【OpenCV】实现 argmax 得到像素点分类

1. cv::Mat 与 float 数组互转​

​​(1) cv::Mat 转 float 数组​

// 假设 mat 是 CV_32FC3 类型（3通道浮点矩阵）
cv::Mat mat = cv::Mat::ones(100, 100, CV_32FC3); 

// 检查矩阵是否连续存储
if (!mat.isContinuous()) {
    mat = mat.clone(); // 转为连续内存
}

// 获取数据指针
float* float_array = (float*)mat.data;

// 验证数据（示例：访问第一个像素的通道值）
float b = float_array[0];
float g = float_array[1];
float r = float_array[2];

​​(2) float 数组转 cv::Mat

// 假设数组是 100x100x3 的浮点数据
float* float_data = new float[100 * 100 * 3]; 
// ... 填充数据 ...

// 创建 cv::Mat（深拷贝）
cv::Mat mat_from_array(100, 100, CV_32FC3, float_data); // 浅拷贝（注意内存生命周期）
// 或者深拷贝：
cv::Mat mat_deep;
mat_deep.create(100, 100, CV_32FC3);
memcpy(mat_deep.data, float_data, 100 * 100 * 3 * sizeof(float));

---

​2. 实现 argmax 获取像素分类​

​​(1) 场景说明​

假设输入矩阵为多通道 cv::Mat（例如 ​语义分割的输出，每个通道表示类别概率），需找到每个像素的 ​最大概率对应的通道索引。

​​(2) 核心代码​

/​**​
 * @brief 对多通道浮点矩阵执行 argmax，生成单通道分类结果
 * @param src 输入矩阵（CV_32FC3、CV_32FC4 等多通道浮点类型）
 * @return 单通道分类索引矩阵（CV_8UC1 或 CV_32SC1）
 */
cv::Mat argmax(const cv::Mat& src) {
    // 检查输入类型
    CV_Assert(src.type() == CV_32FC3 || src.type() == CV_32FC(4)); 

    const int channels = src.channels();
    cv::Mat dst(src.rows, src.cols, CV_8UC1); // 输出单通道索引

    for (int r = 0; r < src.rows; r++) {
        const float* src_ptr = src.ptr<float>(r);
        uchar* dst_ptr = dst.ptr<uchar>(r);
        
        for (int c = 0; c < src.cols; c++) {
            float max_val = src_ptr[c * channels];
            uchar max_idx = 0;
            
            // 遍历每个通道，寻找最大值索引
            for (int ch = 1; ch < channels; ch++) {
                if (src_ptr[c * channels + ch] > max_val) {
                    max_val = src_ptr[c * channels + ch];
                    max_idx = ch;
                }
            }
            
            dst_ptr[c] = max_idx; // 记录分类结果
        }
    }
    
    return dst;
}

​​(3) 使用示例​

// 模拟语义分割输出（3通道概率图）
cv::Mat prob_map(480, 640, CV_32FC3);
cv::randu(prob_map, 0.0, 1.0); // 随机生成概率

// 执行 argmax
cv::Mat class_idx = argmax(prob_map);

// 可视化分类结果（不同类别用不同颜色）
cv::Mat color_map;
cv::applyColorMap(class_idx * 80, color_map, cv::COLORMAP_JET); // 伪彩色映射
cv::imshow("Classification", color_map);
cv::waitKey(0);

---

​3. 关键注意事项​

1. ​数据类型匹配​：

   • 输入矩阵必须是 CV_32FC1、CV_32FC3 等浮点类型。
   • 输出分类索引矩阵根据类别数量选择类型（如类别数 < 256 用 CV_8UC1，否则用 CV_32SC1）。

2. ​内存连续性​：

   • 使用 mat.isContinuous() 检查内存布局，必要时用 mat.clone() 保证连续。

3. ​性能优化​：

   • 多通道遍历时，优先使用指针操作而非 at<T>() 方法。
   • 可并行化处理（如 OpenMP 加速）。

4. ​分类结果后处理​：

   • 对分类结果进行形态学滤波（如 cv::medianBlur）可消除噪声。
   • 结合阈值过滤低置信度区域。

---

通过以上方法，可以实现高效的像素级分类，适用于语义分割、多类别目标检测等场景。

参考：

1. cv::Mat 与 float 互换，实现 argmax 得到像素点分类 - 简书