opencv基本数据结构

　　一、opencv简介

　　OpenC++V是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS *** 作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。

　　二、opencv优势

　　1.研究代码（慢，不稳定，独立并与其他库不兼容）

　　2.耗费很高的商业化工具（比如Halcon， MATLAB+Simulink）

　　3.依赖硬件的一些特别的解决方案（比如视频监控，制造控制系统，医疗设备）这是如今的现状。而标准的API将简化计算机视觉程序和解决方案的开发。

　　OpenCV致力于成为这样的标准API。OpenCV致力于真实世界的实时应用，通过优化的C代码的编写对其OpenCV与其它视觉函数库性能对比执行速度带来了可观的提升，并且可以通过购买Intel的IPP高性能多媒体函数库（Integrated Performance PrimiTIves）得到更快的处理速度。

　　三、opencv应用

　　1、人机互动

　　2、物体识别

　　3、图像分割

　　4、人脸识别

　　5、动作识别

　　6、运动跟踪

　　7、机器人

　　8、运动分析

　　9、机器视觉

　　10、结构分析

　　11、汽车安全驾驶

　　四、opencv 基本数据结构 　　DataType ： 将C++数据类型转换为对应的opencv数据类型

　　enum { CV_8U=0， CV_8S=1， CV_16U=2， CV_16S=3， CV_32S=4， CV_32F=5， CV_64F=6 };

　　// allocates a 30x40 floaTIng-point matrix // CV_32F

　　Mat A（30， 40， DataType《float》：：type）;

　　Mat B = Mat_《std：：complex《double》 》（3， 3）;

　　// the statement below will print 6， 2 /*， that is depth == CV_64F， channels == 2*/ CV_64FC2

　　cout 《《 B.depth（） 《《 “， ” 《《 B.channels（） 《《 endl;

　　Point_ 二维点坐标（x，y）

　　typedef Point_《int》 Point2i;

　　typedef Point2i Point;

　　typedef Point_《float》 Point2f;

　　typedef Point_《double》 Point2d;

　　Point3_ 3维点坐标（x，y，z）

　　typedef Point3_《int》 Point3i;

　　typedef Point3_《float》 Point3f;

　　typedef Point3_《double》 Point3d;

　　Size_ 尺寸（width， height）

　　typedef Size_《int》 Size2i;

　　typedef Size2i Size;

　　typedef Size_《float》 Size2f;

　　Rect_ 矩形区域

     （x，y，width，height） ，（x，y）左上角坐标， 范围［x， x + width）， ［y， y + height）

　　rect = rect ± point //矩形偏移（shifTIng a rectangle by a certain offset）

　　rect = rect ± size //改变大小（expanding or shrinking a rectangle by a certain amount）

　　rect += point， rect -= point， rect += size， rect -= size //（augmenTIng operations）

　　rect = rect1 & rect2 //矩形交集（rectangle intersection）

　　rect = rect1 | rect2 //包含r1r2的最小矩形（minimum area rectangle containing rect2 and rect3 ）

　　rect &= rect1， rect |= rect1 //（and the corresponding augmenting operations）

　　rect == rect1， rect ！= rect1 //（rectangle comparison）

　　RotatedRect 旋转矩形

　　RotatedRect：：RotatedRect（const Point2f& center， const Size2f& size， float angle）// 中心点（不是左上角坐标），尺寸，旋转角度

　　RotatedRect rRect = RotatedRect（Point2f（100，100）， Size2f（100，50）， 30）;

　　Matx 小矩阵

　　template《typename_Tp， int m， int n》 class Matx {。。。};

　　typedef Matx《float， 1， 2》 Matx12f;

　　typedef Matx《double， 1， 2》 Matx12d;

　　typedef Matx《float， 1， 6》 Matx16f;

　　typedef Matx《double， 1， 6》 Matx16d;

　　typedef Matx《float， 2， 1》 Matx21f;

　　typedef Matx《double， 2， 1》 Matx21d;

　　typedef Matx《float， 6， 1》 Matx61f;

　　typedef Matx《double， 6， 1》 Matx61d;

　　typedef Matx《float， 2， 2》 Matx22f;

　　typedef Matx《double， 2， 2》 Matx22d;

　　typedef Matx《float， 6， 6》 Matx66f;

　　typedef Matx《double， 6， 6》 Matx66d;

　　Matx33f m（1， 2， 3，

　　4， 5， 6，

　　7， 8， 9）;

　　cout 《《 sum（Mat（m*m.t（））） 《《 endl;//Matx转化为Mat

　　Vec 短向量，基于Matx

　　template《typename_Tp， int n》 class Vec ： public Matx《_Tp， n， 1》 {。。。};

　　typedef Vec《uchar， 2》 Vec2b;

　　typedef Vec《uchar， 3》 Vec3b;

　　typedef Vec《uchar， 4》 Vec4b;

　　typedef Vec《short， 2》 Vec2s;

　　typedef Vec《short， 3》 Vec3s;

　　typedef Vec《short， 4》 Vec4s;

　　typedef Vec《int， 2》 Vec2i;

　　typedef Vec《int， 3》 Vec3i;

　　typedef Vec《int， 4》 Vec4i;

　　typedef Vec《float， 2》 Vec2f;

　　typedef Vec《float， 3》 Vec3f;

　　typedef Vec《float， 4》 Vec4f;

　　typedef Vec《float， 6》 Vec6f;

　　typedef Vec《double， 2》 Vec2d;

　　typedef Vec《double， 3》 Vec3d;

　　typedef Vec《double， 4》 Vec4d;

　　typedef Vec《double， 6》 Vec6d;

　　Scalar_ 四维向量

　　template《typename_Tp》 class Scalar_： public Vec《_Tp， 4》 { 。。。 };

　　typedef Scalar_《double》 Scalar;

　　Range 范围，（start， end）

　　Mat m（300，300，CV32F）;

　　Mat part = m（Range：：all（）， Range（20， 200））; // 相当于matlab的m（：， 20 ： 199）

　　对于自定义的函数，可以用如下方法来支持Range

　　void my_function（。。。， const Range& r， 。。。。）

　　{

　　if（r == Range：：all（）） {

　　// process all the data， 使用全部数据

　　}

　　else {

　　// process ［r.start， r.end），根据r中定义， 处理数据 start ： end - 1

　　}

　　}

　　Mat 矩阵结构

　　M.data 数据区域的指针

　　M.dims 矩阵维度

　　M.sizes 维度

　　M.elemSize（） 每个元素占的字节空间大小，与元素类型相关，如CV_8U

　　M.step［］ 用来计算元素地址， M.step［i］ 表示所有比i大的维度所占空间大小

　　M.step［i］ 》= M.step［i+1］*M.sizes［i+1］; //这里大于是因为数据空间可能有空白

　　2-dimensional matrices are stored row-by-row

　　3-dimensional matrices are stored plane-by-plane

　　addr（M（i（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）

　　创建数组：

　　// make a 7x7 complex matrix filled with 1+3j.

　　Mat M（7，7，CV_32FC2，Scalar（1，3））;

　　// and now turn M to a 100x60 15-channel 8-bit matrix.

　　// The old content will be deallocated

　　M.create（100，60，CV_8UC（15））;

　　// create a 100x100x100 8-bit array

　　int sz［］ = {100， 100， 100};

　　Mat bigCube（3， sz， CV_8U， Scalar：：all（0））;