OpenCV: Mat存储方式全解析-单通道、多通道内存布局详解

在使用 OpenCV 的过程中，我们经常会接触 cv::Mat 这种图像矩阵类型。理解 Mat 在内存中的布局非常重要，尤其是做指针访问、性能优化、SIMD（如 AVX/NEON）加速时。本文将详细介绍：

• Mat 的存储方式

• 单通道 vs 多通道的内存布局

• 如何用指针访问某个像素

• 判断 Mat 是否连续

• 实战图示与代码

1️⃣ Mat 的存储特性

cv::Mat 是一个行优先（Row-major）、通常连续（Continuous）的多维数组，数据区存储像素值。

• 行优先：按行存储，每一行像素紧挨着。

• 通道连续：多通道像素的各通道值依次存储。

• 可能有行间对齐填充 ：当 Mat 是 ROI（子图）或手动创建带 padding 的图像时，行与行之间可能有"间隙"，此时 Mat::isContinuous() 会返回 false。

2️⃣ 单通道示例（CV_8UC1）

假设一张 3×3 的灰度图：

在内存中是这样的：

data →
[10][20][30][40][50][60][70][80][90]

每个像素占用 1 字节，行优先顺序排列。

3️⃣ 多通道示例（CV_8UC3）

假设一张 2×3 的彩色图像，每个像素是 (B,G,R)：

内存布局：

Row 0: [10][20][30][40][50][60][70][80][90]
Row 1: [11][21][31][41][51][61][71][81][91]

✅ 注意：

• 并不是"打包成一个 24 位整数"，而是 3 个独立的字节 挨着存储。

• 每像素大小 = elemSize() = 3 字节。

4️⃣ 像素索引 → 内存地址

要访问 (row, col) 的像素，可以用

cv::Mat img = cv::imread("test.png"); // 假设是 CV_8UC3
int row = 1, col = 2;

// 定位到(row,col)的像素指针
uchar* pixelPtr = img.data + row * img.step + col * img.elemSize();

uchar B = pixelPtr[0];
uchar G = pixelPtr[1];
uchar R = pixelPtr[2];

• img.data：首地址

• img.step：每行占用字节数

• img.elemSize()：每个像素占用字节数（多通道时>1）

5️⃣ 判断 Mat 是否连续

有些操作（如 memcpy、手动指针循环）需要连续内存

if (img.isContinuous()) {
    // 数据连续，可以直接用指针一次性遍历所有像素
} else {
    // 数据不连续，需要按行处理
}

6️⃣ 图示

下面是 2×3，CV_8UC3 的直观示意图：

内存布局 (2x3, CV_8UC3)：
data →
┌───────────── Row 0 ─────────────┐┌───────────── Row 1 ─────────────┐
[10][20][30][40][50][60][70][80][90][11][21][31][41][51][61][71][81][91]
└─────────────  9 * 1 byte ───────┘└─────────────  9 * 1 byte ───────┘

7️⃣ 小结

• cv::Mat 默认是行优先、连续存储。

• 多通道像素值按通道顺序紧挨着。

• 使用 data + row*step + col*elemSize() 快速定位像素。

• 用 isContinuous() 判断是否可以一次性处理所有数据。