OpenCV中Mat类常用成员属性和成员方法

Mat常用成员属性

1. data 是指向矩阵数据的uchar类指针，用*解引用后再强转为int可以读到第一个像素数据。
2. dims 矩阵的维度，例如5*6矩阵是二维矩阵，则dims=2，三维矩阵dims=3。
3. rows 矩阵的行数。
4. cols 矩阵的列数。
5. size 矩阵的大小，返回一个向量，二维矩阵即为 行数 x 列数。

---

Mat常用成员方法

1. channels() 矩阵元素拥有的通道数，例如常见的彩色图像，每一个像素由RGB三部分组成，则image.channels() = 3。
2. type() 表示了矩阵中元素的类型以及矩阵的通道个数，它是一系列的预定义的常量，其命名规则为CV_(位数）+（数据类型）+（通道数）。具体的有以下值：

CV_8UC1	CV_8UC2	CV_8UC3	CV_8UC4
CV_8SC1	CV_8SC2	CV_8SC3	CV_8SC4
CV_16UC1	CV_16UC2	CV_16UC3	CV_16UC4
CV_16SC1	CV_16SC2	CV_16SC3	CV_16SC4
CV_32SC1	CV_32SC2	CV_32SC3	CV_32SC4
CV_32FC1	CV_32FC2	CV_32FC3	CV_32FC4
CV_64FC1	CV_64FC2	CV_64FC3	CV_64FC4

这里U（unsigned integer）表示的是无符号整数，S（signed integer）是有符号整数，F（float）是浮点数。
例如：CV_16UC2，表示的是元素类型是一个16位的无符号整数，通道为2。C1，C2，C3，C4则表示通道是1,2,3,4。

type一般是在创建Mat对象时设定，如果要取得Mat的元素类型，则无需使用type，使用下面的depth。

3. depth() 矩阵中元素的一个通道的数据类型，这个值和type是相关的。例如 type为 CV_16SC2，一个2通道的16位的有符号整数。那么，depth则是CV_16S。depth也是一系列的预定义值，
   将type的预定义值去掉通道信息就是depth值:
   CV_8U CV_8S CV_16U CV_16S CV_32S CV_32F CV_64F

首先需要确定的一点是，elemSize(),elemSize1(),step[i]都指的是占用字节数,step1(i)指的是像素数

4. elemSize() 矩阵一个元素占用的字节数，例如：type是CV_16SC3，那么elemSize = 3 * 16 / 8 = 6 bytes，即每个元素占6个字节，取决于type()。

5. elemSize1() 矩阵元素一个通道占用的字节数，例如：type是CV_16CS3，那么elemSize1 = 16 / 8 = 2 bytes = elemSize / channels，取决于depth()。

6. step[i] step是一个数组，定义了矩阵的布局，以二维矩阵为例，step[0]表示第一维度的单位长度占用字节数(即每行)，step[1]表示第二维度的单位长度占用字节数(即每个元素)，二维矩阵不存在step[2]。

   如200 x 300，CV_16UC3的矩阵，step[0] = 300 x (16 / 8) x 3 = 1800, step[1] = (16 / 8) x 3 = 6，即为elemSize()。

7. step1(i) step1也是一个数组，但是是使用()访问的，这个数组在step[i]的基础上/elemSize1()，即除掉了位深度16的影响。以二维矩阵为例，step1(0)表示第一维度的单位长度的像素数(即每行)，step1(1)表示第二维度的单位长度的像素数(即每个元素，即通道数)，二维矩阵不存在step1(2)。

   如200 x 300，CV_16UC3的矩阵，step1(0) = 300 x 3 = 900，即等于列数*通道数，step1(1) = 3，即为channels()。

   需要注意的是几个固定的等式：

step1(i)=step[i]/elemsize1;

step[m-1]=elemsize;其中m=M.dims;
    
step1(m-1)=channels;
    
elemSize()=elemSize1() * channels()

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)

下面测试：

    cv::Mat m1(200, 300, CV_16UC3, cv::Scalar(50, 150, 200));
    cout << "*m1.data = " << int(*m1.data) << endl;
    cout << "m1.dims = " << m1.dims << endl;
    cout << "m1.rows = " << m1.rows << endl;
    cout << "m1.cols = " << m1.cols << endl;
    cout << "m1.size = " << m1.size << endl;
    cout << "m1.channels() = " << m1.channels() << endl;
    cout << "m1.type() = " << m1.type() << endl;
    cout << "m1.depth() = " << m1.depth() << endl;
    cout << "m1.elemSize() = " << m1.elemSize()<<endl; 
    cout << "m1.elemSize1() = " << m1.elemSize1() << endl;
    cout << "m1.step[0] = " << m1.step[0] << endl;
    cout << "m1.step[1] = " << m1.step[1] << endl;
    cout << "m1.step1(0) = " << m1.step1(0) << endl;
    cout << "m1.step1(1) = " << m1.step1(1) << endl;

输出结果：

    *m1.data = 50
    m1.dims = 2
    m1.rows = 200
    m1.cols = 300
    m1.size = 200 x 300
    m1.channels() = 3
    m1.type() = 18
    m1.depth() = 2
    m1.elemSize() = 6
    m1.elemSize1() = 2
    m1.step[0] = 1800
    m1.step[1] = 6
    m1.step1(0) = 900
    m1.step1(1) = 3