OpenCV(2)-Mat数据结构及访问Mat中像素

Mat数据结构

一开始OpenCV是基于C语言的，在比较早的教材例如《学习OpenCV》中，讲解的存储图像的数据结构仍是IplImage，这样须要手动管理内存。如今存储图像的基本数据结构是Mat。
Mat是opencv中保存图像数据的基本容器。其定义以下:

class CV_EXPORTS Mat
{
public:
    // ... a lot of methods ...
    ...

    /*! includes several bit-fields:
         - the magic signature
         - continuity flag
         - depth
         - number of channels
     */
    int flags;
    //! the array dimensionality, >= 2
    int dims;
    //! the number of rows and columns or (-1, -1) when the array has more than 2 dimensions
    int rows, cols;
    //! pointer to the data
    uchar* data;

    //! pointer to the reference counter;
    // when array points to user-allocated data, the pointer is NULL
    int* refcount;

    // other members
    ...
};

Mat类能够表示n维的单通道或多通道数组，它能够存储实数/复数的向量和矩阵，单色或彩色图像等。向量\(M\)的布局是由数组\(M.step[]\)决定的，元素\((i_0, ..., i_{M.dims-1})\)的地址为（其中\(0 \leq i_k < M.size[k]\))：
\[addr(M_{i_0, ..., i_{M.dims-1}})=M.data + M.step[0]*i_0 + M.step[1]*i_1+...+M.step[M.dims-1]*i_{M.dims-1}\]

Mat对象的数据布局和CvMat、Numpy等兼容，实际上它和以step(strides)方式计算像素地址方式的数据结构兼容。
在上面的数据结构能够看出，Mat数据结构中指针信息能够共享，即矩阵头信息独立，矩阵数据能够共享，使用引用计数器，相似智能指针。这样用户使用时，用户能够分配Mat的头信息，共享数据信息，并在原地处理信息，这样能够极大的节省内存。

建立Mat对象

一、使用构造函数Mat(nrows, ncols, type[, fillValue])或者create(nrows, ncols, type)
这样能够建立一个nrows行，ncol列的矩阵，类型为type。例如CV_8UC1表示8位单通道， CV_32FC2表示双通道32位floating-point双通道。

// make a 7x7 complex matrix filled with 1+3j.
Mat M(7,7,CV_32FC2,Scalar(1,3));
// and now turn M to a 100x60 15-channel 8-bit matrix.
// The old content will be deallocated
M.create(100,60,CV_8UC(15));

对于type，格式为CV_位数+数值类型+C通道数，例如：
CV_8UC1表示：单通道阵列，8bit无符号整数
CV_8US2表示：2通道阵列，8bit有符号整数)
二、建立多维矩阵

// create a 100x100x100 8-bit array
int sz[] = {100, 100, 100};
Mat bigCube(3, sz, CV_8U, Scalar::all(0));

三、使用拷贝构造函数或赋值操做符时，只是建立了矩阵头，共享了矩阵信息，时间复杂度为O(1)。Mat::clone()函数是深拷贝，拷贝了Mat的全部信息。

四、只建立信息头部分，时间复杂度为O(1)，可使用这个特征Mat局部信息：

// add the 5-th row, multiplied by 3 to the 3rd row
M.row(3) = M.row(3) + M.row(5)*3;

// now copy the 7-th column to the 1-st column
// M.col(1) = M.col(7); // this will not work
Mat M1 = M.col(1);
M.col(7).copyTo(M1);

// create a new 320x240 image
Mat img(Size(320,240),CV_8UC3);
// select a ROI
Mat roi(img, Rect(10,10,100,100));
// fill the ROI with (0,255,0) (which is green in RGB space);
// the original 320x240 image will be modified
roi = Scalar(0,255,0);

能够建立ROI（Region of interest）区域

Mat A = Mat::eye(10, 10, CV_32S);
// extracts A columns, 1 (inclusive) to 3 (exclusive).
Mat B = A(Range::all(), Range(1, 3));
// extracts B rows, 5 (inclusive) to 9 (exclusive).
// that is, C ~ A(Range(5, 9), Range(1, 3))
Mat C = B(Range(5, 9), Range::all());
Size size; Point ofs;
C.locateROI(size, ofs);
// size will be (width=10,height=10) and the ofs will be (x=1, y=5)

五、使用用户开辟的数据建立Mat的header部分

六、使用Mat::eye(), Mat::zeros(), Mat::ones()建立矩阵；或使用Mat_ ()

Mat E = Mat::ones(2, 2, CV_32F);
Mat O = (Mat_<float>(3, 3) << 1, 2, 3, 4, 5, 6, 7, 8, 9);

矩阵运算

Mat支持矩阵运算。A、B表示Mat类型对象，s表示标量，alpha表示实数，支持如下运算：
** 加：A+B, A-B, A+s, s+B，-A
** 缩放：A*alpha
对应像素相乘/除：A.mul(B)，A/B, alpha/A。这里要求A、B大小相等，数据类型通道数一致。
转置：A.t()，至关于A^T
** 求逆和伪逆矩阵。A.inv([method])宝石求逆，A.inv([method])*B表示求X，其中X知足AX=B
逻辑位操做 A & B, ~A
内积：A.cross(B), A.dot(B)，表示对应像素相乘，求和。

经常使用接口

一、C++: size_t Mat::total() const
返回像素总数
二、C++: int Mat::depth() const
返回矩阵type类型对应的数值。
三、C++: int Mat::channels() const
返回通道数
四、C++: bool Mat::empty() const
Mat::total() = 0 或 Mat::data = NULL，则方法返回 true

---

访问Mat中的像素

Mat中存储的图像像素，具体如何存储取决于使用的颜色模型和通道数，例如RGB图像对应的存储矩阵以下

RGB存储的子列通道是反过来的：BGR。若是内存足够大，能够连续存储，经过方法Mat::isContinuous()能够判断矩阵是否连续。
访问图像的像素，即访问某位置像素在内存中对应的地址。以提取彩色RGB图像某一通道图像为例：能够有以下方法：

一、使用指针

Mat存储的图像，每一行都是连续的，能够取得每一行开头指针来访问图像像素。例如提取一副图像中R通道的图像,G、B通道像素所有置零，能够获取每一行开头的指针，使用指针遍历每一行的全部像素。若是图像在内存中的存储是连续的，还能够一次遍历全部像素。

/*
original:原图像
new_image:新图像
channel:提取的通道 0 1 2分别表示RGB
*/
void ExtractRGB(Mat& original, Mat& new_image, int channel){
    CV_Assert(channel < 3);
    // accept only char type matrices
    CV_Assert(original.depth() != sizeof(uchar));

    int channels = original.channels();
    //只接受3通道图像
    CV_Assert(channels == 3);

    new_image = original.clone();

    int nRows = new_image.rows;
    int nCols = new_image.cols * channels;

    if (new_image.isContinuous())
    {
        nCols *= nRows;
        nRows = 1;
    }

    int i, j;
    uchar* p;
    for (i = 0; i < nRows; ++i)
    {
        p = new_image.ptr<uchar>(i);
        for (j = 0; j < nCols; ++j)
        {
            if (0 == (j + 1 + channel) % 3){
                //保留
            }
            else
                p[j] = 0;
            
        }
    }
    return ;
}

二、使用迭代器

在上面的使用裸指针的方法，不安全，不注意的话会形成内存越界访问。迭代器是封装了的指针，相对指针更加安全。

/*
original:原图像
new_image:新图像
channel:提取的通道 0 1 2分别表示BGR
*/
void ExtractRGBIterator(Mat& original, Mat& new_image, int channel){
    CV_Assert(channel < 3);
    // accept only char type matrices
    CV_Assert(original.depth() != sizeof(uchar));

    int channels = original.channels();
    //只接受3通道图像
    CV_Assert(channels == 3);

    new_image = original.clone();

    int i = (channel + 1) % 3;
    int j = (channel + 2) % 3;

    MatIterator_<Vec3b> it, end;
    //3通道的图像，迭代器对应三个像素(*it)[0]、(*it)[1]、(*it)[2]
    for (it = new_image.begin<Vec3b>(), end = new_image.end<Vec3b>(); it != end; ++it)
    {
        (*it)[i] = 0;
        (*it)[j] = 0;
    }
}

三、实时计算

若是想随机获取某一位置像素，例如(i,j)出的像素，要动态实时计算其偏移，OpenCV提供相关接口

/*
original:原图像
new_image:新图像
channel:提取的通道 0 1 2分别表示BGR
*/
void ExtractRGBRandomAcccess(Mat& original, Mat& new_image, int channel){
    CV_Assert(channel < 3);
    // accept only char type matrices
    CV_Assert(original.depth() != sizeof(uchar));

    int channels = original.channels();
    //只接受3通道图像
    CV_Assert(channels == 3);

    new_image = original.clone();

    Mat_<Vec3b> _I = new_image;

    int m = (channel + 1) % 3;
    int n = (channel + 2) % 3;

    for (int i = 0; i < new_image.rows; ++i)
        for (int j = 0; j < new_image.cols; ++j)
        {
            _I(i, j)[m] = 0;
            _I(i, j)[n] = 0;
            
        }
}

以上3个方法中，第一种最快，第三种最慢；由于第三种是随机访问像素使用的，每次都会计算(i,j)像素对应的地址。