OpenCv中的Mat容器

数据类型	具体类型	取值范围
CV_8U	8 位无符号整数	0 --- 255
CV_8S	8 位有符号整数	-128 --- 127
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
CV_32F	32 位浮点数	-FLT_MAX --- FLT_MAX，支持 INF、NAN
CV_64F	64 位浮点数	-DBL_MAX --- DBL_MAX，支持 INF、NAN

1.3 OpenCV Mat 类常用构造函数和访问方式

1.3.1 `Scalar` 介绍

Scalar 是 OpenCV 中一个轻量级的数值容器类 ，本质是对 Vec4d（4 个双精度浮点型的向量）的封装，专门用来：

给 Mat 矩阵 / 图像的像素做初始化赋值；
表示颜色值（如 BGR 颜色）、坐标、权重等少量数值的组合；
作为函数参数传递多数值（比如 cv::addWeighted 的权重参数）。

简单说，Scalar 就像一个 "万能小容器"，可以装 1~4 个数值，默认是浮点型（double），适配 OpenCV 中大部分需要多值参数的场景。Scalar 最多支持 4 个参数（对应 4 个维度），参数数量不足时，未指定的维度会默认设为 0。

核心用途：初始化 Mat / 图像，Scalar 的参数数量和 Mat 的通道数匹配时，按顺序赋值；不匹配时，多余参数被忽略，不足则补 0。

cpp 复制代码

include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
    // 1. 构造 Scalar（支持1~4个参数）
    Scalar s1(255);          // 1个参数：s1[0]=255, s1[1]=0, s1[2]=0, s1[3]=0
    Scalar s2(0, 255, 0);    // 3个参数：s2[0]=0, s2[1]=255, s2[2]=0, s2[3]=0
    Scalar s3(10, 20, 30, 40); // 4个参数：s3[0]=10, s3[1]=20, s3[2]=30, s3[3]=40

    // 2. 取值：通过 [] 索引访问（0~3）
    cout << "s1[0] = " << s1[0] << ", s1[1] = " << s1[1] << endl; // 255, 0
    cout << "s2[1] = " << s2[1] << ", s2[2] = " << s2[2] << endl; // 255, 0
    cout << "s3[3] = " << s3[3] << endl;                         // 40

    return 0;
}

1.3.2常用构造函数

构造方式	代码示例	说明
空矩阵	`Mat mat;`	空矩阵，后续可通过 `create()` 或赋值填充数据
指定尺寸 + 类型	`Mat mat(3, 3, CV_8UC1);`	3 行 3 列、单通道 8 位无符号整型矩阵（灰度图基础）格式：`CV_{位数}{类型}C{通道数}`- 位数：8/16/32/64- 类型：U (无符号)/S (有符号)/F (浮点)- 通道数：1 (灰度)/2/3 (彩色)/4
指定尺寸 + 初始值	`Mat mat(5, 5, CV_8UC3, Scalar(4,5,6));`	5 行 5 列 3 通道矩阵，所有像素初始化为 B=4、G=5、R=6
使用 Size 对象	`Mat mat(Size(4, 4), CV_8UC1);`	`Size(宽, 高)`，等价于 4 列 4 行，更直观
直接赋值矩阵	`Mat mat = (Mat_<int>(1, 5) << 1, 2, 3, 4, 5);`	1 行 5 列整型矩阵，快速初始化固定值
对角矩阵	`Mat mat = Mat::diag(row_mat);`	由行矩阵生成对角矩阵（输入需为 1 行 N 列）
深拷贝	`Mat mat2 = mat1.clone();` / `mat1.copyTo(mat2);`	完全复制数据，修改 `mat2` 不影响 `mat1`
浅拷贝（ROI）	`Mat roi = mat(Rect(x, y, width, height));` / `Mat roi = mat(Range(y1,y2), Range(x1,x2));`	仅创建新的矩阵头，修改 ROI 会同步修改原图

1.3.4Mat像素访问方式

Vec3b 是 OpenCV 库中定义的一个向量类型 ，专门用来表示3 个无符号字节（unsigned char） 的数据组合。

拆解命名：
- Vec：Vector（向量）的缩写，代表这是一个固定长度的数组 / 向量；
- 3：代表向量的长度是 3；
- b：代表数据类型是 uchar（unsigned char，无符号字符型，范围 0~255）。

Vec2b：2 个无符号字节（比如灰度图的坐标 / 二维向量）；
Vec3f：3 个浮点型（比如表示 3D 坐标、颜色的浮点值）；
Vec4i：4 个整型（比如矩形的 x,y,width,height）。

访问方式	代码示例	适用场景	注意事项
`at<>()` 模板访问	单通道： `uchar val = mat.at<uchar>(y, x);` 3 通道： `Vec3b val = mat.at<Vec3b>(y, x);` `uchar b = val[0], g = val[1], r = val[2];`	零散像素读写、调试	顺序为 `(行y, 列x)`，与日常 `(x,y)` 相反
指针访问	uchar* row_ptr = mat.ptr<uchar>(y);``uchar val = row_ptr[x];	逐行遍历、批量处理	效率最高，适合循环处理整图
底层指针 + 步长	`(mat.data + mat.step[0]y + mat.step[1]*x + c)`	底层调试、特殊计算	`c` 为通道索引，需理解 `step` 结构
迭代器	`MatIterator_<Vec3b> it = mat.begin<Vec3b>();`	遍历所有像素	代码简洁，效率中等

坐标顺序 ：at(row, col) = at(y, x)，切勿与图像坐标混淆，row对用y轴坐标值。
类型匹配：模板参数必须与矩阵实际类型一致，否则会导致未定义行为。
通道访问 ：多通道读取后，通过 [] 或 .val[] 访问各通道分量，OpenCV 默认通道顺序为 BGR。

1.3.5Mat的一些辅助函数

操作	代码示例	说明
获取尺寸	`int rows = mat.rows;` `int cols = mat.cols;` `Size sz = mat.size();`	`Size(宽, 高)`，即 `(cols, rows)`
类型判断	`if (mat.type() == CV_8UC3)`	校验矩阵类型（如彩色 / 灰度）
通道拆分 / 合并	`vector<Mat> channels;` `split(mat, channels);` `merge(channels, mat);`	对彩色图通道单独处理
释放数据	`mat.release();`	释放矩阵数据，变为空矩阵
判断空矩阵	`if (mat.empty())`	检查矩阵是否为空

1.3.6测试举例

cpp 复制代码

void testMatDefine()
{
	// 1. 构造 Scalar（支持1~4个参数）
	Scalar s1(255);          // 1个参数：s1[0]=255, s1[1]=0, s1[2]=0, s1[3]=0
	Scalar s2(0, 255, 0);    // 3个参数：s2[0]=0, s2[1]=255, s2[2]=0, s2[3]=0
	Scalar s3(10, 20, 30, 40); // 4个参数：s3[0]=10, s3[1]=20, s3[2]=30, s3[3]=40

	// 2. 取值：通过 [] 索引访问（0~3）
	cout << "s1[0] = " << s1[0] << ", s1[1] = " << s1[1] << endl; // 255, 0
	cout << "s2[1] = " << s2[1] << ", s2[2] = " << s2[2] << endl; // 255, 0
	cout << "s3[3] = " << s3[3] << endl;                         // 40
 
	system("color F0");//背景变白
	Mat a(3, 3, CV_8UC1);
	Mat b(Size(4, 4), CV_8UC1);
	Mat c0(5, 5, CV_8UC1, Scalar(255));//1通道
	Mat c1(5, 5, CV_8UC2, Scalar(4, 5, 6));//2通道 第三个6会丢掉
	Mat c2(5, 5, CV_8UC3, Scalar(4, 5, 6));//3通道
	 // 参数数 < 通道数（不足补0）
	Mat c3(2, 2, CV_8UC3, Scalar(5));
	cout << "\n3通道矩阵 c3（传1个参数）：\n" << c3 << endl; // 每个像素是 (5,0,0)

	//1行5列阵
	Mat d = (cv::Mat_<int>(1, 5) << 1, 2, 3, 4, 5);
	Mat e = Mat::diag(d);//对角阵需要行矩阵初始化
	Mat f = Mat(e, Range(2, 4), Range(2, 4));

	Vec2b vc1 = c1.at<Vec2b>(2, 3);//Vec2b Vec一维 2通道b是unsigned char Vec2i Vec3d
	cout << vc1 << endl;
	cout << (int)vc1[0] << endl;
	cout << (int)vc1.val[1] << endl;

	cout << (int)(d.at<int>(0, 2)) << endl;

	cout << (int)(*(c2.data + c2.step[0] * 1 + c2.step[1] * 2 + 1)) << endl;
	//(int)(*(c.data + c.step[0]*x + c.step[1]*y + z))
	
	cout << c0 << endl;
	cout << c1 << endl;
	cout << c2 << endl;
	cout << d << endl;
	cout << e << endl;
	cout << f << endl;
	
}

二、矩阵的运算

2.1矩阵运算方法

运算类型	操作 / 函数	语法示例	核心规则 / 注意事项
矩阵加减	`+` / `-`	`Mat res = a + b;` `Mat res = a - b;`	1. a、b 必须尺寸、通道数、数据类型完全一致 2. 逐元素加减，结果维度与原矩阵一致
矩阵与标量加减	`+` / `-`	`Mat res = a + 5;` `Mat res = a - 2.0;`	标量与矩阵每个元素逐元素运算标量可以是整数 / 浮点数，矩阵类型会自动适配
矩阵标量乘	`*`	`Mat res = 3 * a;` `Mat res = a * 2.5;`	标量与矩阵每个元素逐元素相乘
矩阵标量除	`/`	`Mat res = a / 2;` `Mat res = a / 3.0;`	1. 标量建议用浮点数（如 2.0）避免整数除法截断 2. 逐元素相除
逐元素相乘	`mul()`	`Mat res = a.mul(b);`	1. a、b 尺寸 / 类型 / 通道数必须一致 2. 对应位置元素相乘（≠ 线性代数矩阵乘法）
线性代数矩阵乘法	`*` / `gemm()` / `mulTransposed()`	`Mat res = a * b;` `gemm(a, b, 1, Mat(), 0, res);`	1. 要求：a 的列数 = b 的行数 2. `a*b` 仅适用于单通道矩阵 3. 多通道用 `gemm` 更稳定
矩阵除法	`divide()` / `/`	`Mat res; divide(a, b, res);` `Mat res = a / b;`	1. `divide()` 是逐元素相除（推荐） 2. 避免除数为 0，建议先做非零判断
矩阵幂运算	`pow()`	`Mat res; pow(a, 2, res);`	1. 对矩阵每个元素做幂运算（如 2 表示平方） 2. 支持浮点数幂（如 0.5 表示开方）
矩阵绝对值	`abs()`	`Mat res = abs(a);`	对矩阵每个元素取绝对值，适用于负数运算结果处理
矩阵点积	`dot()`	`double res = a.dot(b);`	1. a、b 必须是单通道且尺寸相同 2. 返回所有元素相乘后求和的标量（线性代数点积）
矩阵转置	`t()`	`Mat res = a.t();`	1. 单通道矩阵：行列互换 2. 多通道矩阵：每个通道独立转置
矩阵求逆	`inv()`	`Mat res = a.inv();`	1. 仅适用于方阵（行数 = 列数） 2. 要求矩阵可逆（行列式≠0），否则会报错
矩阵求和	`sum()`	`Scalar res = sum(a);`	1. 单通道：返回 Scalar (总和，0, 0, 0) 2. 多通道：Scalar 每个值对应一个通道的总和
矩阵比较运算	`compare()` / `>`/`<`/`==`	`Mat res = (a > 10);` `compare(a, b, res, CMP_EQ);`	1. 逐元素比较，返回8 位单通道矩阵 2. 满足条件的元素值为 255，否则为 0

基础加减乘除（+/-/*//）默认是逐元素运算，需保证矩阵维度 / 类型匹配；
线性代数矩阵乘法优先用 a*b（单通道）或 gemm()（多通道），注意行列数匹配规则；
实用函数（sum()/abs()/pow()）是开发中高频操作，优先用 OpenCV 内置函数而非手动遍历，效率更高。

2.2矩阵运算举例

cpp 复制代码

void testMatYunSuan()
{
	Mat a = (Mat_<int>(3, 3)<< 1, 2, 3, 4, 5, 6, 7, 8, 9);
	Mat b = (Mat_<int>(3, 3) << 1, 2, 3, 7, 8, 9, 1, 2, 3);
	Mat a1 = (Mat_<double>(3, 3) << 1.1, 2.2, 3.3, 4.4, 5.5, 6.6, 7.7, 8.8, 9.9);
	Mat b1 = (Mat_<double>(3, 3) << 1.1, 2.2, 3.3, 7.7, 8.8, 9.9,4.4, 5.5, 6.6 );
	Mat c = a + b;  cout <<"+"<< c << endl;
	Mat d = a - b;  cout <<"-"<< d << endl;
	//Mat e = a * b;   cout << a * b << endl; *只能是浮点 
	Mat e = a1 * b1;   cout <<e << endl;
	Mat f = 2 * a;  cout <<"2*"<< f << endl;
	Mat g = c / 2;  cout << "/2"<<g << endl;
	Mat h = c + 2 ; cout <<"+2"<<h << endl;
	cout << "dot"<<a.dot(b);
	cout << "mul"<<a.mul(b);
	cout << cv::max(a, b) << endl;//每个元素取最大值
	cout<<cv::min(a, b) << endl;
}