cv::Mat初始化、赋值初始化与访问方式

初始化

常量赋值初始化

cpp 复制代码
cv::Mat m = (cv::Mat_<float>(3,1) << 1, 2, 1.0);

指定类型和大小的二维数组

cpp 复制代码
cv::Mat m(int rows, int cols, int type);
cv::Mat m(cv::Size sz, int type);

初始化值均为0

cpp 复制代码
//二维数组,类型CV_8UC3, 初始化值cv::Scalar(100, 1, 1)
cv::Mat mat = cv::Mat::zeros(int rows, int cols, CV_8UC3, cv::Scalar(100, 1, 1)); 
cv::Mat mat = cv::Mat::ones(rows, cols, CV_32F); // 全1
cv::Mat mat = cv::Mat::eye(rows, cols, CV_64F); // 单位矩阵

数组赋值

cpp 复制代码
char* data = new char[15];
cv::Mat m3(3, 5, CV_8UC1, data);
//或者, 数据位数对齐
cv::Mat m4(1, 5, CV_8UC3, data);
cv::Mat m6(cv::Size(3, 5), CV_8UC1, data);

指定类型多维数组

cpp 复制代码
 7、指定类型的多维数组
    cv::Mat m(int ndims, const int* sizes, int type);
    int size[3] = { 3, 2, 2 };
    cv::Mat m7(3, size, CV_8UC1);
    //多维赋值
 		int matSize2[] = { 2,2,2 };//每一维元素的个数:8:行,10:列
    char* data2 = new char[8];
    cv::Mat m9(3, matSize2, CV_8UC1, data2);
cpp 复制代码
//使用cv::Vec定义相同类型、大小为n的一维数组初始化
cv::Vec<float, 10> data1{ 1,2,3,4,5, 6,7,8,9,10 };
cv::Mat m1(data1, true);
//使用cv::Matx定义相同类型、大小为mxn的二维数组
cv::Matx<float, 2, 4> data2{ 1,2,3,4,5,6,7,7 };
cv::Mat m2(data2, true);
//使用STL vector定义相同类型的一维数组
std::vector<float> vec{1, 2, 3, 4, 5, 6};
cv::Mat m3(vec, true);

访问:

1、 at 访问

If matrix is of type CV_8U then use Mat.at<uchar >(y,x).

If matrix is of type CV_8S then use Mat.at<schar >(y,x).

If matrix is of type CV_16U then use Mat.at<ushort >(y,x).

If matrix is of type CV_16S then use Mat.at<short >(y,x).

If matrix is of type CV_32S then use Mat.at<int >(y,x).

If matrix is of type CV_32F then use Mat.at<float >(y,x).

If matrix is of type CV_64F then use Mat.at<double >(y,x).

If matrix is of type CV_8UC3 then use Mat.at<Vec3b>(y,x)[0]

优点:直观好理解

缺点:访问速度相对慢

2、ptr指针进行访问

cpp 复制代码
cvInitMatHeader(&mat,3,2,CV_32FC3,data);//3通道
int nChannels = 3;
for(int x=0;x<mat.rows;++x){
	float *p = (float *)(mat.data.ptr + x*mat.step);//指向每一行的起始位置
for(int y=0;y<mat.cols;++y){
		float value[3];
	 value[0] = *(p+y*nChannels);
	 value[1] = *(p+y*nChannels+1);
	 value[2] = *(p+y*nChannels+2);
	 }
 }
相关推荐
kakaZhui24 分钟前
【llm对话系统】大模型源码分析之 LLaMA 位置编码 RoPE
人工智能·深度学习·chatgpt·aigc·llama
struggle20251 小时前
一个开源 GenBI AI 本地代理(确保本地数据安全),使数据驱动型团队能够与其数据进行互动,生成文本到 SQL、图表、电子表格、报告和 BI
人工智能·深度学习·目标检测·语言模型·自然语言处理·数据挖掘·集成学习
佛州小李哥1 小时前
通过亚马逊云科技Bedrock打造自定义AI智能体Agent(上)
人工智能·科技·ai·语言模型·云计算·aws·亚马逊云科技
云空2 小时前
《DeepSeek 网页/API 性能异常(DeepSeek Web/API Degraded Performance):网络安全日志》
运维·人工智能·web安全·网络安全·开源·网络攻击模型·安全威胁分析
AIGC大时代2 小时前
对比DeepSeek、ChatGPT和Kimi的学术写作关键词提取能力
论文阅读·人工智能·chatgpt·数据分析·prompt
山晨啊84 小时前
2025年美赛B题-结合Logistic阻滞增长模型和SIR传染病模型研究旅游可持续性-成品论文
人工智能·机器学习
一水鉴天4 小时前
为AI聊天工具添加一个知识系统 之77 详细设计之18 正则表达式 之5
人工智能·正则表达式
davenian4 小时前
DeepSeek-R1 论文. Reinforcement Learning 通过强化学习激励大型语言模型的推理能力
人工智能·深度学习·语言模型·deepseek
X.AI6665 小时前
【大模型LLM面试合集】大语言模型架构_llama系列模型
人工智能·语言模型·llama
CM莫问5 小时前
什么是门控循环单元?
人工智能·pytorch·python·rnn·深度学习·算法·gru