Opencv Mat矩阵操作

Opencv Mat矩阵操作

1.生成矩阵:

Mat image(240, 320, CV8UC3);

第一个参数是rows,该矩阵的行数;第二个参数是cols,该矩阵的列数;第三个参数是该矩阵元素的类型。这句话表示创建一个大小为240×320的矩阵,里面的元素为8位unsigned型,通道数(channel)有3个。

image.create(480, 640, CV8UC3);

分配(或重新分配)image矩阵,把大小设为480×640,类型设为CV8UC3。

Mat A33(3, 3,CV_32F, Scalar(5));

定义并初始化一个3×3的32bit浮点数矩阵,每个元素都设为5。

Mat B33(3, 3,CV_32F);
B33 = Scalar(5);

和上面的作用一样。

Mat C33 =Mat::ones(3, 3, CV32F)*5.0;

ones函数很像MATLAB里的语句。这句的意思是先定义一个3×3的32bit浮点数矩阵,元素全为1,所有元素再乘以5.0。

Mat D33 =Mat::zeros(3, 3, CV32F) + 5.0;

和上面类似,先定义个3×3的32bit浮点数矩阵,元素全为0,再将所有元素加上5.0;

Mat D33 = Mat::eye(4,4,CV_64F);//对角矩阵
double a = CV_PI/3;
Mat A22 = (Mat_(2, 2) << cos(a), -sin(a), sin(a), cos(a));

CV_PI就是圆周率。是创建一个2×2的float矩阵,把后面四个三角函数值分别赋给4个元素。

float B22data[] ={cos(a), -sin(a), sin(a), cos(a)};
Mat B22 = Mat(2, 2, CV32F, B22data).clone();

第一句创建一个普通数组B22data,第二句创建一个2×2的32bit浮点数矩阵,并使用用B22data数组里的值初始化,然后克隆一下赋给B22矩阵。
为什么这里还要克隆一下,不是多此一举吗?不是,因为用一个数组去初始化一个矩阵的话,你会发现这个矩阵引用了数组的内存地址。不克隆的话,上面例程的后果是B22data数组、Mat(2,2…)这个临时变量矩阵、B22矩阵这三把勺子都插在同一个碗里。

randu(image,Scalar(0), Scalar(256));

把image弄成一个符合正太分布的随机数矩阵,rand表示random,u表示uniform;第二个参数是随机数下限,包含该数;第三个参数是随机数上限,不包含该数。

randn(image,Scalar(128), Scalar(10));

高斯分布的随机数矩阵;第二个参数是均值,第三个参数是标差。

矩阵输出:

cout<< "M = " << endl << " " << M<< endl << endl;

2. 赋值运算

Mat A,C;    //仅创建了头部
Mat B(A);    //复制构造函数
C=A;    //复制运算

**注:**赋值运算符和复制构造函数 (构造函数)只复制头,没有数据。

src.copyTo(dst);    //把src矩阵中的数据拷贝到dst
src.convertTo(dst, type, scale, shift);

缩放并转换到另外一种数据类型:dst:目的矩阵 type:需要的输出矩阵类型,或者更明确的,是输出矩阵的深度,如果是负值(常用-1)则输出矩阵和输入矩阵类型相同 scale和shift:缩放参数,也可以写为alpha和beta这个命令也等价于下面的转换公式:m(x,y)=saturatecast(α(∗this)(x,y)+β)m(x,y) =saturatecast(α(*this)(x,y)+β)m(x,y)

### 如何使用C++和OpenCV计算Mat矩阵的平均值 为了计算`cv::Mat`对象中的平均像素值,在OpenCV库中有多种方法可以实现这一目标。一种常用的方法是利用`mean`函数来获取整个图像或特定区域内的平均强度值。 下面是一个简单的例子,展示了如何通过调用`cv::mean()`函数来获得单通道灰度图的均值: ```cpp #include <opencv2/opencv.hpp> using namespace cv; int main(){ // 假设有一个已经加载好的单通道8位灰度图像grayImage Mat grayImage = imread("path_to_image", IMREAD_GRAYSCALE); // 计算并打印该图片所有像素点的平均亮度值 Scalar meanValue = mean(grayImage); std::cout << "Average pixel value: " << meanValue[0] << std::endl; } ``` 对于多通道彩色图像(如BGR),如果想要分别求取各颜色分量的平均数,则可以直接对三通道的数据应用相同的`cv::mean()`操作而无需额外处理[^1]。 当涉及到更复杂的场景时——比如需要排除某些特殊条件下的像素贡献到最终的结果中去(例如掩码指定区域内有效样本外忽略不计的情况),则可以通过传递第二个参数作为掩模给`cv::mean()`来进行更加精确地控制: ```cpp // 创建一个与输入图像大小相同但只含单一非零元素的位置处标记为有效的二进制掩膜mask Mat mask = ... ; Scalar maskedMean = mean(src, mask); // 使用带有掩码的版本计算加权平均 std::cout << "Masked average values per channel:" << maskedMean << std::endl; ``` 上述代码片段说明了基本原理以及一些高级特性;实际开发过程中可根据具体需求调整相应逻辑以适应不同应用场景的要求。 #### 注意事项 - 对于多维或多通道数组而言,返回的是各个维度上的独立统计结果组成的向量。 - 如果提供了掩码,则只会考虑那些对应位置上具有正值的地方参与运算过程。
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值