标定系列——OpenCV中的CV_8UC1、CV_16UC1、CV_32FC1等对应的整数值及计算方法(二十五)

标定系列------OpenCV中的CV_8UC1、CV_16UC1、CV_32FC1等对应的整数值及计算方法(二十五)

1.代码段

以下取自OpenCV文档

xml 复制代码
#define 	CV_BIG_INT(n)   
#define 	CV_BIG_UINT(n)   
#define 	CV_CN_MAX   512
#define 	CV_CN_SHIFT   3
#define 	CV_DEPTH_MAX   (1 << CV_CN_SHIFT)
#define 	CV_8U   0
#define 	CV_8S   1
#define 	CV_16U   2
#define 	CV_16S   3
#define 	CV_32S   4
#define 	CV_32F   5
#define 	CV_64F   6
#define 	CV_USRTYPE1   7
#define 	CV_MAT_DEPTH_MASK   (CV_DEPTH_MAX - 1)
#define 	CV_MAT_DEPTH(flags)   ((flags) & CV_MAT_DEPTH_MASK)
#define 	CV_MAKETYPE(depth, cn)   (CV_MAT_DEPTH(depth) + (((cn)-1) << CV_CN_SHIFT))
#define 	CV_MAKE_TYPE   CV_MAKETYPE
#define 	CV_8UC1   CV_MAKETYPE(CV_8U,1)
#define 	CV_8UC2   CV_MAKETYPE(CV_8U,2)
#define 	CV_8UC3   CV_MAKETYPE(CV_8U,3)
#define 	CV_8UC4   CV_MAKETYPE(CV_8U,4)
#define 	CV_8UC(n)   CV_MAKETYPE(CV_8U,(n))
#define 	CV_8SC1   CV_MAKETYPE(CV_8S,1)
#define 	CV_8SC2   CV_MAKETYPE(CV_8S,2)
#define 	CV_8SC3   CV_MAKETYPE(CV_8S,3)
#define 	CV_8SC4   CV_MAKETYPE(CV_8S,4)
#define 	CV_8SC(n)   CV_MAKETYPE(CV_8S,(n))
#define 	CV_16UC1   CV_MAKETYPE(CV_16U,1)
#define 	CV_16UC2   CV_MAKETYPE(CV_16U,2)
#define 	CV_16UC3   CV_MAKETYPE(CV_16U,3)
#define 	CV_16UC4   CV_MAKETYPE(CV_16U,4)
#define 	CV_16UC(n)   CV_MAKETYPE(CV_16U,(n))
#define 	CV_16SC1   CV_MAKETYPE(CV_16S,1)
#define 	CV_16SC2   CV_MAKETYPE(CV_16S,2)
#define 	CV_16SC3   CV_MAKETYPE(CV_16S,3)
#define 	CV_16SC4   CV_MAKETYPE(CV_16S,4)
#define 	CV_16SC(n)   CV_MAKETYPE(CV_16S,(n))
#define 	CV_32SC1   CV_MAKETYPE(CV_32S,1)
#define 	CV_32SC2   CV_MAKETYPE(CV_32S,2)
#define 	CV_32SC3   CV_MAKETYPE(CV_32S,3)
#define 	CV_32SC4   CV_MAKETYPE(CV_32S,4)
#define 	CV_32SC(n)   CV_MAKETYPE(CV_32S,(n))
#define 	CV_32FC1   CV_MAKETYPE(CV_32F,1)
#define 	CV_32FC2   CV_MAKETYPE(CV_32F,2)
#define 	CV_32FC3   CV_MAKETYPE(CV_32F,3)
#define 	CV_32FC4   CV_MAKETYPE(CV_32F,4)
#define 	CV_32FC(n)   CV_MAKETYPE(CV_32F,(n))
#define 	CV_64FC1   CV_MAKETYPE(CV_64F,1)
#define 	CV_64FC2   CV_MAKETYPE(CV_64F,2)
#define 	CV_64FC3   CV_MAKETYPE(CV_64F,3)
#define 	CV_64FC4   CV_MAKETYPE(CV_64F,4)
#define 	CV_64FC(n)   CV_MAKETYPE(CV_64F,(n))

2.计算方法举例

根据提供的宏定义,CV_8UC1 是通过 CV_MAKETYPE 宏定义的一个数据类型标识符,它结合了数据深度 CV_8U 和通道数 1。

1)首先,需要知道 CV_8U 和 CV_CN_SHIFT 的值。

根据代码:

CV_8U 表示8位无符号整数,对应的整数值是 0。

CV_CN_SHIFT 表示通道数的位移量,其值是 3。

2)CV_MAT_DEPTH_MASK 是用来获取数据深度的掩码,它定义为 (1 << CV_CN_SHIFT) - 1。

根据 CV_CN_SHIFT 的值,CV_MAT_DEPTH_MASK 计算如下:

1 << CV_CN_SHIFT = 1 << 3 = 8

(1 << CV_CN_SHIFT) - 1 = 8 - 1 = 7

所以,CV_MAT_DEPTH_MASK 的值是 7。

3)使用 CV_MAKETYPE 宏来计算 CV_8UC1 的整数值:

CV_MAKETYPE(CV_8U, 1) = (CV_MAT_DEPTH(CV_8U) + ((1 - 1) << CV_CN_SHIFT))

由于 CV_8U 对应的整数值是 0,并且 1 - 1 等于 0,

所以:

CV_MAKETYPE(0, 0) = (0 + (0 << 3))

左移操作 0 << 3 的结果仍然是 0,因为任何数左移0位都保持不变。

所以:

CV_MAKETYPE(0, 0) = 0 + 0 = 0

因此,CV_8UC1 对应的整数值是 0。这意味着它表示一个8位单通道图像,其中单通道(灰度图像)的数据类型是无符号整数。

说明:

根据提供的代码,CV_MAKETYPE(depth, cn) 宏的定义如下:

#define CV_MAKETYPE(depth, cn) (CV_MAT_DEPTH(depth) + (((cn)-1) << CV_CN_SHIFT))

其中,CV_MAT_DEPTH(depth) 是一个提取数据类型深度的宏,而 ((cn)-1) << CV_CN_SHIFT) 计算的是通道数部分的值。

根据之前的讨论,我们知道:

CV_CN_SHIFT 是通道数在数据类型标识符中左移的位数。

CV_MAT_DEPTH(depth) 是数据类型深度的掩码,它是 CV_DEPTH_MAX - 1,而 CV_DEPTH_MAX 是 (1 << CV_CN_SHIFT)。

假设 CV_CN_SHIFT 的值为 3,那么 CV_MAT_DEPTH_MASK 将会是 1 << CV_CN_SHIFT - 1,即 7。这意味着数据类型深度占据了标识符的低3位,而通道数占据了接下来的几位。

现在,再让我们计算一些具体的例子:

CV_8UC1:8位无符号整数,单通道。

深度:CV_8U 对应的整数值(假设为 0)。

通道数:1 - 1 左移 CV_CN_SHIFT 位,即 0 左移 3 位,结果还是 0。

结果:0 + 0 = 0

CV_8UC2:8位无符号整数,双通道。

深度:CV_8U 对应的整数值(假设为 0)。

通道数:(2 - 1) << 3 = 1 << 3 = 8。

结果:0 + 8 = 8

CV_8UC3:8位无符号整数,三通道。

深度:CV_8U 对应的整数值(假设为 0)。

通道数:(3 - 1) << 3 = 2 << 3 = 16。

结果:0 + 16 = 16

以此类推,对于 CV_8UC(n),其整数值计算为:

结果:CV_8U 的值 + (n - 1) << CV_CN_SHIFT

3.直接给出其余对应结果

对于无符号16位整数类型(CV_16U):

CV_16UC1 = CV_16U + ((1-1) << CV_CN_SHIFT) = 2 + (0 << 3) = 2

CV_16UC2 = CV_16U + ((2-1) << CV_CN_SHIFT) = 2 + (1 << 3) = 2 + 8 = 10

CV_16UC3 = CV_16U + ((3-1) << CV_CN_SHIFT) = 2 + (2 << 3) = 2 + 16 = 18

CV_16UC4 = CV_16U + ((4-1) << CV_CN_SHIFT) = 2 + (3 << 3) = 2 + 24 = 26

CV_16UC(n) 是一个通用宏,对于任意 n,其计算方式为 2 + ((n-1) << 3)

对于有符号16位整数类型(CV_16S):

CV_16SC1 = CV_16S + ((1-1) << CV_CN_SHIFT) = 3 + (0 << 3) = 3

CV_16SC2 = CV_16S + ((2-1) << CV_CN_SHIFT) = 3 + (1 << 3) = 3 + 8 = 11

CV_16SC3 = CV_16S + ((3-1) << CV_CN_SHIFT) = 3 + (2 << 3) = 3 + 16 = 19

CV_16SC4 = CV_16S + ((4-1) << CV_CN_SHIFT) = 3 + (3 << 3) = 3 + 24 = 27

CV_16SC(n) 对于任意 n,其计算方式为 3 + ((n-1) << 3)

对于32位有符号整数类型(CV_32S):

CV_32SC1 = CV_32S + ((1-1) << CV_CN_SHIFT) = 4 + (0 << 3) = 4

CV_32SC2 = CV_32S + ((2-1) << CV_CN_SHIFT) = 4 + (1 << 3) = 4 + 8 = 12

CV_32SC3 = CV_32S + ((3-1) << CV_CN_SHIFT) = 4 + (2 << 3) = 4 + 16 = 20

CV_32SC4 = CV_32S + ((4-1) << CV_CN_SHIFT) = 4 + (3 << 3) = 4 + 24 = 28

CV_32SC(n) 对于任意 n,其计算方式为 4 + ((n-1) << 3)

对于32位浮点数类型(CV_32F):

CV_32FC1 = CV_32F + ((1-1) << CV_CN_SHIFT) = 5 + (0 << 3) = 5

CV_32FC2 = CV_32F + ((2-1) << CV_CN_SHIFT) = 5 + (1 << 3) = 5 + 8 = 13

CV_32FC3 = CV_32F + ((3-1) << CV_CN_SHIFT) = 5 + (2 << 3) = 5 + 16 = 21

CV_32FC4 = CV_32F + ((4-1) << CV_CN_SHIFT) = 5 + (3 << 3) = 5 + 24 = 29

CV_32FC(n) 对于任意 n,其计算方式为 5 + ((n-1) << 3)

对于64位浮点数类型(CV_64F):

CV_64FC1 = CV_64F + ((1-1) << CV_CN_SHIFT) = 6 + (0 << 3) = 6

CV_64FC2 = CV_64F + ((2-1) << CV_CN_SHIFT) = 6 + (1 << 3) = 6 + 8 = 14

CV_64FC3 = CV_64F + ((3-1) << CV_CN_SHIFT) = 6 + (2 << 3) = 6 + 16 = 22

CV_64FC4 = CV_64F + ((4-1) << CV_CN_SHIFT) = 6 + (3 << 3) = 6 + 24 = 30

CV_64FC(n) 对于任意 n,其计算方式为 6 + ((n-1) << 3)

相关推荐
BSV区块链8 分钟前
如何在BSV区块链上实现可验证AI
人工智能·区块链
武子康25 分钟前
大数据-212 数据挖掘 机器学习理论 - 无监督学习算法 KMeans 基本原理 簇内误差平方和
大数据·人工智能·学习·算法·机器学习·数据挖掘
deephub26 分钟前
Tokenformer:基于参数标记化的高效可扩展Transformer架构
人工智能·python·深度学习·架构·transformer
Q81375746032 分钟前
数据挖掘在金融交易中的应用:民锋科技的智能化布局
人工智能·科技·数据挖掘
qzhqbb35 分钟前
语言模型的采样方法
人工智能·语言模型·自然语言处理
qzhqbb38 分钟前
基于 Transformer 的语言模型
人工智能·语言模型·自然语言处理·transformer
___Dream39 分钟前
【CTFN】基于耦合翻译融合网络的多模态情感分析的层次学习
人工智能·深度学习·机器学习·transformer·人机交互
极客代码1 小时前
【Python TensorFlow】入门到精通
开发语言·人工智能·python·深度学习·tensorflow
义小深1 小时前
TensorFlow|咖啡豆识别
人工智能·python·tensorflow
Tianyanxiao1 小时前
如何利用探商宝精准营销,抓住行业机遇——以AI技术与大数据推动企业信息精准筛选
大数据·人工智能·科技·数据分析·深度优先·零售