opencv深入学习(1)--Mat主要成员变量

class CV_EXPORTS Mat{public:    /** functions*/    enum { MAGIC_VAL=0x42FF0000, AUTO_STEP=0, CONTINUOUS_FLAG=CV_MAT_CONT_FLAG, SUBMATRIX_FLAG=CV_SUBMAT_FLAG };    /*! includes several bit-fields:         - the magic signature ---//Magic number-wikipedia         - continuity flag         - depth         - number of channels     */    int flags;    //! the matrix dimensionality, >= 2    int dims;    //! the number of rows and columns or (-1, -1) when the matrix has more than 2 dimensions    int rows, cols;    //! pointer to the data    uchar* data;    //! pointer to the reference counter;    // when matrix points to user-allocated data, the pointer is NULL    int* refcount;        //! helper fields used in locateROI and adjustROI    uchar* datastart;    uchar* dataend;    uchar* datalimit;        //! custom allocator    MatAllocator* allocator;        struct CV_EXPORTS MSize    {        MSize(int* _p);        Size operator()() const;        const int& operator[](int i) const;        int& operator[](int i);        operator const int*() const;        bool operator == (const MSize& sz) const;        bool operator != (const MSize& sz) const;                int* p;    };        struct CV_EXPORTS MStep    {        MStep();        MStep(size_t s);        const size_t& operator[](int i) const;        size_t& operator[](int i);        operator size_t() const;        MStep& operator = (size_t s);                size_t* p;        size_t buf[2];    protected:        MStep& operator = (const MStep&);    };        MSize size;    MStep step;};

 Mat代表多维密集单通道或者多通道的数值型数组。可以用来存储实数、复数向量或者灰度、彩色图像或者向量场，点云等等，数组M的数据布局由参数M.step[k]【第k维的不常】确定， M的第(i_0,...,i_M.dims-1)个元素的地址可以这样计算获得：

 addr(Mi_0,...,i_M.dims-1)=M.data+M.step[0]*i_0+M.step[1]*i_1+...+M.step[M.dims-1]*i_M.dims-1;【其中0<=i_k<M.size[k],是第k维的坐标，ex.在rows*cols=300*200的二维图像中，第0维的size，即M.size[0]=300,M.size[1]=200,M.dims=2,这样的话假设取矩阵(20,30) 处的数值的地址，则两个索引就可以确定为：i_0=20,i_1=30，从而也就可以确定M(20,30)的地址】。 

在2维数组的情况下，上面的计算地址的公式变为：addr(Mi,j)=M.data+M.step[0]*i+M.step[1]*j;    注意到M.step[i]>=M.step[i+1](事实上M.step[i]>=M.step[i+1]*M.size[i+1])，也就是说，2维的矩阵是按照一行一行存储的，3维矩阵是按照一面一面存储的，所以M.step[M.dims-1]是最小的并且一定等于元素的大小M.elemSize().【M.elemSize()函数返回的是每个元素占的字节空间大小，如果元素类型为CV_16SC3，则返回3*sizeof(short)即6】

   【这里是解释步长step[k]的，步长也可以看作是与第k维的存储单位，在2维的矩阵中，因为存储是按照行的顺序存储的，整个矩阵存储为一个平面，所以第k=0维的步长也就是单位肯定就是一行所占的字节数；如果是3维的话，第0维是按照面为单位来存储的，第1维是按照行为单位来存储的，第2维是按照元素类型为单位存储的，每个元素类型是基本类型(即uchar,float,short等等)与通道数的乘积...；

   也就是基本数据类型与通道数组成元素，多个元素组成了行，多行组成了面，多个面组成了3维体，多个3维体 组成4维超体。。。以此类推，如此看来某一维的步长应该等于低一维的步长step*低一维的大小size，那么>=是怎么回事？
   这是字节对齐的原因，为了提高计算速度，对数据存储按照字长进行了对齐，在32位机器中是按照4字节对齐的，就像一个row=100,cols=101大小的单通道uchar图像，如果进行字节对齐则其step[0]=104，而不是101；##注##--使用cv::Mat时，如果数据是从图像加载的，或者使用构造函数、create等创建分配的数据，是没有字节对齐的，所有的数据都是顺序存储，是continuous的，但是如果
  (1)是使用自己的数据，然后用了Mat的头来访问，而指定的step不是AUTO_STEP的话，那么是否存在字节对齐就不一定了，但是如果是指定了step=AUTO_STEP则没有字节对齐，这个可以从手册中使用外部数据的构造函数对step参数的介绍中知道。
  (2)图像是用IplImage加载的，然后转换为cv::Mat那就存在字节对齐的现象。下面给出一个关于step,size的测试例子，从其输出中可以验证这些】
Mat load_mat = imread("d:/picture/temp1.bmp");cout<<"step[0]="<<load_mat.step[0]<<",size[0]="<<load_mat.size[0]<<",step[1]="<<load_mat.step[1]<<",size[1]="<<load_mat.size[1]<<endl;cout<<"rows="<<load_mat.rows<<",cols="<<load_mat.cols<<"elemSize="<<load_mat.elemSize()<<",continuous="<<load_mat.isContinuous()<<endl;cout<<"----------------------------------------------------"<<endl;Mat mem_mat(101,104, CV_8UC3, Scalar::all(255));cout<<"step[0]="<<mem_mat.step[0]<<",size[0]="<<mem_mat.size[0]<<",step[1]="<<mem_mat.step[1]<<",size[1]="<<mem_mat.size[1]<<endl;cout<<"rows="<<mem_mat.rows<<",cols="<<mem_mat.cols<<"elemSize="<<mem_mat.elemSize()<<",continuous="<<mem_mat.isContinuous()<<endl;cout<<"----------------------------------------------------"<<endl;int sz[]={101,101,101};Mat cube(3, sz, CV_32FC3, Scalar::all(0));cout<<"step[0]="<<cube.step[0]<<",size[0]="<<cube.size[0]<<",step[1]="<<cube.step[1]<<",size[1]="<<cube.size[1]<<endl;cout<<"step[2]="<<cube.step[2]<<",size[2]="<<cube.size[2]<<",step1*size1="<<cube.step[1]*cube.size[1]<<endl;cout<<"step2*size2="<<cube.size[2]*cube.step[2]<<",elemSize="<<cube.elemSize()<<",continuous="<<cube.isContinuous()<<endl;cout<<"rows="<<cube.rows<<",cols="<<cube.cols<<endl;cout<<"----------------------------------------------------"<<endl;uchar data[1212]={0};Mat createdmat(cv::Size(101,12),CV_8UC1, data, 104);cout<<"step[0]="<<createdmat.step[0]<<",size[0]="<<createdmat.size[0]<<",step[1]="<<createdmat.step[1]<<",size[1]="<<createdmat.size[1]<<endl;cout<<"rows="<<createdmat.rows<<",cols="<<createdmat.cols<<"elemSize="<<createdmat.elemSize()<<",continuous="<<createdmat.isContinuous()<<endl;cout<<"----------------------------------------------------"<<endl;Mat createdmat2(cv::Size(101,12),CV_8UC1, data);cout<<"step[0]="<<createdmat2.step[0]<<",size[0]="<<createdmat2.size[0]<<",step[1]="<<createdmat2.step[1]<<",size[1]="<<createdmat2.size[1]<<endl;cout<<"rows="<<createdmat2.rows<<",cols="<<createdmat2.cols<<"elemSize="<<createdmat2.elemSize()<<",continuous="<<createdmat2.isContinuous()<<endl;cout<<"----------------------------------------------------"<<endl;IplImage *image = cvLoadImage("d:/picture/temp1.bmp");cout<<"widthstep="<<image->widthStep<<",height="<<image->height<<",width="<<image->width<<endl;Mat cvted(image);cout<<"step[0]="<<cvted.step[0]<<",size[0]="<<cvted.size[0]<<",step[1]="<<cvted.step[1]<<",size[1]="<<cvted.size[1]<<endl;cout<<",step1*size1="<<cvted.step[1]*cvted.size[1]<<"elemSize="<<cvted.elemSize()<<",continuous="<<cvted.isContinuous()<<endl;cout<<"=========================================================="<<endl;cout<<"sizeof(loadmat)="<<sizeof(load_mat)<<",sizeof(memmat)="<<sizeof(mem_mat)<<",sizeof(cube)="<<sizeof(cube)<<endl;cout<<"sizeof(createdmat)="<<sizeof(createdmat)<<",sizeof(createdmat2)="<<sizeof(createdmat2)<<",sizeof(cvted)="<<sizeof(cvted)<<endl;cvReleaseImage(&image);
下面是输出：

  结合上面的分析，可以看出第一种情况是使用imread加载的图像，虽然图像的cols=355，但是其step[0]=1065=355*3 没有字节对齐，从continuous=1也可以看出，下面的第二种情况也是，第三种情况是3维矩阵，也没有进行字节对齐，此时可以看出cols=rows=-1; 第四种情况，使用外部数据，指定了step=104进行字节对齐，可以看出此时step[0]!=step[1]*size[1]了，continuous=0，但是第五种情况下，step采用默认AUTO_STEP时，没有字节对齐，第六种情况，采用IplImage加载与第一种同一幅图像时，可以看出此时使用了字节对齐，其widthstep等于转换为Mat之后的step[0]的值，大于step[1]*size[1]，continuous=0，这也验证了上面的分析。
另外几个常用的成员变量：
--------------------------------------------------
   int flags; 标志位，包含几个位域： --magic signature 魔法签名或者更确切的说应该是文件的签名，用于区分不同文件格式的标志，是文件的"身份证"；在Mat构造函数中可以发现一些端倪， 在使用外部数据构造Mat的构造函数中：flags(MAGIC_VAL + (_type & TYPE_MASK))，在默认构造函数中：flags(0)，在imread图像加载时应该也进行了相应的设置【没有确认？】， 关于该数字签名的一些相关东西，可以参考一下WikiPedia的Magic number词条 --continuity flag 即是否是连续存储的，标志有没有使用字节对齐 --depth 元素深度即基本元素类型，uchar,short,float等 --number of channels 通道数 --------------------------------------------------
   cols,rows 矩阵的行数，列数【注意，在图像中行数对应的是高度，列数对应的是宽度】，当维数大于2时，均为-1;
   dims 矩阵的维数；
   uchar* data; 存储具体数据的地址指针。