Opencv -Mat类 cv:Mat depth/dims/channels/step/data/elemSize Mat矩阵中数据元素的地址计算公式： addr(Mi0,i1,im-1) = M.data + M.step0 * i0 + M.step1 * i1 + + M.stepm-1 * im-1 。其中 m = M.dims 是指M的维度i. data：Mat对象中的一个指针，指向内存中存放矩阵数据的一块内存 (uchar* data).ii. row: 行；col：列；rows：行数；cols：列数。iii. dims :Mat所代表的矩阵的维度，如 3 * 4 的矩阵为 2 维，3 * 4 * 5 的为3维.iv. channels：通道，矩阵中的每一个矩阵元素拥有的值的个数，比如说 3 * 4 矩阵中一共 12 个元素，如果每个元素有三个值，那么就说这个矩阵是 3 通道的，即 channels = 3。常见的是一张彩色图片有红、绿、蓝三个通道。但是opencv用imread（opencv读图的函数）读进来的图像，三通道存放顺序为B、G、R。v. depth：深度，即每一个像素的位数(bits)，在opencv的Mat.depth()中得到的是一个 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； vi. step：是一个数组，定义了矩阵的布局，具体见下面图片分析，另外注意 step1 (step / elemSize1)，M.stepm-1 总是等于 elemSize，M.step1(i)返回的是第i维的步长，因此M.step1(m-1)总是等于 channels，m是M的维度；这里是解释步长stepk的，步长也可以看作是与第k维的存储单位，在2维的矩阵中，因为存储是按照行的顺序存储的，整个矩阵存储为一个平面，所以第k=0维的步长也就是单位肯定就是一行所占的字节数；如果是3维的话，第0维是按照面为单位来存储的，第1维是按照行为单位来存储的，第2维是按照元素类型为单位存储的，每个元素类型是基本类型(即uchar,float,short等等)与通道数的乘积.；也就是基本数据类型与通道数组成元素，多个元素组成了行，多行组成了面，多个面组成了3维体，多个3维体 组成4维超体。以此类推，如此看来某一维的步长应该等于高一维的步长step*低一维的大小size 。vii. elemSize : 矩阵中每一个元素的数据大小，如果是n通道，就是（n*数据类型）。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；记住另外有个 elemSize1 表示的是矩阵中数据类型的大小，即 elemSize / channels 的大小。图片分析1：考虑二维情况（stored row by row）按行存储上面是一个 3 X 4 的矩阵，假设其数据类型为 CV_8U，也就是单通道的 uchar 类型 这是一个二维矩阵，那么维度为 2 （M.dims = 2）； M.rows = 3; M.cols = 4； sizeof(uchar) = 1，那么每一个数据元素大小为 1 （M.elemSize() = 1, M.elemSize1() = 1）； CV_8U 得到 M.depth() = 0, M.channels() = 1； 因为是二维矩阵，那么 step 数组只有两个值， step0 和 step1 分别代表一行的数据大小和一个元素的数据大小，则 M.step0 = 4, M.step1 = 1； M.step1(0) = M.cols = 4; M.step1(1) = 1； 假设上面的矩阵数据类型是 CV_8UC3，也就是三通道 M.dims = 2； M.channels() = 3；M.depth() = 0； M.elemSize() = 3 （每一个元素包含3个uchar值） M.elemSize1() = 1 （elemSize / channels） M.step0 = M.cols * M.elemSize() = 12, M.step1 = M.channels() * M.elemSize1() = M.elemSize() = 3； M.step(0) = M.cols * M.channels() = 12 ; M.step(1) = M.channels() = 3； 图片分析2：考虑三维情况（stored plane by plane）按面存储上面是一个 3 X 4 X 6 的矩阵，假设其数据类型为 CV_16SC4，也就是 short 类型 M.dims = 3 ; M.channels() = 4 ; M.elemSize1() = sizeof(short) = 2 ; M.rows = M.cols = 1； M.elemSize() = M.elemSize1() * M.channels() = M.stepM.dims-1 = M.step2 = 2 * 4 = 8; M.step0 = 4 * 6 * M.elemSize() = 192； M.step1 = 6 * M.elemSize() = 48； M.step2 = M.elemSize() = 8； M.step1(0) = M.step0 / M.elemSize() = 48 / 2 = 96 （第一维度(即面的元素个数) * 通道数）； M.step1(1) = M.step1 / M.elemSize() = 12 / 2 = 24（第二维度(即行的元素个数/列宽) * 通道数）； M.step1(2) = M.step2 / M.elemSize() = M.channels() = 4（第三维度(即元素) * 通道数）； End 以上为Mat的存放形式以下为Mat的一些操作方法具体使用方法Fn 1 :利用step。Code 1：int main() /新建一个uchar类型的单通道矩阵（grayscale image 灰度图） Mat m(400, 400, CV_8U, Scalar(0); for (int col = 0; col 400; col+) for (int row = 195; row 205; row+) /获取第row,col个像素点的地址并用 * 符号解析 *(m.data + m.step0 * row + m.step1 * col) = 255; imshow(canvas, m); cvWaitKey(); return 0;Output 1 :Code1只是演示了单通道的情况，对于多通道的例子，请看 Code2 然后再看 Code3。Fn 2 :使用 Mat:at 函数 原型 template inline _Tp& Mat:at() /其中参数有多个，也就是说 at 函数有多个重载 返回值为 Mat 类型, Mat 有个索引的重载，也就是 符号的重载，用这个重载可以定位多通道数据，具体示例可以看下面代码。下面的代码把红色通道值大于128的颜色的置为白色，左边为原图，右边为处理过后的图。Code 2 :int main() Mat img = imread(lena.jpg); imshow(Lena Original, img); for (int row = 0; row img.rows; row+) for (int col = 0; col img.cols; col+) /* 注意 Mat:at 函数是个模板函数, 需要指明参数类型, 因为这张图是具有红蓝绿三通道的图, 所以它的参数类型可以传递一个 Vec3b, 这是一个存放 3 个 uchar 数据的 Vec(向量). 这里 提供了索引重载, 2表示的是返回第三个通道, 在这里是 Red 通道, 第一个通道(Blue)用0返回 */ if(img.at(row, col)2 128) img.at(row, col) = Vec3b(255, 255, 255); imshow(Lena Modified, img); cvWaitKey(); return 0;Output 2 :Code 3 :这段代码用的是 Fn1 的方式，效果和 Code 2 等价,不过是处理三通道数据而已：int main() Mat img = imread(lena.jpg); imshow(Lena Original, img); for (int row = 0; row img.rows; row+) for (int col = 0; col 128) /row, col像素的第 1 通道地址被 * 解析(blue通道) *(img.data + img.step0 * row + img.step1 * col) = 255; /row, col像素的第 2 通道地址被 * 解析(green通道), 关于elemSize1函数的更多描述请见 Fn1 里所列的博文链接 *(img.data + img.step0 * row + img.step1 * col + img.elemSize1() = 255; /