OpenCV的DNN模块

---

---

Mat的构造函数

Mat::Mat()
	//无参数构造方法；
Mat::Mat(int rows, int cols, int type)
	//创建行数为 rows，列数为 col，类型为 type 的图像；
Mat::Mat(Size size, int type)
	//创建大小为 size，类型为 type 的图像；
	
Mat::Mat(int rows, int cols, int type, const Scalar& s)
	//创建行数为 rows，列数为 col，类型为 type 的图像，并将所有元素初始化为值 s；
	
Mat::Mat(Size size, int type, const Scalar& s)
	//创建大小为 size，类型为 type 的图像，并将所有元素初始化为值 s；
	
Mat::Mat(const Mat& m)
	//将m赋值给新创建的对象，此处不会对图像数据进行复制，m和新对象共用图像数据，属于浅拷贝；
	
Mat::Mat(int rows, int cols, int type, void* data, size_t step=AUTO_STEP)
	//创建行数为rows，列数为col，类型为type的图像，此构造函数不创建图像数据所需内存，而是直接使用data所指内存，图像的行步长由 step指定。
	
Mat::Mat(Size size, int type, void* data, size_t step=AUTO_STEP)
	//创建大小为size，类型为type的图像，此构造函数不创建图像数据所需内存，而是直接使用data所指内存，图像的行步长由step指定。
	
Mat::Mat(const Mat& m, const Range& rowRange, const Range& colRange)
	//创建的新图像为m的一部分，具体的范围由rowRange和colRange指定，此构造函数也不进行图像数据的复制操作，新图像与m共用图像数据；
	
Mat::Mat(const Mat& m, const Rect& roi)
	// 创建的新图像为m的一部分，具体的范围roi指定，此构造函数也不进行图像数据的复制操作，新图像与m共用图像数据。

这些构造函数中，很多都涉及到类型type
type：CV_8UC1，CV_16SC1，…，CV_64FC4 等。

8U 表示 8 位无符号整数，
16S 表示 16 位有符号整数，64F表示 64 位浮点数（即 double 类型）；
C 后面的数表示通道数，例如 C1 表示一个通道的图像，C4 表示 4 个通道的图像，以此类推。

如果你需要更多的通道数，需要用宏 CV_8UC(n)，例如：
Mat M(3,2, CV_8UC(5));//创建行数为 3，列数为 2，通道数为 5 的图像。

blobFromImage函数

blobFromImage主要是用来对图片进行预处理。包含两个主要过程：

整体像素值减去平均值（mean）
通过缩放系数（scalefactor）对图片像素值进行缩放

Mat cv::dnn::blobFromImage(InputArray image, 
			  double scalefactor=1.0, 
			  	//像素值进行一定的尺度缩放
		      const Size& size = Size(),
		      	//神经网络在训练的时候要求输入的图片尺寸
			  const Scalar& mean = Scalar(), 
			  bool swapRB = false, 
			  	//openCV默认 BGR，传入的图片一般是RGB
			  bool crop = false,
			  	// crop：输入图像大小与size不符的时候，是否需要裁剪
			  int ddepth = CV_32F
				// ddepth：图像的数据类型，目前仅支持32F和8U
	)
			  
// image：这个就是我们将要输入神经网络进行处理或者分类的图片。

/* 
mean：需要将图片整体减去的平均值，
// 如果我们需要对RGB图片的三个通道分别减去不同的值，那么可以使用3组平均值，
// 如果只使用一组，那么就默认对三个通道减去一样的值。
// 减去平均值（mean）：
// 为了消除同一场景下不同光照的图片，对我们最终的分类或者神经网络的影响，
//  我们常常对图片的R、G、B通道的像素求一个平均值，然后将每个像素值减去我们的平均值，
//  这样就可以得到像素之间的相对值，就可以排除光照的影响。
*/

//scalefactor：当我们将图片减去平均值之后，还可以对剩下的像素值进行一定的尺度缩放，它的默认值是1，如果希望减去平均像素之后的值，全部缩小一半，那么可以将scalefactor设为1/2。

//size：这个参数是我们神经网络在训练的时候要求输入的图片尺寸。

//swapRB：OpenCV中认为我们的图片通道顺序是BGR，但是我平均值假设的顺序是RGB，所以如果需要交换R和G，那么就要使swapRB=true

void cv::dnn::Net::setInput	(	
    InputArray 	blob,
    	// blob，就是上文中介绍的blobFromImage的返回值
    const String & 	name = "",
    	// 这个name指的是inputlayer的名字。
    double 	scalefactor = 1.0,
    const Scalar & 	mean = Scalar() )	
    	// scalefactor 和 mean 与blobFromImage中相同

dnn::Net 的 forward()

从网络开始层进行计算，前向传播到输出层

Mat cv::dnn::Net::forward(const String& outputName = String())
	// 这个函数只需要提供layer的name即可；
	// 函数返回一个Mat变量，返回值是指输入的layername  首次出现  的输出。

	// 	// 默认输出整个网络的运行结果
	layer { // layer层的例子	(googleNet输出层)
	  name: "prob"	//层名称
	  type: "Softmax"	//
	  bottom: "loss3/classifier"
	  top: "prob"
	}

void cv::dnn::Net::forward(OutputArrayOfArrays outputBlobs,
							const String & outputName = String())	
	// 该函数的返回值是void，通过OutputArrayOfArrays类型提供计算结果，类型为blob
	// 这个outputName依然是layer的name，
	// outputBlobs不是  首次   layer的输出了，而是layername指定的layer的全部输出

void cv::dnn::Net::forward(OutputArrayOfArrays outputBlobs,
						const std::vector<String> & outBlobNames)
	// 该函数返回值为void，
	// outBlobNames是需要提供输出的layer的name，类型为vector，也就是说可以提供多个layer的那么；
	// 它会将每个layer的   首次计算输出    放入outputBlobs。

void cv::dnn::Net::forward(std::vector<std::vector<Mat>> & outputBlobs, 
							const std::vector<String> & outBlobNames )	
	// 返回值为void；
	// 输入outBlobNames是vector类型，
	// outputBlobs是vector<std::vector<Mat>>类型；
	// 该函数可以输入多个layer的name；
	// 它会输出每个layer的全部输出到outputBlobs中。

第二个开始依次是：标签、置信度、目标位置的4个坐标信息[xmin ymin xmax ymax]
倒数第二维是识别的标签的数量，图中选择显示第4个标签的信息