OpenCV中Mat类成员data、dims、step、depth()、channels()、elemSize()等解析

cv:Mat是OpenCV中最重要的数据存储类，几乎可以存储所有的矩阵数据（包括2维图片数据）。

cv::Mat
The class Mat represents an n-dimensional dense numerical single-channel or multi-channel array. It can be used to store (Mat类用于表示一个多维度的密集的单通道或多通道的数值数组，能用于存储)：

• real or complex-valued vectors or matrices (实数值或复合值向量、矩阵)
• grayscale or color images (灰度图或者彩色图)
• voxel volumes (立体元素)
• vector fields (矢量场)
• point clouds (点云)
• tensors (张量)
• histograms (though, very high-dimensional histograms may be better stored in a SparseMat ) (直方图，高纬度的最好存放在SparseMat中)

矩阵 (M) 中数据元素的地址计算公式：
addr(Mi0,i1,…im-1) = M.data + M.step[0] * i0 + M.step[1] * i1 + … + M.step[m-1] * im-1 (其中 m = M.dims，即M的维度)

重要的类成员：

• data：数据存储的起始地址 (uchar*类型)；
• dims：矩阵维度。如 3 * 4 的矩阵为 2 维， 3 * 4 * 5 的为3维；
• channels()：通道数量，矩阵中表示一个元素所需要的值的个数。例：3 * 4矩阵中共有12个元素，如果每个元素需要3个值表示，那么此矩阵的通道数为3。常见的是一张彩色图片有B蓝、G绿、R红3个通道；
• depth()：深度，即表示单通道中元素值的位数(bits)。Mat.depth()返回的是一个 0~6 的数字，分别代表不同的位数：enum { CV_8U=0, CV_8S=1, CV_16U=2, CV_16S=3, CV_32S=4, CV_32F=5, CV_64F=6 }; 可见 0和1都代表8位， 2和3都代表16位，4和5代表32位，6代表64位；
• elemSize() : 单个元素在所有通道中大小之和，elemSize() = sizeof(数据类型) * channels()。如果Mat中的数据的数据类型是 CV_8U 那么 elemSize() = 1；CV_8UC3 那么 elemSize() = 3，CV_16UC2 那么 elemSize() = 4；
• elemSize1() : 单个元素在1个通道中的大小。elemSize1() = sizeof(数据类型) = elemSize()  / channels()。 
• step[]：可以看作是一个有dims个元素的动态数组，定义了矩阵的在各维度之间跳变时的最大步长（单位：字节。如2维Mat时，step[0]表示行长度，step[1]表示元素长度）。
• step1(n)：与step[n]对应范围的总通道数， step1(n) = step[n] / elemSize1()；

实例分析1：2维情况（stored row by row）按行存储

上面是一个 3 * 4 的2维矩阵（线 * 点），有：

• M.dims = 2;   
• M.rows = 3;   
• M.cols = 4;

假设其数据类型为 CV_8U，是单通道的 uchar 类型，那么：

• M.depth() = 0;
• M.channels() = 1; 
• M.elemSize1() = sizeof(uchar) = 1;
• M.elemSize() = M.elemSize1() * M.channels() = 1 * 1 = 1; 
• M.step[]数组有两个元素。M.step[0]表示每行数据的大小，M.step[1] 表示每个数据元素的大小；
• M.step[0]  = M.elemSize() * M.cols = 1 * 4 = 4 ; 
• M.step[1]  = M.elemSize() = 1；
• M.step1(0) = M.step[0] / M.elemSize1() = 4; 
• M.step1(1) = M.step[1] / M.elemSize1() = 1。

假设上面的矩阵数据类型是 CV_8UC3，是3通道的 uchar 类型，那么：

• M.depth() = 0;
• M.channels() = 3; 
• M.elemSize1() = sizeof(uchar) = 1;
• M.elemSize() = M.elemSize1()  * M.channels() = 1 * 3 = 3; 
• M.step[]数组有两个元素。M.step[0]表示每行数据的大小，M.step[1] 表示每个数据元素的大小；
• M.step[0]  = M.elemSize() * M.cols = 3 * 4 = 12 ; 
• M.step[1]  = M.elemSize() = 3；
• M.step1(0) = M.step[0] / M.elemSize1() = 12 / 1 = 12; 
• M.step1(1) = M.step[1] / M.elemSize1() = 3 / 1 = 3。

实例分析2：3维情况（stored plane by plane）按面存储

上面是一个 3 * 4 * 6 的3维矩阵（面 * 线 * 点），有：

• M.dims = 3;   
• M.rows = 4;   
• M.cols = 6;

假设其数据类型为 CV_16SC4，是4通道的 short 类型，那么：

• M.depth() = 3;
• M.channels() = 4 ;
• M.elemSize1() = sizeof(short) = 2 ;
• M.elemSize() = M.elemSize1() * M.channels() = M.step[M.dims-1] = M.step[2] = 2 * 4 = 8;
• M.step[0] = M.rows * M.cols * M.elemSize() = 4 * 6 * 8 = 192；
• M.step[1] = M.cols * M.elemSize() = 6 * 8 = 48；
• M.step[2] = M.elemSize() = 8；
• M.step1(0) = M.step[0] / M.elemSize1() = 192 / 2 = 96 （第1维度（面）的总通道数）；
• M.step1(1) = M.step[1] / M.elemSize1() = 48 / 2 = 24（第2维度（线）的总通道数）；
• M.step1(2) = M.step[2] / M.elemSize1() = M.channels() = 4（第3维度（点）的总通道数）；