cv::Mat是一个n维矩阵类，声明在<opencv2/core/core.hpp>中。
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 matrix dimensionality, >= 2 int dims; //! the number of rows and columns or (-1, -1) when the matrix has more than 2 dimensions int rows, cols; //! pointer to the data uchar* data; //! pointer to the reference counter; // when matrix points to user-allocated data, the pointer is NULL int* refcount; //ohter members
…};
由于OpenCV 2对代码结构做了重新部署，所有的类和方法都定义在名字空间cv中，可以预定义名字空间：
using namespace cv
跟一般的cpp程序一样，对于类的参数传递都采用引用传递方式，获得较好的效率。类都有自己的构造函数和析构函数，防止内存的泄漏。并且默认的拷贝构造函数采用的是shallow copy（浅拷贝），若需要deap copy（深拷贝）可求助于cv::Mat的copyTo()方法。这些东西都是cpp的基础知识
cv::Mat_是一个模板类，声明在<opencv2/core/core.hpp>中。
template<typename _Tp> class CV_EXPORTS Mat_ : public Mat{public://some specific methods};
由于cv::Mat类中含有很多模板方法，这些参数类型要到运行期才能确定，但是这种灵活性却使得简单的调用代码复杂，因此就有了cv::Mat_类来简化代码。如
cv::Mat image = cv::imread('img.jpg');image.at<uchar>(j, i) = 255;cv::Mat_<uchar> im2 = image;im2(j, i) = 255;代码明显好看了。
以color Reduction操作为例，指针方式代码如下：
/*** An example of color reduction for scanning an image with pointers* div = 2^n**/void colorReduce(const cv::Mat& image, cv::Mat& result, int div){ int nl = image.rows; int nc = image.cols * image.channels(); if (image.isContinuous()) { nc = nc * nl; nl = 1; } int n = static_cast<int>( log(static_cast<double>(div)) / log(2.0)); for (int j = 0; j < nl; j++) { // get the addresses of input and output row const uchar *data_in = image.ptr<uchar>(j); //give you the address of an image row uchar *data_out = result.ptr<uchar>(j); for (int i = 0; i < nc; i++) { //slowest data[i] = data[i] - data[i] % div + div / 2; //middle data[i] = data[i] / div * div + div / 2; //best uchar mask = 0xFF << n; //div = 16, n = 4, mask = 0xF0 data_out[i] = (data_in[i] & mask) + div / 2; //data[i] - data[i] % div + div / 2 } }}（1）上面是采用Pointer方式进行遍历。调用cv::Mat类的模板方法ptr(int)获得图像矩阵的行指针。（2）三种不同效率的调用方式：slowest是由于两次读内存操作增加了时间；best通过位运算进行去尾操作，效率自然更高，但是必须限制为2的n次方。（3）由于是引用传递，若要保留输入图像image，则在输入参数中增加一个result用于保存输出图像。
以下是更快的方式：
void colorReduce_f(cv::Mat& image, int div){ int nl = image.rows; int nc = image.cols; if (image.isContinuous()) { nc = nc * nl; nl = 1; } int n = static_cast<int>( log(static_cast<double>(div)) / log(2.0)); uchar mask = 0xff << n; for (int j = 0; j < nl; j++) { uchar *data = image.ptr<uchar>(j); for (int i = 0; i < nc; i++) { *data++ = *data & mask + div / 2; *data++ = *data & mask + div / 2; *data++ = *data & mask + div / 2; } }}其中，isContinuous()方法判断有没有额外的补零（如fft补零到2^n），如果是连续的，就可以直接当作一维数组来处理。另外，在每一个循环里连续执行三次以提高效率。（忘细里讲应该跟时空局部性原理有关）
以下是迭代器方式：
void colorReduce_2(cv::Mat& image, int div){ //obtain iterator cv::Mat_<cv::Vec3b>::iterator iter = image.begin<cv::Vec3b>(); //a template method cv::Mat_<cv::Vec3b>::iterator iterd = image.end<cv::Vec3b>(); //a template method //do not use template method, more efficient cv::Mat_<cv::Vec3b> cimage = image; cv::Mat_<cv::Vec3b>::iterator iter = cimage.begin(); cv::Mat_<cv::Vec3b>::iterator iterd = cimage.end(); for (; iter != iterd; ++iter) { (*iter)[0] = (*iter)[0] / div * div + div / 2; (*iter)[1] = (*iter)[1] / div * div + div / 2; (*iter)[2] = (*iter)[2] / div * div + div / 2; }}这里给出了两种获得迭代器的方法：一种是直接调用cv::Mat的模板方法begin()和end()；另一种是通过cv::Mat_的begin()和end()。这一点跟stl库是兼容的。注意对于彩色图像，迭代器指向的cv::Vec3b类型的三元组。
方法还是用的指针，因为效率高，但基本的东西还是不变的，代码如下：
/***An example of Sharpen for scanning an image with neighbor access*/void sharpen(const cv::Mat& image2, cv::Mat& result){ cv::Mat image; cv::cvtColor(image2, image, CV_BGR2GRAY); result.create(image.size(), image.type()); for (int j = 1; j < image.rows - 1; j++) { const uchar* previous = image.ptr<const uchar>(j - 1); const uchar* current = image.ptr<const uchar>(j); const uchar* next = image.ptr<const uchar>(j + 1); uchar* output = result.ptr<uchar>(j); for (int i = 1; i < image.cols - 1; i++) { *output++ = cv::saturate_cast<uchar> ( 5 * current[i] - current[i - 1] -current[i + 1] - previous[i] - next[i]); } } result.row(0).setTo(cv::Scalar(0)); result.row(result.rows - 1).setTo(cv::Scalar(0)); result.col(0).setTo(cv::Scalar(0)); result.col(result.cols - 1).setTo(cv::Scalar(0));}这是一个基于拉普拉斯算子的空间域锐化工作，模板(kernel)为一个3阶矩阵。这里用到了cv::cvtColor()函数，用于图像颜色空间的转换，在<opencv2/imgproc/imgproc.hpp>中声明。这里还用到了cv::saturate_cast()模板方法，保证得到的值是在有意义的值域范围内，比如消除滤波中的振铃效应等等。
opencv中还提供了cv::filter2D()函数来实现二维滤波，估计采用的是fft2()的方法，当模板(kernel)较大时采用这个函数，代码如下：
void sharpen2D(const cv::Mat& image2, cv::Mat& result){ cv::Mat image; cv::cvtColor(image2, image, CV_BGR2GRAY); result.create(image.size(), image.type()); cv::Mat kernel(3, 3, CV_32F, cv::Scalar(0)); kernel.at<float>(1, 1) = 5.0; kernel.at<float>(0, 1) = -1.0; kernel.at<float>(2, 1) = -1.0; kernel.at<float>(1, 0) = -1.0; kernel.at<float>(1, 2) = -1.0; //filter the image cv::filter2D(image, result, image.depth(), kernel);}这里把模板就当成是一个图像（实际上负值是没有意义的）。关于滤波就有各种各样的点，只能到频域滤波在复习了。
这里其实是opencv2提供的一些矩阵操作的函数。
算术运算：cv::add(), cv::addWeighted(), cv::scaleAdd(); cv::subtract, cv::absdiff; cv::multiply; cv::divide， 还可以通过mask参数来掩模不需要处理的位。
位运算：cv::bitwise_and, cv::bitwise_or, cv::bitwise_xor, cv::bitwise_not
cv::max, cv::min
其他运算：cv::sqrt, cv::pow, cv::abs, cv::cuberoot, cv::exp, cv::log
上面这些函数都是针对矩阵的每一个元素对应操作的。更方便的是，矩阵的加减乘除、bitwise operators….都被重载了。inv()求逆、t()求转置、determinant()求行列式、norm()求范数、cross()求两个向量的叉乘、dot()求两个向量的点乘。
当需要将一个多通道图像分离时，调用cv::split()方法，用一个std::vector来保存中间量，最后又可以调用cv::merge()方法合成，代码如下：
std::vector<cv::Mat> planes;cv::split(image1, planes);planes[0] += image2;cv::merge(planes, result);
直接上代码吧：
void addROI(cv::Mat& image, cv::Mat& logo){ cv::Mat imageROI; imageROI = image(cv::Rect(385, 270, logo.cols, logo.rows)); //基本的相加方式 cv::addWeighted(imageROI, 1.0, logo, 3.0, 0., imageROI); //掩模方式，将logo有值的位置上的image值置零 cv::Mat mask = cv::imread("..\\images\\logo.bmp", 0); logo.copyTo(imageROI, mask);}在获取ROI时使用了cv::Rect类表示一个矩形框，包括偏移、大小属性。imageROI当然是in-place的引用方式，会改变输入图像的值。还有通过定义两个方向上的cv::Range来实现，都差不多。显然，操作符“()”是被重载的，返回一个子块。还可以通过行、列方式来指定，通过调用cv::Mat的rowRange()和colRange()方法。
联系客服
