Opencv中数据结构Mat的相关属性

Opencv中数据结构Mat的相关属性

前言:

The class Mat represents an n-dimensional dense numerical single-channel or multi-channel array. It can be used to store real or complex-valued vectors and matrices, grayscale or color images, voxel volumes, vector fields, point clouds, tensors, histograms (though, very high-dimensional histograms may be better stored in a SparseMat ). Mat类用于表示一个多维的单通道或者多通道的稠密数组。它能够用来存储实数或附属的向量、矩阵、灰度/彩色图像、立体元素、点云、张量,以及直方图(虽然高维的直方图用SparseMat保存比较好)。

以上摘自OpenCV 2.4.9的官方文档opencv2refman.pdf。

以前虽然能够比较熟练的使用OpenCV,但是最近感觉其实笔者自己对OpenCV的最底层数据结构Mat与IplImage都不怎么熟悉…… 由于笔者比较反感总是需要管理内存的IplImage,所以对Mat数据结构做一下学习工作还是有必要的。

官方说明文档opencv2refman.pdf中,写出了Mat的定义如下:

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
...
};

下面笔者将从几个方面总结Mat数据结构的主要组成。

参考网址: 《OpenCV中对Mat里面depth,dims,channels,step,data,elemSize和数据地址计算的理解 》 《OpenCV Mat的常见属性》 《OpenCV学习笔记(四十)——再谈OpenCV数据结构Mat详解》

参考文档: 《opencv2refman.pdf》

一. Mat重要数据成员简要列举

如上面的Mat定义源码,Mat类中有很多重要的数据类型成员。 下面进行简单的列举。

  • dims:两者表示矩阵M的维度,如3*4的矩阵为2维,3*4*5的矩阵为3维;
  • data:Mat对象中的指针,指向存放内存中存放矩阵数据的一块内存,即:uchar* data;
  • step:定义了矩阵布局的数组,具体见后面的图片解释;
  • rows, cols:矩阵的行数、列数;
  • depth:即图像每一个像素的位数(bits);具体在后面的地址部分解释;
  • type:表示了矩阵中元素的类型(depth)与矩阵的通道个数(channels);具体在后面解释;
  • channels:通道数量;若图像为RGB、HSV等三通道图像,则channels = 3;若图像为灰度图,则为单通道;
  • elemSize:矩阵中每一个元素的数据大小;具体在后面进行解释;

1. depth, channels, type, elemSize, elemSize1

把这四个数据成员放在一起,是因为这四个数据成员相互之间有关系。

(1) depth

数据的存储一直都是个值得关注的问题,所以数据元素存储的位数和范围就十分重要了。depth就体现了每一个像素的位数,即深度。 Mat中包含的图像深度如下所示:

  • CV_8U:8位无符号整数(0–255),对应Mat_< uchar>
  • CV_8S:8位有符号整数(-128–127),对应Mat_< char >
  • CV_16U:16位无符号整数(0–65535)
  • CV_16S:16位有符号整数(-32768–32767)
  • CV_32S:32位有符号整数(-2147483648–2147483647),对应Mat_< int >
  • CV_32F:32位浮点数(-FLT_MAX..FLT_MAX, INF, NAN),对应Mat_< float >
  • CV_64F:64位浮点数 ( -DBL_MAX..DBL_MAX, INF, NAN)

另外还需要注意:大部分OpenCV的函数支持的数据深度只有8位和32位,所以尽量使用CV_64F。

(2) channels

channels表示了矩阵拥有的通道数量,这个比较容易理解:

  • 若图像为RGB、HSV等三通道图像,则channels == 3;
  • 若图像为灰度图,则为单通道,channels == 1;

(3) type

type表示矩阵中元素的类型(depth)与矩阵的通道个数(channels),可以理解成上面的depth与channels的综合说明。type是一系列预定义的常量,命名规则如下: CV_+位数+数据类型+通道数 具体有如下值:

数据类型

1

2

3

4

CV_8U

CV_8UC1

CV_8UC2

CV_8UC3

CV_8UC4

CV_8S

CV_8SC1

CV_8SC2

CV_8SC3

CV_8SC4

CV_16U

CV_16UC1

CV_16UC2

CV_16UC3

CV_16UC4

CV_16S

CV_16SC1

CV_16SC2

CV_16SC3

CV_16SC4

CV_32S

CV_32SC1

CV_32SC2

CV_32SC3

CV_32SC4

CV_32F

CV_32FC1

CV_32FC2

CV_32FC3

CV_32FC4

CV_64F

CV_64FC1

CV_64FC2

CV_64FC3

CV_64FC4

表格中,行代表了通道数量channels,列代表了图像深度depth。 例如CV_8UC3,可以拆分为:

  • CV_:type的前缀
  • 8U:8位无符号整数(depth)
  • C3:3通道(channels)

注:type一般是在创建Mat对象时设定,若要去的Mat的元素类型,可以不使用type,使用depth。

(4) elemSize

elemSize表示了矩阵中每一个元素的数据大小,单位是字节。公式如下: elemSize = channels * depth / 8 例如type == CV_16SC3,则elemSize = 3 * 16 / 8 = 6 Bytes。

(5) elemSize1

elemSize1表示了矩阵元素的一个通道占用的数据大小,单位是字节。公式如下: elemSize = depth / 8 例如type == CV_16SC3,则elemSize1 = 16 / 8 = 2 Bytes。

二. Mat数据元素地址

使用OpenCV处理图像时,最普遍的处理方式便是遍历图像,即访问所有的图像像素点。但有的算法还需要访问目标像素的邻域,所以这时候就需要了解访问Mat数据元素地址的方式。

1. 像素地址计算公式

假设有矩阵M,则数据元素的地址计算公式如下:

如果是二维数组,则上述公式就简化成:

注:式中m = M.dims,即矩阵的维度。

2. 举例说明

(1) 二维矩阵

假设存在一个二维矩阵如下图所示:

上面是一个3 × 4的矩阵。此时我们按照数据类型为CV_8U, CV_8UC3的情况,分别对其进行讨论。

首先假设其数据类型为CV_8U,也就是单通道的uchar类型,则可以得出上面的数据成员情况分别为:

  • M.dims == 2:二维矩阵;
  • M.rows == 3:图像共三行;
  • M.cols == 4:图像共四列;
  • M.channels == 1:图像通道数为1;
  • M.elemSize() == 1:矩阵中每一个元素的数据大小为1,因为sizeof(uchar) == 1;
  • M.step = [4, 1]:由于是二维矩阵,所以step数组只有两个值;
    • step[0]代表一行数据大小,所以step[0] = 4 * 1 = 4;
    • step[1]代表一个元素的数据大小,即通道个数,所以step[1] = 1;

若假设其数据类型为CV_8UC3,也就是三通道的uchar类型,则可以得出上面的数据成员情况分别为:

  • M.dims == 2:二维矩阵;
  • M.rows == 3:图像共三行;
  • M.cols == 4:图像共四列;
  • M.channels == 3:图像通道数为3;
  • M.elemSize() == 1:矩阵中每一个元素的数据大小为1,因为sizeof(uchar) == 1;
  • M.step = [12, 3]:由于是二维矩阵,所以step数组只有两个值;
    • step[0]代表一行数据大小,所以step[0] = 4 * 3 = 12;
    • step[1]代表一个元素的数据大小,即通道个数,所以step[1] = 3;

(2) 三维矩阵

假设存在一个三维矩阵如下图所示:

上面是一个3 × 4 × 6的矩阵。假设其数据类型为CV_16SC4,此时对其进行讨论。

  • M.dims == 3:三维矩阵;
  • M.channels == 4:图像通道数为4;
  • M.elemSize() == M.elemSize1() * M.channels() == 2 * 4 = 8;
  • M.step = [192, 48, 3]:由于是三维矩阵,所以step数组有三个值;
    • M.step[2] == M.elemSize == 8;
    • M.step[1] == 6 * M.elemSize() == 48;
    • M.step[0] == 4 * 6 * M.elemSize() == 192;

3. 地址访问

关于OpenCV地址访问方法及效率的部分,请见笔者的博文《OpenCV像素点邻域遍历效率比较,以及访问像素点的几种方法 》。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏数据小魔方

左手用R右手Python系列——因子变量与分类重编码

今天这篇介绍数据类型中因子变量的运用在R语言和Python中的实现。 因子变量是数据结构中用于描述分类事物的一类重要变量。其在现实生活中对应着大量具有实际意义的...

3105
来自专栏专注数据中心高性能网络技术研发

[LeetCode]Array主题系列{35,39,40,48题}

1. 内容介绍 开一篇文章记录在leetcode中array主题下面的题目和自己的思考以及优化过程,具体内容层次按照{题目,分析,初解,初解结果,优化解,优化解...

3038
来自专栏有趣的Python

3- OpenCV+TensorFlow 入门人工智能图像处理-TensorFlow入门

tensorflow基础入门 思考一个问题: 如何刚好学习TensorFlow 类比为一门开发语言,学会语法,api的调用, 原理性掌握。 语言的要素: 基础...

6718
来自专栏AI研习社

用简单易懂的例子解释隐马尔可夫模型

隐马尔可夫(HMM)好讲,简单易懂不好讲。我希望我的读者不是专家,而是对这个问题感兴趣的入门者,所以我会多阐述数学思想,少写公式。霍金曾经说过,你多写一个公式,...

3255
来自专栏逸鹏说道

码农眼中的数学之~矩阵专栏(附Numpy讲解)

吐槽一下:矩阵本身不难,但是矩阵的写作太蛋疼了 (⊙﹏⊙)汗 还好有 Numpy,不然真的崩溃了...

1864
来自专栏TensorFlow从0到N

TensorFlow从0到1 - 2 - TensorFlow核心编程

上一篇Hello, TensorFlow!中的代码还未解释,本篇介绍TensorFlow核心编程的几个基本概念后,那些Python代码就很容易理解了。 与Te...

40610
来自专栏达观数据

技术干货 | 一文详解LDA主题模型

作者简介 夏琦,达观数据NLP组实习生,就读于东南大学和 Monash University,自然语言处理方向二年级研究生,师从知识图谱专家漆桂林教授。曾获第...

4079
来自专栏潇涧技术专栏

Python Algorithms - C3 Counting 101

原书主要介绍了一些基础数学,例如排列组合以及递归循环等,但是本节只重点介绍计算算法的运行时间的三种方法

604
来自专栏mathor

matlab—回归与内插(完结)

1174
来自专栏ATYUN订阅号

Seq2seq模型的一个变种网络:Pointer Network的简单介绍

Pointer Network(为方便起见以下称为指针网络)是seq2seq模型的一个变种。他们不是把一个序列转换成另一个序列, 而是产生一系列指向输入序列元素...

4515

扫码关注云+社区