencv2/contrib/contrib.hpp>   
#include <iostream>   
#include <fstream>   
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<<"load image failed!"<<endl;  
        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<loop_times; ++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<<"-------1-------"<<endl;  
        tm.reset();  
        tm.start();  
        vector<Mat> spl;        
        split(temp, spl);  
        for (i=0; i<temp.rows; ++i)  
        {  
            float *pt = spl[1].ptr<float>(i);  
            for (j=0; j<temp.cols; ++j)  
            {  
                float mm = pt[j];  
                mm /= 20.6f;  
#ifdef PIXEL_OUT   
                fout<<mm<<" ";  
#endif   
            }  
        }  
        merge(spl, temp);  
        tm.stop();  
        process_time[0] += tm.getTimeMicro();  
        cout<<"method=1,process time="<<tm.getTimeMicro()<<endl;  
  
        //=========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<<"-------2-------"<<endl;  
        tm.reset();  
        tm.start();  
        for (i=0; i<temp.rows; ++i)  
        {  
            float *pts = temp.ptr<float>(i);  
            for (j=0; j<temp.cols; ++j)  
            {  
                float mm = pts[3*j+1];  
                mm /=20.6f;  
#ifdef PIXEL_OUT   
                fout<<mm<<" ";  
#endif   
            }  
        }  
        tm.stop();  
        process_time[1] += tm.getTimeMicro();  
        cout<<"method=2,process time="<<tm.getTimeMicro()<<endl;  
  
        //============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<<"-------3-------"<<endl;  
        tm.reset();  
        tm.start();  
        int col=temp.cols, row = temp.rows;  
        if (temp.isContinuous())  
        {  
            col*=row;  
            row =1;  
        }  
        for (i=0; i<row; ++i)  
        {  
            const float *pt = temp.ptr<float>(i);  
            for (j=0; j<col;++j)  
            {  
                float mm=pt[3*j+1];  
                mm /= 20.6f;  
#ifdef PIXEL_OUT   
                fout<<mm<<" ";  
#endif   
            }  
        }  
        tm.stop();  
        process_time[2] += tm.getTimeMicro();  
        cout<<"method=3,process time="<<tm.getTimeMicro()<<endl;  
  
        ///===========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<<"-------4-------"<<endl;  
        tm.reset();  
        tm.start();  
        int step0=temp.step[0],step1=temp.step[1];  
        for (i=0; i<temp.rows; ++i)  
        {  
            for (j=0; j<temp.cols; ++j)  
            {  
                float *pix = (float *)(temp.data+i*step0+j*step1);  
                float tt= *(pix+1)/20.6f;  
#ifdef PIXEL_OUT   
                fout<<tt<<" ";  
#endif   
            }  
        }  
        tm.stop();  
        process_time[3] += tm.getTimeMicro();  
        cout<<"method=4,process time="<<tm.getTimeMicro()<<endl;  
  
        //============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<<"-------5-------"<<endl;  
        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<row2; ++i)  
        {  
            for (j=0; j<col2;++j)  
            {  
                float *mm= (float *)(temp.data+i*step00+j*step01);  
                float tt = *(mm+1)/20.6f;  
#ifdef PIXEL_OUT   
                fout<<tt<<" ";  
#endif   
            }  
        }  
        tm.stop();    
        process_time[4] += tm.getTimeMicro();  
        cout<<"method=5,process time="<<tm.getTimeMicro()<<endl;  
  
        //=========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<<"-------6-------"<<endl;  
        tm.reset();  
        tm.start();  
        MatConstIterator_<Vec3f> iters = temp.begin<Vec3f>(),end=temp.end<Vec3f>();  
        for(; iters!=end; ++iters)  
        {  
            Vec3f vec3f = *iters;  
            vec3f.val[1] /= 20.6f;  
#ifdef PIXEL_OUT   
            fout<<vec3f.val[1]<<" ";  
#endif   
        }  
        tm.stop();  
        process_time[5] += tm.getTimeMicro();  
        cout<<"method=6,process time="<<tm.getTimeMicro()<<endl;    
          
        //=========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<<"-------7-------"<<endl;  
        tm.reset();  
        tm.start();  
        for (i=0; i<temp.rows; ++i)  
        {  
            for (j=0; j<temp.cols; ++j)  
            {             
                float mm = temp.at<Vec3f>(i,j)[1];  
                mm /=20.6f;  
#ifdef PIXEL_OUT   
                fout<<mm<<" ";  
#endif   
            }  
        }  
        tm.stop();  
        process_time[6] += tm.getTimeMicro();  
        cout<<"method=7,process time="<<tm.getTimeMicro()<<endl;  
  
    }  
  
    cout<<"---------------------------------"<<endl;  
    for (int m=0; m<7; ++m)  
    {  
        cout<<m+1<<"="<<process_time[m]/loop_times<<endl;  
    }  
  
    //=====================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<Vec3b>(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

Vincent乐

关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
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.
复制链接

扫一扫