Opencv读取mat和cvMat元素&&Mat与IplImage和CvMat类型之间的相互转换
- 综述:
- OpenCV有针对矩阵操作的C语言函数. 许多其他方法提供了更加方便的C++接口，其效率与OpenCV一样.
- OpenCV将向量作为1维矩阵处理.
- 矩阵按行存储，每行有4字节的校整.
- 分配矩阵空间:
CvMat* cvCreateMat(int rows, int cols, int type); type: 矩阵元素类型. 格式为CV_<bit_depth>(S|U|F)C<number_of_channels>. 例如: CV_8UC1 表示8位无符号单通道矩阵, CV_32SC2表示32位有符号双通道矩阵. 例程: CvMat* M = cvCreateMat(4,4,CV_32FC1);
- 释放矩阵空间:
- CvMat* M = cvCreateMat(4,4,CV_32FC1);
- cvReleaseMat(&M);
- 复制矩阵:
- CvMat* M1 = cvCreateMat(4,4,CV_32FC1);
- CvMat* M2;
- M2=cvCloneMat(M1);
- 初始化矩阵:
- double a[] = { 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 };
- CvMat Ma=cvMat(3, 4, CV_64FC1, a);
另一种方法:- CvMat Ma;
- cvInitMatHeader(&Ma, 3, 4, CV_64FC1, a);
- 初始化矩阵为单位阵:
- CvMat* M = cvCreateMat(4,4,CV_32FC1);
- cvSetIdentity(M); // 这里似乎有问题，不成功
存取矩阵元素
- 假设需要存取一个2维浮点矩阵的第(i,j)个元素.
- 间接存取矩阵元素:
- cvmSet(M,i,j,2.0); // Set M(i,j)
- t = cvmGet(M,i,j); // Get M(i,j)
- 直接存取，假设使用4-字节校正:
- CvMat* M = cvCreateMat(4,4,CV_32FC1);
- int n = M->cols;
- float *data = M->data.fl;
- data[i*n+j] = 3.0;
- 直接存取，校正字节任意:
- CvMat* M = cvCreateMat(4,4,CV_32FC1);
- int step = M->step/sizeof(float);
- float *data = M->data.fl;
- (data+i*step)[j] = 3.0;
- 直接存取一个初始化的矩阵元素:
- double a[16];
- CvMat Ma = cvMat(3, 4, CV_64FC1, a);
- a[i*4+j] = 2.0; // Ma(i,j)=2.0;
矩阵/向量操作
- 矩阵-矩阵操作:
- CvMat *Ma, *Mb, *Mc;
- cvAdd(Ma, Mb, Mc); // Ma+Mb -> Mc
- cvSub(Ma, Mb, Mc); // Ma-Mb -> Mc
- cvMatMul(Ma, Mb, Mc); // Ma*Mb -> Mc
- 按元素的矩阵操作:
- CvMat *Ma, *Mb, *Mc;
- cvMul(Ma, Mb, Mc); // Ma.*Mb -> Mc
- cvDiv(Ma, Mb, Mc); // Ma./Mb -> Mc
- cvAddS(Ma, cvScalar(-10.0), Mc); // Ma.-10 -> Mc
- 向量乘积:
- double va[] = {1, 2, 3};
- double vb[] = {0, 0, 1};
- double vc[3];
- CvMat Va=cvMat(3, 1, CV_64FC1, va);
- CvMat Vb=cvMat(3, 1, CV_64FC1, vb);
- CvMat Vc=cvMat(3, 1, CV_64FC1, vc);
- double res=cvDotProduct(&Va,&Vb); // 点乘: Va . Vb -> res
- cvCrossProduct(&Va, &Vb, &Vc); // 向量积: Va x Vb -> Vc
- end{verbatim}
注意 Va, Vb, Vc 在向量积中向量元素个数须相同.
- 单矩阵操作:
- CvMat *Ma, *Mb;
- cvTranspose(Ma, Mb); // transpose(Ma) -> Mb (不能对自身进行转置)
- CvScalar t = cvTrace(Ma); // trace(Ma) -> t.val[0]
- double d = cvDet(Ma); // det(Ma) -> d
- cvInvert(Ma, Mb); // inv(Ma) -> Mb
- 非齐次线性系统求解:
- CvMat* A = cvCreateMat(3,3,CV_32FC1);
- CvMat* x = cvCreateMat(3,1,CV_32FC1);
- CvMat* b = cvCreateMat(3,1,CV_32FC1);
- cvSolve(&A, &b, &x); // solve (Ax=b) for x
- 特征值分析(针对对称矩阵):
- CvMat* A = cvCreateMat(3,3,CV_32FC1);
- CvMat* E = cvCreateMat(3,3,CV_32FC1);
- CvMat* l = cvCreateMat(3,1,CV_32FC1);
- cvEigenVV(&A, &E, &l); // l = A的特征值 (降序排列) ， E = 对应的特征向量 (每行)
- 奇异值分解SVD:
- CvMat* A = cvCreateMat(3,3,CV_32FC1);
- CvMat* U = cvCreateMat(3,3,CV_32FC1);
- CvMat* D = cvCreateMat(3,3,CV_32FC1);
- CvMat* V = cvCreateMat(3,3,CV_32FC1);
- cvSVD(A, D, U, V, CV_SVD_U_T|CV_SVD_V_T); // A = U D V^T
Mat元素的读取：
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/contrib/contrib.hpp>
#include <iostream>
#include <fstream>
using namespace cv;
using namespace std;
#pragma comment(lib,"opencv_core231d.lib")
#pragma comment(lib,"opencv_highgui231d.lib")
#pragma comment(lib,"opencv_contrib231d.lib")
/*
为了输出看是否每种方法取得是相同的像素，不要对大图像进行此操作，会很慢的哦！
下面的例子，在输出时使用的是30*40的图像。
测试时间时要注释掉，否则I/O操作将极大影响处理时间。
*/
//#define PIXEL_OUT
int main(int argc,char *argv[])
{
ofstream fout("pixels.txt");
#ifdef PIXEL_OUT
Mat img=imread("d:/picture/mat.jpg");
#else
Mat img=imread("d:/picture/lena.bmp");
#endif
if(!img.data)
{
cout<<"load image failed!"<<endl;
return -1;
}
Mat temp;
img.convertTo(temp, CV_32FC3);
namedWindow("show");
int i,j;
TickMeter tm;
double process_time[7]={0.0};
int loop_times =1;
for(int n=0; n<loop_times; ++n)
{
////////////////////////======section1======//////////////////////////
/*
多通道图像，先将通道split分开，然后针对特定的通道进行处理，
每个元素的获取采用的是首先获得行指针，然后逐个获得单通道元素。
既可以进行元素为单位的处理，也可以进行跨行的局部块为单位的处理。
*/
fout<<"-------1-------"<<endl;
tm.reset();
tm.start();
vector<Mat> spl;
split(temp, spl);
for (i=0; i<temp.rows; ++i)
{
float *pt = spl[1].ptr<float>(i);
for (j=0; j<temp.cols; ++j)
{
float mm = pt[j];
mm /= 20.6f;
#ifdef PIXEL_OUT
fout<<mm<<" ";
#endif
}
}
merge(spl, temp);
tm.stop();
process_time[0] += tm.getTimeMicro();
cout<<"method=1,process time="<<tm.getTimeMicro()<<endl;
//////////////////////////=========section2=========////////////////////////////////
/*
没有将多通道分开，而是直接对原始Mat操作，也是首先获得单行的指针，然后获得每个元素的；
每个元素是多通道的，可以通过[]来获得单个通道的单个元素。可以以元素为单位处理，也可以进行
跨行的局部块处理。
*/
fout<<"-------2-------"<<endl;
tm.reset();
tm.start();
for (i=0; i<temp.rows; ++i)
{
float *pts = temp.ptr<float>(i);
for (j=0; j<temp.cols; ++j)
{
float mm = pts[3*j+1];
mm /=20.6f;
#ifdef PIXEL_OUT
fout<<mm<<" ";
#endif
}
}
tm.stop();
process_time[1] += tm.getTimeMicro();
cout<<"method=2,process time="<<tm.getTimeMicro()<<endl;
//////////////////////////============section3==========//////////////////////////////
/*
对连续存储的Mat每个元素的获取，将整个Mat矩阵看做是一个m*n列，1行的数组，在手册提倡的方法中
是最快的。但是缺点是丢失了行列信息，只能进行以元素为单位的处理，或者说本行局部的处理，不能进行
跨行的局部块处理。
*/
fout<<"-------3-------"<<endl;
tm.reset();
tm.start();
int col=temp.cols, row = temp.rows;
if (temp.isContinuous())
{
col*=row;
row =1;
}
for (i=0; i<row; ++i)
{
const float *pt = temp.ptr<float>(i);
for (j=0; j<col;++j)
{
float mm=pt[3*j+1];
mm /= 20.6f;
#ifdef PIXEL_OUT
fout<<mm<<" ";
#endif
}
}
tm.stop();
process_time[2] += tm.getTimeMicro();
cout<<"method=3,process time="<<tm.getTimeMicro()<<endl;
///////////////////////////===========section4===============/////////////////////////////////
/*
直接对原始存储指针的处理，需要对指针比较熟悉，特别是对Mat的数据类型必须清楚，所有类型的Mat的存储都是uchar的即字节为
单位的，但是不同的存储类型决定了对指针的解释不同。这样获得的是原始的多通道的第一个通道的指针，访问其他通道时需要进行
合适的偏移，ex：下面的是对通道2的访问。该方法可以说最灵活，但是因为直接操作指针所以也最容易出错；既可以处理像素为单位，
也可以处理跨行的局部块为单位。类似于C接口时的元素获取方法。
*/
fout<<"-------4-------"<<endl;
tm.reset();
tm.start();
int step0=temp.step[0],step1=temp.step[1];
for (i=0; i<temp.rows; ++i)
{
for (j=0; j<temp.cols; ++j)
{
float *pix = (float *)(temp.data+i*step0+j*step1);
float tt= *(pix+1)/20.6f;
#ifdef PIXEL_OUT
fout<<tt<<" ";
#endif
}
}
tm.stop();
process_time[3] += tm.getTimeMicro();
cout<<"method=4,process time="<<tm.getTimeMicro()<<endl;
//////////////////////////============section5==========//////////////////////////////
/*
与上面的获取方法本质一样，只是首先进行了矩阵的连续性判断，其他的一样；但是丢失了行列信息，
只能进行元素的局部性处理。
*/
fout<<"-------5-------"<<endl;
tm.reset();
tm.start();
int step00=temp.step[0],step01=temp.step[1];
int col2=temp.cols, row2 = temp.rows;
if (temp.isContinuous())
{
col2*=row2;
row2 =1;
}
for (i=0; i<row2; ++i)
{
for (j=0; j<col2;++j)
{
float *mm= (float *)(temp.data+i*step00+j*step01);
float tt = *(mm+1)/20.6f;
#ifdef PIXEL_OUT
fout<<tt<<" ";
#endif
}
}
tm.stop();
process_time[4] += tm.getTimeMicro();
cout<<"method=5,process time="<<tm.getTimeMicro()<<endl;
//////////////////////////=========section6=========////////////////////////////////
/*
采用迭代器的获取方法，速度最慢，可能好处就是可以使用STL标准库的算法，同样也没有了行列信息。
*/
fout<<"-------6-------"<<endl;
tm.reset();
tm.start();
MatConstIterator_<Vec3f> iters = temp.begin<Vec3f>(),end=temp.end<Vec3f>();
for(; iters!=end; ++iters)
{
Vec3f vec3f = *iters;
vec3f.val[1] /= 20.6f;
#ifdef PIXEL_OUT
fout<<vec3f.val[1]<<" ";
#endif
}
tm.stop();
process_time[5] += tm.getTimeMicro();
cout<<"method=6,process time="<<tm.getTimeMicro()<<endl;
//////////////////////////=========section7=========////////////////////////////////
/*
没有将多通道分开，而是直接对原始Mat操作 直接获得每个元素；
每个元素是多通道的，将其视为了向量，所以可以通过[]来获得单个通道的单个元素。可以以元素为单位处理，
也可以进行跨行的局部块处理。速度也很慢！
*/
fout<<"-------7-------"<<endl;
tm.reset();
tm.start();
for (i=0; i<temp.rows; ++i)
{
for (j=0; j<temp.cols; ++j)
{
float mm = temp.at<Vec3f>(i,j)[1];
mm /=20.6f;
#ifdef PIXEL_OUT
fout<<mm<<" ";
#endif
}
}
tm.stop();
process_time[6] += tm.getTimeMicro();
cout<<"method=7,process time="<<tm.getTimeMicro()<<endl;
}
cout<<"---------------------------------"<<endl;
for (int m=0; m<7; ++m)
{
cout<<m+1<<"="<<process_time[m]/loop_times<<endl;
}
//////////////=====================end====================///////////
imshow("show", img);
waitKey(0);
return 0;
}
imread读出来的RGB图像的数量类型是cv::Mat< Vec3b >。
for(int c= 0; c != W; ++c)
{
for(int r = 0; r != H; ++r)
{
Vec3b& temp = img3f.at<Vec3b>(r,c);
temp.val[0] = tempV;
temp.val[1] = tempV;
temp.val[2] = tempV;
}
}
temp.val[i]里就是坐标为r，c的元素的RGB的值。
Mat与IplImage和CvMat类型之间的相互转换
Mat类型较CvMat和IplImage有更强的矩阵运算能力，支持常见的矩阵运算（参照Matlab中的各种矩阵运算），所以将IplImage类型和CvMat类型转换为Mat类型更易于数据处理。
Mat类型可用于直接存储图像信息，通过函数imread、imwrite、imshow等实现（与Matlab中的函数相似），似乎在某种程度上可以取代IplImage类型。
（1）将IplImage类型转换到Mat类型
Mat::Mat(const IplImage* img, bool copyData=false);
默认情况下，新的Mat类型与原来的IplImage类型共享图像数据，转换只是创建一个Mat矩阵头。当将参数copyData设为true后，就会复制整个图像数据。
例：
IplImage* iplImg = cvLoadImage("greatwave.jpg", 1);
Mat mtx(iplImg); // IplImage* ->Mat 共享数据
// or : Mat mtx = iplImg;
（2）将Mat类型转换到IplImage类型
同样只是创建图像头，而没有复制数据。
例：
IplImage ipl_img = img; // Mat -> IplImage
（3）将CvMat类型转换为Mat类型
与IplImage的转换类似，可以选择是否复制数据。
Mat::Mat(const CvMat* m, bool copyData=false);
（4）将Mat类型转换为CvMat类型
与IplImage的转换类似，不复制数据，只创建矩阵头。
例：
// 假设Mat类型的imgMat图像数据存在
CvMat cvMat = imgMat; // Mat -> CvMat