java OpenCv Mat 类的基本操作（3）

小咪咪 2022-12-01 12:23 322阅读 0赞

对初学者来说,我们总是希望通过Opencv实现一些功能，当我们去研究一个陌生的东西，我们总是想着利用他去实现某一个功能

比如Opencv，我们很容易利用他去进行人脸识别，人脸识别也有很多的方式比如利用opecv自带的算法：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70][]

但是这对我们来说仅仅是皮毛，也是opencv用来检验的测试用例

我们不能拿它做出什么东西，甚至我们连人物识别都不知道怎样做，我们学习新的知识，不能仅仅做知识的搬运工，我们应该从砌砖开始，而不是一开始就研究整个屋子

人脸识别opencv还支持DNN，但是我在使用pb模型的时候，最后forward输出的矩阵我并不知道怎么处理来显示出来图像，所以不得用时间将基础做好，opencv java里面有一个重要的类是Mat，那么我们先看看如何创建

废话少说，看源代码

public Mat(long addr) {
            if (addr == 0)
                throw new UnsupportedOperationException("Native object address is NULL");
            nativeObj = addr;
        }
    
        //
        // C++: Mat::Mat()
        //
    
        // javadoc: Mat::Mat()
        public Mat() {
            nativeObj = n_Mat();
        }
    
        //
        // C++: Mat::Mat(int rows, int cols, int type)
        //
    
        // javadoc: Mat::Mat(rows, cols, type)
        public Mat(int rows, int cols, int type) {
            nativeObj = n_Mat(rows, cols, type);
        }
    
        //
        // C++: Mat::Mat(int rows, int cols, int type, void* data)
        //
    
        // javadoc: Mat::Mat(rows, cols, type, data)
        public Mat(int rows, int cols, int type, ByteBuffer data) {
            nativeObj = n_Mat(rows, cols, type, data);
        }
    
        //
        // C++: Mat::Mat(int rows, int cols, int type, void* data, size_t step)
        //
    
        // javadoc: Mat::Mat(rows, cols, type, data, step)
        public Mat(int rows, int cols, int type, ByteBuffer data, long step) {
            nativeObj = n_Mat(rows, cols, type, data, step);
        }
    
        //
        // C++: Mat::Mat(Size size, int type)
        //
    
        // javadoc: Mat::Mat(size, type)
        public Mat(Size size, int type) {
            nativeObj = n_Mat(size.width, size.height, type);
        }
    
        //
        // C++: Mat::Mat(int ndims, const int* sizes, int type)
        //
    
        // javadoc: Mat::Mat(sizes, type)
        public Mat(int[] sizes, int type) {
            nativeObj = n_Mat(sizes.length, sizes, type);
        }
    
        //
        // C++: Mat::Mat(int rows, int cols, int type, Scalar s)
        //
    
        // javadoc: Mat::Mat(rows, cols, type, s)
        public Mat(int rows, int cols, int type, Scalar s) {
            nativeObj = n_Mat(rows, cols, type, s.val[0], s.val[1], s.val[2], s.val[3]);
        }
    
        //
        // C++: Mat::Mat(Size size, int type, Scalar s)
        //
    
        // javadoc: Mat::Mat(size, type, s)
        public Mat(Size size, int type, Scalar s) {
            nativeObj = n_Mat(size.width, size.height, type, s.val[0], s.val[1], s.val[2], s.val[3]);
        }
    
        //
        // C++: Mat::Mat(int ndims, const int* sizes, int type, Scalar s)
        //
    
        // javadoc: Mat::Mat(sizes, type, s)
        public Mat(int[] sizes, int type, Scalar s) {
            nativeObj = n_Mat(sizes.length, sizes, type, s.val[0], s.val[1], s.val[2], s.val[3]);
        }
    
        //
        // C++: Mat::Mat(Mat m, Range rowRange, Range colRange = Range::all())
        //
    
        // javadoc: Mat::Mat(m, rowRange, colRange)
        public Mat(Mat m, Range rowRange, Range colRange) {
            nativeObj = n_Mat(m.nativeObj, rowRange.start, rowRange.end, colRange.start, colRange.end);
        }
    
        // javadoc: Mat::Mat(m, rowRange)
        public Mat(Mat m, Range rowRange) {
            nativeObj = n_Mat(m.nativeObj, rowRange.start, rowRange.end);
        }
    
        //
        // C++: Mat::Mat(const Mat& m, const std::vector<Range>& ranges)
        //
    
        // javadoc: Mat::Mat(m, ranges)
        public Mat(Mat m, Range[] ranges) {
            nativeObj = n_Mat(m.nativeObj, ranges);
        }
    
        //
        // C++: Mat::Mat(Mat m, Rect roi)
        //
    
        // javadoc: Mat::Mat(m, roi)
        public Mat(Mat m, Rect roi) {
            nativeObj = n_Mat(m.nativeObj, roi.y, roi.y + roi.height, roi.x, roi.x + roi.width);
        }

我数一下，大概有十几个构造方法，我们可以简单的立即这个方法就是用来创建一个矩阵

那么一个矩阵需要什么，多少行，多少列，以及元素值（初始化）

Mat其实是描述图像的，比我们数学中的矩阵要多一个参数，类型和通道

通道: 有单通道，3通道，和四通道，类型:有符号和无符号

最简单的，我们用Mat mat=new Mat();看看得到结果是什么

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 1][]

可以看到创建的默认的是单通道的，而且矩阵里面没有任何的元素

我们从简单的矩阵2\*2的矩阵开始创建

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 2][]

发现了什么，我们可以用一个Mat 创建其他的Mat，而且我们创建Mat时候只要传递参数类型是必须传递的，上面的不传递参数的我们看到的创建Mat默认的type是0 ，那么0标识什么

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 3][]

一共有8中类型

U标识无符号，S标识有符号，F 标识有符号的Float

默认创建的0是8位无符号的，并且是0行0列的单通道矩阵

了解了类型，我们继续创建我们的2\*2的矩阵，那么我们看无符号的吧：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 4][]

我们看到2\*2的矩阵，里面的数据是随机产生的，默认的是单通道

如果我们不想让数据随机产生，我们可以进行初始化

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 5][]

new Scalar（）这个是通道赋值，在opencv中的作用是颜色作用，我们知道颜色表示方法很多，有十六进制的\#fffff 还有RGB(0,0,255) 这个地方Scalar其实很RGB很接近，但是单通道的话，只需要一个值，第二个值是不生效的

3通道的话是是需要三个值，当然你也可以两个值，最后的默认为0 4通道类似，

可能说的不太好理解，我们几个例子

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 6][]

我们看到的是2在创建矩阵的时候并没有啥作用，那么多颜色有作用我们

我们将Mat转换为图片显示出来看看

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 7][]

我们改变new Scalar(1,2),修改成为new Scalar(1,125)

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 8][]

修改成为new Scalar(1,255)

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 9][]

没有变化，也就是说第二个参数不起作用

那么第一个参数用什么作用

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 10][]

当我们从1调整到125的时候，灰度变化了，或者最直观的是没有那么黑了

那么我们继续调整到254

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 11][]

接近于白色

在这个地方我们可以看单通道的是创建的灰度化图片

我们创建2通道的，看看回事怎么样

如何创建2通道的：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 12][]

双通道，我们可以看到的是矩阵的元素，是很new Scalar(254,255)对应起来的

第一个和Scalar的第一个参数一样，第二个和Scalar的第二个元素一样

为什么上面的数据都是正数，无符号，就是数据前面都是没有符号的，如果非要new Scalar(-1,255)

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 13][]

满足了吗，当小于0的时候就自动变成0了

双通道的图片是怎样的，我们不仅的好奇

我们用下面几个参数来标识

new Saclar(0,0)                   new Saclar(1,125)                      new Saclar(1,255)

![20200827094701589.png][]![20200827094819250.png][]![20200827094921955.png][]

new Scalar(125,125)             new Scalar(255,125)                 new Scalar(255,255)

![20200827095139854.png][]![20200827095218787.png][]![20200827095329467.png][]

双通道的图片我们可以到的是无论是第一个参数变化，还是第二个参数编号都对整个图片有影响

但是双通道的图片研究起来好像没有多大的意思，其实黑白+灰度，而且整个图片上下都不一样

所以，双通道的到此为止

我们来看三通道的图片：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 14][]

new Scalar这个时候需要三个值进行描述

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 15][]

这样好像就清晰了，RGB

我们看几个图片

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 16][]

我们知道new Scalar有最多有4参数，最后一个表示什么

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 17][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 18][]

第4参数标识图片的透明度，在0-1之间

今天好像说的有点跑题，我们大概知道了new Scalar()里面参数的含义

并且知道了创建矩阵，通道，初始化赋值

通过上面的例子，希望你对mat有更多的理解，如果有什么不对还请多多指教

希望对你有所帮助

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70]: /images/20221123/819d0ed7bd58417d8fa0bff92aa21821.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 1]: /images/20221123/ad6cd9ce0d134ce8af91041c64259ff2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 2]: /images/20221123/d03874c7dc5d4da88c475139d8252cff.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 3]: /images/20221123/59db9adbf75c466ab8105bcb6095ad52.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 4]: /images/20221123/1f9a6e7a2e5d4e1c819b827dd59ac29b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 5]: /images/20221123/d147339575d24f7d9d74b20a96f4cb32.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 6]: /images/20221123/bbdc5e16867b4e4eaff890dace975cf6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 7]: /images/20221123/38ffce6b3c344e49a0d826bceed1cc33.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 8]: /images/20221123/1763da34fc9b414d9aa320ae0e9d5e7a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 9]: /images/20221123/c4d06db57f5344e8baa6f14e24ef5f15.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 10]: /images/20221123/81b872e2a77044a09b3bd29ab8d33280.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 11]: /images/20221123/5c8a7b69e52e48a3bf76126b91ea3c71.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 12]: /images/20221123/b86b15de2ce740c3834145d926aa91bd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 13]: /images/20221123/b3df04941678426795ef7b1da3ab04e4.png
[20200827094701589.png]: https://img-blog.csdnimg.cn/20200827094701589.png
[20200827094819250.png]: https://img-blog.csdnimg.cn/20200827094819250.png
[20200827094921955.png]: /images/20221123/e930e84b809f475181ad1e37ee852798.png
[20200827095139854.png]: https://img-blog.csdnimg.cn/20200827095139854.png
[20200827095218787.png]: https://img-blog.csdnimg.cn/20200827095218787.png
[20200827095329467.png]: /images/20221123/a898a205e8b9476989cbeefc97d41c82.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 14]: /images/20221123/1bfc2a00465947369a269da36cdc1fbe.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 15]: /images/20221123/44210cd55194427280607118aac857ba.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 16]: /images/20221123/daf76133ef6d47ab86e87f1b8c7fc56c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 17]: /images/20221123/49e97a2e73ef4cc09491a9d7384a38c6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RhdG91bmlhbzE_size_16_color_FFFFFF_t_70 18]: /images/20221123/137dd357b0c648959fabb3dcb568234d.png