译文参考The OpenCV Reference Manual （Release 2.3）August 17 2011
Mat类
OpenCV c + + n 维稠密数组类
class CV_EXPORTS Mat
{
public：
/ / … …很多的方法...
...
/*!包括几位字段：
-神奇的签名
-连续性标志
-深度（Note：应该是位深）
-通道数
*/
int flags;（Note ：目前还不知道flags做什么用的）
//!数组的维数，> = 2
int dims ;
//!行和列的数量或 (-1，-1) 此时数组已超过 2 维
int rows,cols;
//!指向数据的指针
uchar *data ;
//!指针的引用计数器 ；
/ / 阵列指向用户分配的数据时，当指针为 NULL
int * refcount ;
/ / 其他成员
...
};
Mat类表示一个 n 维的稠密数值型的单通道或多通道数组。它可以用于存储实数或复数值的向量和矩阵、灰度或彩色图像、体素、向量场、点云、张量、直方图 （尽管较高维的直方图存储在SparseMat可能更好）。M 数组的数据布局是由阵列 M.step[]定义的，使元素的地址（i0,。。。。iM.dims-1),其中 0<= ik < M.size [k]，可以计算为：
addr( Mi0 ;:::;iM.dims-1) = M.data+ M.step[ 0]*i0 + M.step[ 1] *i1 + .…+ M.step[ M:dims- 1] iM:dims- 1
2维的数组的情况下根据上述公式被减至：
addr( Mi,j)= M.data+ M.step[ 0]*i+ M.step[ 1] *j
请注意，M.step[i] > =M.step[i+1] （事实上，M.step[i] > =M.step[i+1]*M.size[i+1]）。这意味着2维矩阵是按行存储的，3 维矩阵是由平面存储，以此类推。M.step[M.dims-1] 是最小的而且总是等于元素大小M.elemSize()。因此，Mat中的数据布局完全兼容OpenCV 1.x 中CvMat、 IplImage、 CvMatND类型。它也和标准工具包和SDK，如Numpy（ndarray），Win32(独立设备位图)等主流的密集数组类型相兼容，也就是说，与任何使用步进（或步长）来计算像素位置的阵列相兼容。由于这种兼容性，使用户分配的数据创建Mat头以及用OpenCV函数实时处理该头成为可能。有很多不同的方法，创建一个Mat的对象。下面列出了最常见的选项：
使用 create（nrows,ncols,type）方法或类似的Mat（nrows,ncols,type [,fillValue])构造函数。一个新的指定了大小和类型的数组被分配。type和cvCreateMat 方法中的type参数具有相同的含义。例如，CV_8UC1 是指一个 8 位单通道阵列，CV_32FC2 指 2 通道(复平面)浮点阵列，以此类推。
//创建一个用1+3j填充的 7 x 7 复矩阵。
Mat M(7,7,CV_32FC2,Scalar(1,3)) ;
/ /现在将 M转换为100 x 60的CV_8UC(15)的矩阵。
/ / 旧内容将会被释放
M.create(100,60,CV_8UC(15)) ;
这一章导言中指出，当当前的数组与指定的数组的形状或类型create() 分配唯一的新数组时的形状或类型。
创建多维数组：
/ / 创建 100 x 100 x 100 8 位数组
int sz[] = {100, 100, 100};
Mat. bigCube (3,sz,CV_8U,Scalar::all(0)) ;它将维度数（= 1）传递给Mat的构造函数，但列数设置为 1时，创建数组将是 2 维的。因此，Mat::dims 始终是>=2的(该数组为空时，也可以是 0）。
使用的复制构造函数或赋值运算符可以是一个数组或右侧的表达式（请参阅下图）。正像在导言中指出的，数组赋值运算复杂度是O(1)因为当你需要它的时候，它仅复制头和增加引用计数。Mat::clone() 方法可用于获取全（深）的副本数组。
为另一个数组的一部分构建头。它可以是单个行、 单个列，几个行，几个列，矩形区域（代数中称为较小值） 的数组或对角线。这种操作也是复杂度为O(1)，因为，新头引用相同的数据。实际上，您可以使用此特性修改该数组的一部分例如：
/ /第 5行，乘以 3，加到第 3 行，
M.row(3) = M.row(3) + M.row (5) * 3 ;
/ / 现在将第7列复制到第1列
/ / M.col(1) = M.col(7) ;/ / 这个不能实现。
Mat M1= M.col(1) ;
M.col(7).copyTo(M1) ;
/ / 创建一种新的 320 x 240 图像
Mat img(Size(320,240),CV_8UC3) ;
/ / 选择ROI(region of interest)
Mat roi(img,Rect(10,10,100,100)) ;
/ / 填充 （0,255,0） 的ROI （这是RGB 空间中的绿色）；
/ / 320 x 240 原始图像将被修改。
roi = Scalar(0,255,0) ;
由于额外的 datastart 和 dataend 的成员，它们使得用locateROI() 计算子数组在主容器数组中的相对的位置成为可能：
Mat A = Mat::eye ( 10, 10, CV_32S）;
/ / 提取 A 的1 （含）到 3 （不包含）列。
Mat B = A(Range::all(),Range（1,3）） ;
/ / 提取 B 的5 （含）到 9 （不包含）行。
/ /即 C ~ A（Range（5,9）,Range （1,3））
Mat C = B（Range（5,9）,Range::all()) ;
Size size;Point ofs;
C.locateROI （size,ofs）;
/ / size将变为 (width= 10，height= 10），ofs会变为 (x = 1，y = 5)
考虑到整个矩阵，如果您需要深层副本，使用子矩阵的sclone() 方法的提取。
为用户分配数据创建矩阵头。有利于执行下列操作：
1. 使用 OpenCV处理"外来"的数据（例如，当您执行 DirectShow *?lter 或 gstreamer的pro-cessing 模块，等等)。例如：
void process_video_frame (const unsignedchar * pixels,
int width,int height,int step)
{
Mat img (width,height, CV_8UC3,pixels,step);
GaussianBlur （img,img ,Size(7,7),1.5,1.5） ;
}
2.快速初始化小矩阵和/或获取超快的元素的访问。
double m[3] [3] = {{a,b,c},{d,e,f} {g, h, i}}};
Mat M = Mat（3,3,CV_64F,m).inv() ;
本例中用户分配数据的一些很常见情况是从CvMat 和 IplImage 转换到Mat。为达到此目的，有些特殊的构造函数以指向CvMat 或 IplImage 和?ag可选参数指示是否数据复制。从Mat到 CvMat 或 IplImage 的后台转换是通过类型转换运算符 Mat::operator CvMat() const 和 Mat::operator IplImage()实现的。operators不要复制数据。
IplImage * img = cvLoadImage("greatwave.jpg",1） ;
Mat mtx(img) ;/ / IplImage *-> Mat
CvMat oldmat = mtx ;/ / Mat-> CvMat
CV_Assert (oldmat.cols = = img-> width&& oldmat.rows = = img-> height & &
oldmat.data.ptr = = (uchar *) img->imageData & & oldmat.step = = img-> widthStep）;
使用 MATLAB 样式数组初始值设定项zeros()、 ones()、 eye()，例如：
/ / 创建具双精度标识矩阵并将其添加到M。
M + = Mat::eye （M.rows,M.cols,CV_64F）;
使用逗号分隔的初始值设定项：
/ / 创建 3 x 3 双精度恒等矩阵
Mat M = (Mat_ <double> (3,3) <<1，0,0,0,1,0,0,0,1） ;
使用此方法，您首先调用具有适当的参数的 Mat_类构造函数，然后只要把 << 运算符后面的值用逗号分隔，这些值可以是常量、变量、 表达式，等等。此外请注意所需的额外的圆括号（(Mat_<double> (3，3)<< 1，0，0，0，1，0，0，0，1））以免出现编译错误。
数组一旦创建起来，它可以自动通过引用计数的机制被管理。如果数组头是在用户分配的数据的基础上构建的，您应该自己处理这些数据。当没有指向它的引用时，数组中的数据将被释放。如果在数组的析构函被调用之前要释放一个由矩阵头指向的数据，请使用Mat::release()。
掌握Array类的另一个重要的环节是元素的访问。本手册已经描述了如何计算每个数组元素的地址。通常情况下，不需要在代码中直接使用的公式。如果你知道数组元素类型（它可以使用 Mat::type() 方法检索得到），您可以用以下方式访问二维数组的元素Mij：
M.at <double>(i,j) + = 1.f ;
假定 M 一个双精度浮点型数组。有几个变体的不同方法来针对不同的维度数进行处理。
如果您要处理整行的二维数组，最有效的方式是获取该行的头指针然后只需使用普通的 C运算符[]：
/ / 正矩阵元素之和计算
/ / （假定M 是一个双精度矩阵）
double sum = 0;
for (int i = 0 ;i < M.rows ; i + +)
{
const double *Mi = M.ptr <double> (i) ;
for (int j = 0; j < M.cols ; j + +)
sum + = std::max(Mi [j],0.） ;
}
以上的操作中，某些操作实际上不依赖该数组的形状。他们只是一个接一个（或多个具有相同的坐标的多个数组中的元素，例如，数组相加）地处理数组元素。这种操作称为 元素指向（element-wise）。检查是否所有的输入/输出阵列是连续的，即有没有间断在每行的结尾，是有意义的。如果是的话，将它们（这些数组）作为单独的一个长行来处理：
/ / 计算正矩阵元素，优化的变量的总和
double sum = 0;
int cols =M.cols,rows = M.rows ;
if(M.isContinuous())
{
cols * = rows ;
rows = 1 ;
}
for (int i = 0 ;i < rows; i + +)
{
const double * Mi = M.ptr <double>(i) ;
for (int j = 0; j < cols ; j ++)
sum + = std::max (Mi [j],0.） ;
}
对于连续的矩阵来说，外部循环体只需一次执行。所以，开销是规模较小，
小型矩阵的情况下尤其明显。
最后，还有足以成功跳过连续的行之间的间隔智能的STL 样式迭代器：
/ / 计算正矩阵元素和基于迭代器类型的变量之和
double sum = 0;
Mat Const Iterator_ <double> it =M.begin <double> (),it_end = M.end <double> () ;
for(; it! = it_end ; ++it）
sum+ = std::max (*it,0.）；
矩阵迭代器是随机存取的迭代器，所以他们可以被传递给任何 STL 算法，包括 std::sort()。
矩阵表达式
这是已经实现的可以组合在任意复杂的表达式中的矩阵运算操作， （此处 A 、B 的表示矩阵 (Mat)、 s表示标量（Scalar），alpha为实数标量 （双精度型）：
加法、减法、求反： A + B + A-B、 A + s、 A-s、 s + A、 s-A、-A；
缩放： A * alpha
每个元素乘法和除法: A.mul (B)、 A / B，alpha/A
矩阵相乘： A * B
大动脉转位： A.t() (指在)
矩阵反演和伪反演，求解线性系统和最小二乘问题：
A.inv([method]) (~ A-1) , A.inv([method])*B (~ X: AX=B)
比较： cmpop B、 cmpop alpha、 alpha cmpop A，其中 cmpop 是以下几种运算符之一： >，> =，= =，! =，< =，<。比较的结果是其元素设置为 255的 8 位单通道掩码（如果特殊元素对满足条件） 或 0。
按位逻辑运算： logicop B、 logicop s slogicop A、 ~ A，其中 logicop 是以下运算符之一： &,|, ^.
元素的最小值和最大值：分 （A、 B）、 民 （，alpha），最大值 (A，B)，最大 （，alpha）
元素的绝对价值： abs(A)
叉乘，点乘： A.cross(B) A.dot(B)
任何标量与矩阵或矩阵的函数，返回一个矩阵或标量（scalar），如norm、, mean、 sum、countNonZero、trace、determinant、repeat和其他。
矩阵初始值设定项（Mat::eye()，Mat::zeros()，Mat::ones()）、矩阵以逗号分隔的初始值设定项、可提取sub-matrices的m atrix构造函数和运算符，（请参见Mat的说明）。
Mat_ <destination_type> () 构造函数将结果强制转换为适当的类型。
Note：有些逗号分隔初始值设定项和一些其他的运算符可能需要显示调用Mat();或Mat_<T>();的构造函数来解决可能产生的歧义。
以下是一些矩阵表达式的例子：
//计算矩阵A的伪反演等价于A.inv(DECOMP_SVD)
SVD svd(A);
Mat pinvA =svd.vt.t()*Mat::diag(1./svd.w)*svd.u.t();
//计算莱文伯格-马夸特算法中的参数的新向量
x -= (A.t()*A +lambda*Mat::eye(A.cols,A.cols,A.type())).inv(DECOMP_CHOLESKY)*(A.t()*err);
//用“Unsharp Mask”算法锐化图像
Mat blurred; double sigma = 1, threshold =5, amount = 1;
GaussianBlur(img, blurred, Size(), sigma,sigma);
Mat lowConstrastMask = abs(img - blurred)< threshold;
Mat sharpened = img*(1+amount) +blurred*(-amount);
img.copyTo(sharpened, lowContrastMask);
下面正式讲解Mat的各种方法。
Mat:: Mat
各种Mat构造函数。
C++: Mat::Mat()
C++: Mat::Mat(int rows, int cols, int type)
C++: Mat::Mat(Size size, int type)
C++: Mat::Mat(int rows, int cols, int type,const Scalar& s)
C++: Mat::Mat(Size size, int type, constScalar& s)
C++: Mat::Mat(const Mat& m)
C++: Mat::Mat(int rows, int cols, int type,void* data, size_t step=AUTO_STEP)
C++: Mat::Mat(Size size, int type, void*data, size_t step=AUTO_STEP)
C++: Mat::Mat(const Mat& m, constRange& rowRange, const Range& colRange)
C++: Mat::Mat(const Mat& m, constRect& roi)
C++: Mat::Mat(const CvMat* m, boolcopyData=false)
C++: Mat::Mat(const IplImage* img, boolcopyData=false)
C++: template<typename T, int n>explicit Mat::Mat(const Vec<T, n>& vec, bool copyData=true)
C++: template<typename T, int m, intn> explicit Mat::Mat(const Matx<T, m, n>& vec, bool copyData=true)
C++: template<typename T> explicitMat::Mat(const vector<T>& vec, bool copyData=false)
C++: Mat::Mat(const MatExpr& expr)
C++: Mat::Mat(int ndims, const int* sizes,int type)
C++: Mat::Mat(int ndims, const int* sizes,int type, const Scalar& s)
C++: Mat::Mat(int ndims, const int* sizes,int type, void* data, const size_t* steps=0)
C++: Mat::Mat(const Mat& m, constRange* ranges)
参数
ndims– 数组的维数.
rows – 2维数组中行行数
cols – Number of columnsin a 2D array.
size – 2维数组的尺寸Size(cols, rows) .在Size()构造函数中行数和列数在次序上刚好反转过来了。
sizes–指定 n 维数组形状的整数数组。
type–数组的类型。使用 CV_8UC1，… …，创建 1-4 通道的矩阵，CV_64FC4 或CV_8UC(n)，… …，CV_64FC(n)可以创建多通道 （高达 CV_MAX_CN 通道）矩阵。
s–一个可选的初始化每个矩阵元素的参数。要在矩阵建成后将所有元素设置为特定值可以用Mat的赋值运算符Mat:operator=(constScala& value)。
data–指向用户数据的指针。矩阵构造函数传入data和step参数不分配矩阵数据。相反，它们只是初始化矩阵头指向指定的数据，这意味着没有数据的复制。此操作是很高效的，可以用来处理使用 OpenCV 函数的外部数据。外部数据不会自动释放，所以你应该小心处理它。
step–每个矩阵行占用的字节数。如果任何值应包括每行末尾的填充字节。如果缺少此参数（设置为 AUTO_STEP），假定没有填充和实际的步长用cols*elemSize()计算。请参阅Mat::elemSize()。
steps–多维数组（最后一步始终设置为元素大小） 的情况下的 ndims-1个步长的数组。如果没有指定的话，该矩阵假定为连续。
m–分配给构造出来的矩阵的阵列（作为一个整体或部分）。这些构造函数没有复制数据。相反，指向 m 的数据或它的子数组的头被构造并被关联到m上。引用计数器中无论如何都将递增。所以，当您修改矩阵的时候，自然而然就使用了这种构造函数，您还修改 m 中的对应元素。如果你想要独立的子数组的副本，请使用 Mat::clone()。
img –指向老版本的 IplImage图像结构的指针。默认情况下，原始图像和新矩阵之间共享数据。但当 copyData 被设置时，完整的图像数据副本就创建起来了。
vec–矩阵的元素构成的STL 向量。矩阵可以取出单独一列并且该列上的行数和矢量元素的数目相同。矩阵的类型匹配的向量元素的类型。构造函数可以处理任意的有正确声明的DataType类型。这意味着矢量元素不支持的混合型结构，它们必须是数据（numbers）原始数字或单型数值元组。对应的构造函数是显式的。由于 STL 向量不会自动转换为Mat实例，您应显式编写 Mat(vec)。除非您将数据复制到矩阵 （copyData = true），没有新的元素被添加到向量中，因为这样可能会造成矢量数据重新分配，并且因此使得矩阵的数据指针无效。
copyData –指定STL 向量或旧型 CvMat 或 IplImage是应复制到 (true)新构造的矩阵中 还是 (false) 与之共享基础数据的标志，复制数据时，使用Mat引用计数机制管理所分配的缓冲区。虽然数据共享的引用计数为 NULL，但是分配数据必须在矩阵被析构之后才可以释放。
rowRange – m 的行数的取值范围。正常情况下，范围开始端具有包容性和范围结束端是独占的。使用 Range::all() 来取所有的行。
colRange –m 列数的取值范围。使用 Range::all() 来取所有的列。
ranges –表示M沿每个维度选定的区域的数组。
expr – 矩阵表达式。请参见矩阵表达式。
以上这些都是Mat生成一个矩阵的各类构造函数。如 输出数据的自动分配 一节（该节内容在第一章 Introduction）中所提到的，往往默认构造函数就足够了，不同的矩阵可以由 OpenCV 函数来分配数据空间。构造的矩阵可以进一步分配给另一个矩阵或矩阵表达或通过Mat::create()获配。在前一种情况，旧的内容是间接引用的。