西安微网站建设/湖南百度推广公司

申明：以下的小技巧，均为OpenCV2.4.2下验证过的，但并不保证其它版本依然奏效

（1）利用数组来构建cv::Mat

   示例代码如下所示：

void ArrayToMat()  
{  double m[3][3];  for (int i=0; i<3; i++)  {  for (int j=0; j<3; j++)  {  m[i][j] = i+j;  cout<<m[i][j]<<" ";  }  cout<<endl;  }  cout<<"****************************************"<<endl;  Mat M = Mat(3, 3, CV_64F, m);  double tempVal = 0.0;  for (int i=0; i<3; i++)  {  for (int j=0; j<3; j++)  {  tempVal = M.at<double>(i,j);  cout<<tempVal<<" ";  }  cout<<endl;  }  
}

不出意外的话，执行结果应该如下所示：

（2） IplImage*跟cv::Mat之间的互相转换

示例代码：

void IplImageToMat()  
{  IplImage* pImg = cvLoadImage("c:/test.jpg");  if (!pImg)  {  cout<<"pImg load error"<<endl;  system("pause");  exit(-1);  }  cvNamedWindow("pImg", 0);  cvNamedWindow("mtx", 0);  Mat mtx(pImg);   cvShowImage("pImg", pImg);  imshow("mtx", mtx);  cvWaitKey(0);  cvReleaseImage(&pImg);  
}  

笔者任意加载了电脑上一副图片，结果如下所示：

提醒，这里的格式转换并不申请新的内存，而仅仅是改变数据结构而已

（3）Mat转换为IplImge

示例代码：

void MatToIplImage()  
{  Mat m = imread("c:/test.jpg");  if (m.empty())  {  cout<<"mat load error"<<endl;  system("pause");  exit(-1);  }  IplImage img1 = IplImage(m);  IplImage img2 = m;  cvNamedWindow("img1", 0);  cvNamedWindow("img2", 0);  cvShowImage("img1", &img1);  cvShowImage("img2", &img2);  cvWaitKey(0);  
}

笔者任意加载一张图片，上述代码的执行结果为：

（4）访问二维数据（cv::Mat）最高效的方式是先得到该二维数据的每一行的指针，然后利用下标运算符逐列访问

示例代码：

void MatAccess()  
{  double m[3][3];  for (int i=0; i<3; i++)  {  for (int j=0; j<3; j++)  {  m[i][j] = i+j;  cout<<m[i][j]<<" ";  }  cout<<endl;  }  cout<<"****************************************"<<endl;  Mat M = Mat(3, 3, CV_64F, m);  double sum = 0;  int rows = M.rows;  int cols = M.cols;  for (int i=0; i<rows; i++)  {  const double* Mi = M.ptr<double>(i);  for (int j=0; j<cols; j++)  {  sum += Mi[j];  }  }  cout<<"sum: "<<sum<<endl;  
} 

上面的代码执行结果为：

（5）cv::Mat支持STL中的迭代器功能

示例代码：

void MatAccess()  
{  double m[3][3];  for (int i=0; i<3; i++)  {  for (int j=0; j<3; j++)  {  m[i][j] = i+j;  cout<<m[i][j]<<" ";  }  cout<<endl;  }  cout<<"****************************************"<<endl;  Mat M = Mat(3, 3, CV_64F, m);  double sum = 0;  int rows = M.rows;  int cols = M.cols;  for (int i=0; i<rows; i++)  {  const double* Mi = M.ptr<double>(i);  for (int j=0; j<cols; j++)  {  sum += Mi[j];  }  }  cout<<"sum: "<<sum<<endl;  sum = 0;  MatConstIterator_<double> it = M.begin<double>();  MatConstIterator_<double> itEnd = M.end<double>();  for (;it!=itEnd; it++)  {  sum += *it;  }  cout<<"sum: "<<sum<<endl;  
}

运行结果：

（6） satureat_cast : openCV中用于数据“饱和”判断

示例：

void Saturate_castTest()  
{  int r = 300;  uchar t = saturate_cast<uchar>(r);  cout<<int(t)<<endl;  
}  

结果：

（7）获取函数执行时间

getTickCount()和getTickFrequency()结合起来可以用来计算函数执行时间，尤其是很小的代码片段的执行时间

举例：

void GetFuncTime()  
{  double exec_time = (double)getTickCount();  for (int i=0; i<10; i++)  {  ;  }  exec_time = ((double)getTickCount() - exec_time)*1000./getTickFrequency();  cout<<exec_time<<endl;  
}  

上面的代码，重点在于for循环，且，该循环中什么也不处理；用一般的时间函数很难计算出该代码片段的执行时间，但利用getTickCount（）和getTickFrequency（）就很容易。笔者电脑上的结果是：