C/C++ OpenCV 矩阵运算

C/C++ OpenCV 矩阵运算详解 💡

OpenCV 是一个强大的开源计算机视觉和机器学习库，它提供了丰富的矩阵运算功能，这对于图像处理和计算机视觉算法至关重要。本文将详细介绍如何使用 C/C++ 和 OpenCV 进行常见的矩阵运算。

矩阵的创建与初始化

在进行矩阵运算之前，我们首先需要知道如何创建和初始化矩阵。OpenCV 提供了 cv::Mat 类来处理矩阵。

创建矩阵

有多种方法可以创建 cv::Mat 对象：

  • 使用构造函数：可以指定行数、列数、数据类型以及可选的初始值。

    #include <opencv2/opencv.hpp>
#include <iostream>int main() {// 创建一个 3x3 的浮点型矩阵，所有元素初始化为 0cv::Mat matrix1 = cv::Mat::zeros(3, 3, CV_32F);std::cout << "Matrix1:\n" << matrix1 << std::endl;// 创建一个 2x4 的整型矩阵，所有元素初始化为 1cv::Mat matrix2 = cv::Mat::ones(2, 4, CV_8UC1); // 8位无符号单通道std::cout << "Matrix2:\n" << matrix2 << std::endl;// 创建一个具有特定尺寸和类型的矩阵，不初始化cv::Mat matrix3(4, 2, CV_64FC3); // 64位浮点型三通道// 使用 Scalar 初始化cv::Mat matrix4 = cv::Mat(3, 3, CV_32F, cv::Scalar(5.0));std::cout << "Matrix4:\n" << matrix4 << std::endl;// 通过 C/C++ 数组创建double data[] = {1, 2, 3, 4, 5, 6};cv::Mat matrix5 = cv::Mat(2, 3, CV_64F, data);std::cout << "Matrix5:\n" << matrix5 << std::endl;return 0;
}

  • cv::Mat::create() 方法：如果矩阵已经存在，此方法会重新分配内存（如果需要）。

    cv::Mat matrix;
matrix.create(4, 4, CV_32F);

  • cv::Mat::eye() 方法：创建单位矩阵。

    cv::Mat identityMatrix = cv::Mat::eye(3, 3, CV_64F);
std::cout << "Identity Matrix:\n" << identityMatrix << std::endl;

访问矩阵元素

可以使用 at() 方法或者直接通过指针访问矩阵元素。at() 方法更安全，因为它会进行边界检查。

#include <opencv2/opencv.hpp>
#include <iostream>int main() {cv::Mat matrix = (cv::Mat_<double>(3,3) << 1, 2, 3, 4, 5, 6, 7, 8, 9);std::cout << "Original Matrix:\n" << matrix << std::endl;// 使用 at() 方法访问和修改元素double& elem = matrix.at<double>(0, 0); // 获取 (0,0) 处的元素引用elem = 100.0;std::cout << "Modified Matrix (at()):\n" << matrix << std::endl;// 直接通过指针访问 (效率更高，但不安全)// 注意：需要确保数据类型匹配double* p = matrix.ptr<double>(1); // 获取第二行的指针p[1] = 200.0; // 修改第二行第二列的元素 (1,1)std::cout << "Modified Matrix (ptr):\n" << matrix << std::endl;return 0;
}

基本的算术运算 ➕➖✖️➗

OpenCV 支持对矩阵进行各种基本的算术运算。这些运算可以是矩阵与标量之间的运算，也可以是矩阵与矩阵之间的运算。

矩阵与标量运算

可以直接使用标准的算术运算符：

#include <opencv2/opencv.hpp>
#include <iostream>int main() {cv::Mat matrixA = (cv::Mat_<double>(2,2) << 1, 2, 3, 4);double scalar = 5.0;cv::Mat result;// 加法result = matrixA + scalar;std::cout << "MatrixA + Scalar:\n" << result << std::endl;// 减法result = matrixA - scalar;std::cout << "MatrixA - Scalar:\n" << result << std::endl;result = scalar - matrixA;std::cout << "Scalar - MatrixA:\n" << result << std::endl;// 乘法result = matrixA * scalar;std::cout << "MatrixA * Scalar:\n" << result << std::endl;// 除法result = matrixA / scalar;std::cout << "MatrixA / Scalar:\n" << result << std::endl;return 0;
}

矩阵与矩阵运算 (逐元素)

对于加法、减法和逐元素的乘法、除法，可以使用重载的运算符或 OpenCV 提供的函数。

  • 加法 (+ 或 cv::add())
  • 减法 (- 或 cv::subtract())
  • 逐元素乘法 (cv::multiply())
  • 逐元素除法 (cv::divide())
#include <opencv2/opencv.hpp>
#include <iostream>int main() {cv::Mat matrixA = (cv::Mat_<double>(2,2) << 1, 2, 3, 4);cv::Mat matrixB = (cv::Mat_<double>(2,2) << 5, 6, 7, 8);cv::Mat result;// 加法result = matrixA + matrixB;// 或者 cv::add(matrixA, matrixB, result);std::cout << "MatrixA + MatrixB:\n" << result << std::endl;// 减法result = matrixA - matrixB;// 或者 cv::subtract(matrixA, matrixB, result);std::cout << "MatrixA - MatrixB:\n" << result << std::endl;// 逐元素乘法cv::multiply(matrixA, matrixB, result);// 注意： matrixA * matrixB 是矩阵乘法，而不是逐元素乘法std::cout << "Element-wise multiplication (A .* B):\n" << result << std::endl;// 逐元素除法cv::divide(matrixA, matrixB, result);std::cout << "Element-wise division (A ./ B):\n" << result << std::endl;return 0;
}

矩阵乘法 (标准线性代数乘法)

使用 * 运算符可以执行标准的矩阵乘法 (m x n 矩阵乘以 n x p 矩阵得到 m x p 矩阵)。或者使用 cv::gemm() 函数 (通用矩阵乘法)。

#include <opencv2/opencv.hpp>
#include <iostream>int main() {cv::Mat matrixA = (cv::Mat_<double>(2,3) << 1, 2, 3, 4, 5, 6);cv::Mat matrixB = (cv::Mat_<double>(3,2) << 7, 8, 9, 10, 11, 12);cv::Mat result;// 矩阵乘法result = matrixA * matrixB;std::cout << "MatrixA * MatrixB (Matrix Multiplication):\n" << result << std::endl;// 使用 cv::gemm()// gemm(src1, src2, alpha, src3, beta, dst, flags)// dst = alpha*src1*src2 + beta*src3cv::Mat matrixC = cv::Mat::zeros(2, 2, CV_64F);cv::gemm(matrixA, matrixB, 1.0, cv::Mat(), 0.0, result, 0); // result = 1.0 * matrixA * matrixBstd::cout << "MatrixA * MatrixB (using gemm):\n" << result << std::endl;return 0;
}

注意: 参与矩阵乘法的两个矩阵的维度必须兼容 (第一个矩阵的列数等于第二个矩阵的行数)。

其他重要的矩阵运算 ⚙️

OpenCV 还提供了许多其他有用的矩阵运算函数。

转置 (cv::transpose() 或 Mat::t())

#include <opencv2/opencv.hpp>
#include <iostream>int main() {cv::Mat matrixA = (cv::Mat_<double>(2,3) << 1, 2, 3, 4, 5, 6);cv::Mat transposedMatrix;cv::transpose(matrixA, transposedMatrix);// 或者 transposedMatrix = matrixA.t();std::cout << "Original MatrixA:\n" << matrixA << std::endl;std::cout << "Transposed MatrixA:\n" << transposedMatrix << std::endl;return 0;
}

逆矩阵 (cv::invert() 或 Mat::inv())

只有方阵且非奇异矩阵（行列式不为零）才有逆矩阵。

#include <opencv2/opencv.hpp>
#include <iostream>int main() {cv::Mat matrixA = (cv::Mat_<double>(2,2) << 4, 7, 2, 6);cv::Mat inverseMatrix;// method 可以是 DECOMP_LU, DECOMP_SVD, DECOMP_CHOLESKY (对于对称正定矩阵)double det = cv::determinant(matrixA);if (det != 0) {cv::invert(matrixA, inverseMatrix, cv::DECOMP_LU);// 或者 inverseMatrix = matrixA.inv(cv::DECOMP_LU);std::cout << "Original MatrixA:\n" << matrixA << std::endl;std::cout << "Inverse MatrixA:\n" << inverseMatrix << std::endl;// 验证 A * A_inv = Istd::cout << "A * A_inv:\n" << matrixA * inverseMatrix << std::endl;} else {std::cout << "MatrixA is singular, cannot compute inverse." << std::endl;}return 0;
}

行列式 (cv::determinant())

计算方阵的行列式。

#include <opencv2/opencv.hpp>
#include <iostream>int main() {cv::Mat matrixA = (cv::Mat_<double>(3,3) << 1, 2, 3, 0, 1, 4, 5, 6, 0);double det = cv::determinant(matrixA);std::cout << "MatrixA:\n" << matrixA << std::endl;std::cout << "Determinant of MatrixA: " << det << std::endl;return 0;
}

迹 (cv::trace())

计算方阵的迹（主对角线元素之和）。

#include <opencv2/opencv.hpp>
#include <iostream>int main() {cv::Mat matrixA = (cv::Mat_<double>(3,3) << 1, 2, 3, 4, 5, 6, 7, 8, 9);cv::Scalar traceValue = cv::trace(matrixA);std::cout << "MatrixA:\n" << matrixA << std::endl;std::cout << "Trace of MatrixA: " << traceValue[0] << std::endl; // trace返回一个Scalarreturn 0;
}

范数 (cv::norm())

计算矩阵的范数（例如 L1 范数、L2 范数、无穷范数）。

#include <opencv2/opencv.hpp>
#include <iostream>int main() {cv::Mat matrixA = (cv::Mat_<double>(1,3) << 3, -4, 0); // 也可以是多维矩阵double normL1 = cv::norm(matrixA, cv::NORM_L1);double normL2 = cv::norm(matrixA, cv::NORM_L2);double normInf = cv::norm(matrixA, cv::NORM_INF);std::cout << "MatrixA: " << matrixA << std::endl;std::cout << "L1 Norm: " << normL1 << std::endl;   // |3| + |-4| + |0| = 7std::cout << "L2 Norm: " << normL2 << std::endl;   // sqrt(3^2 + (-4)^2 + 0^2) = 5std::cout << "Infinity Norm: " << normInf << std::endl; // max(|3|, |-4|, |0|) = 4cv::Mat matrixB = (cv::Mat_<double>(2,2) << 1, 2, 3, 4);double frobeniusNorm = cv::norm(matrixB, cv::NORM_L2); // 对于矩阵，NORM_L2 是 Frobenius 范数std::cout << "MatrixB:\n" << matrixB << std::endl;std::cout << "Frobenius Norm of MatrixB: " << frobeniusNorm << std::endl;return 0;
}

矩阵操作 🛠️

改变形状 (Mat::reshape())

在不改变数据的情况下改变矩阵的维度。

#include <opencv2/opencv.hpp>
#include <iostream>int main() {cv::Mat matrixA = (cv::Mat_<double>(2,3) << 1, 2, 3, 4, 5, 6);std::cout << "Original MatrixA (2x3):\n" << matrixA << std::endl;// 改变为一个通道，3行 (列数自动计算)cv::Mat reshaped1 = matrixA.reshape(1, 3);std::cout << "Reshaped to 3 rows (1 channel):\n" << reshaped1 << std::endl;std::cout << "Reshaped1 channels: " << reshaped1.channels() << ", rows: " << reshaped1.rows << ", cols: " << reshaped1.cols << std::endl;// 改变为 3 通道，2 行 (假设原始数据可以这样组织)// 注意：reshape(cn, rows) cn是新的通道数// 原始矩阵是单通道，6个元素。如果reshape(3, 2)，则变成2行1列，3通道。// (1,2,3) 像素1// (4,5,6) 像素2cv::Mat matrixB = cv::Mat::arange(1, 7).reshape(1, 2); // 2行3列，单通道matrixB = matrixB.reshape(3, 2); // 2行1列，3通道std::cout << "Original MatrixB (2x3, 1 channel then reshaped to 2x1, 3 channels):\n" << matrixB << std::endl;std::cout << "MatrixB value at (0,0) Ch0: " << matrixB.at<cv::Vec3b>(0,0)[0] << std::endl; // 假设是 CV_8UC3// arange 默认是 CV_32Scv::Mat matrixC = (cv::Mat_<int>(1,6) << 1,2,3,4,5,6);std::cout << "Original MatrixC (1x6, 1 channel):\n" << matrixC << std::endl;cv::Mat reshapedC = matrixC.reshape(3, 2); // 2行1列，3通道std::cout << "ReshapedC (2x1, 3 channels):\n" << reshapedC << std::endl;// 访问 reshapedC.at<cv::Vec3i>(0,0)[0] 等return 0;
}

注意: reshape() 不会复制数据。新的矩阵头指向原始数据。

合并与拼接 (cv::hconcat(), cv::vconcat())

  • cv::hconcat(): 水平拼接矩阵 (列数增加)
  • cv::vconcat(): 垂直拼接矩阵 (行数增加)
#include <opencv2/opencv.hpp>
#include <iostream>int main() {cv::Mat matrixA = cv::Mat::ones(2, 2, CV_64F);cv::Mat matrixB = cv::Mat::zeros(2, 2, CV_64F);cv::Mat matrixC = cv::Mat::eye(2, 2, CV_64F) * 2;cv::Mat horizontalConcat;cv::hconcat(matrixA, matrixB, horizontalConcat); // 可以传递多个矩阵cv::hconcat(horizontalConcat, matrixC, horizontalConcat);std::cout << "Horizontal Concatenation:\n" << horizontalConcat << std::endl;cv::Mat matrixD = cv::Mat::ones(2, 2, CV_64F) * 3;cv::Mat matrixE = cv::Mat::ones(2, 2, CV_64F) * 4;cv::Mat verticalConcat;std::vector<cv::Mat> matrices_to_stack = {matrixD, matrixE};cv::vconcat(matrices_to_stack, verticalConcat); // 可以传递一个Mat的vector// 或者 cv::vconcat(matrixD, matrixE, verticalConcat);std::cout << "Vertical Concatenation:\n" << verticalConcat << std::endl;return 0;
}

总结 🎉

OpenCV 提供了非常全面且易于使用的矩阵运算功能。通过 cv::Mat 类及其相关函数，可以高效地执行从基本算术运算到复杂线性代数运算的各种操作。熟练掌握这些运算是进行图像处理和计算机视觉算法开发的基础。记得查阅 OpenCV 官方文档以获取更详细的信息和更多高级功能。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.pswp.cn/web/82800.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

基于大模型的 UI 自动化系统

基于大模型的 UI 自动化系统

基于大模型的 UI 自动化系统 下面是一个完整的 Python 系统，利用大模型实现智能 UI 自动化，结合计算机视觉和自然语言处理技术，实现"看屏操作"的能力。 系统架构设计 #mermaid-svg-2gn2GRvh5WCP2ktF {font-family:"trebuchet ms",verdana,arial,sans-…
阅读更多...
USB扩展器与USB服务器的2个主要区别

USB扩展器与USB服务器的2个主要区别

在现代办公和IT环境中&#xff0c;连接和管理USB设备是常见需求。USB扩展器&#xff08;常称USB集线器&#xff09;与USB服务器&#xff08;如朝天椒USB服务器&#xff09;是两类功能定位截然不同的解决方案。前者主要解决物理接口数量不足的“近身”连接扩展问题&#xff0c;而…
阅读更多...
Nuxt.js 中的路由配置详解

Nuxt.js 中的路由配置详解

Nuxt.js 通过其内置的路由系统简化了应用的路由配置&#xff0c;使得开发者可以轻松地管理页面导航和 URL 结构。路由配置主要涉及页面组件的组织、动态路由的设置以及路由元信息的配置。 自动路由生成 Nuxt.js 会根据 pages 目录下的文件结构自动生成路由配置。每个文件都会对…
阅读更多...
验证负载均衡与弹性伸缩

验证负载均衡与弹性伸缩

什么是弹性伸缩&#xff08;Auto Scaling&#xff09;&#xff1f; 弹性伸缩是指 云计算平台根据实时负载自动调整计算资源&#xff08;如服务器实例、容器Pod&#xff09;数量&#xff0c;以确保系统在高峰时保持稳定&#xff0c;在低谷时节省成本。 什么时候会触发弹性伸缩&…
阅读更多...
区分viewmodel和model职责的方法

区分viewmodel和model职责的方法

gpt回答挺好的&#xff0c;我就分享一下。 1. 最经典的一句话区分 Model&#xff08;Repository/数据层&#xff09;&#xff1a;只负责**“数据获取/存储/持久化”和“核心业务算法”**&#xff0c;不依赖UI层和Android框架&#xff0c;可以脱离界面独立存在。 ViewModel&…
阅读更多...
C语言数据结构笔记3：Union联合体+结构体取8位Bool量

C语言数据结构笔记3：Union联合体+结构体取8位Bool量

本文衔接上文要求&#xff0c;新增8位bool量的获取方式。 目录 问题提出&#xff1a; Union联合体struct结构体(方式1)&#xff1a; Union联合体struct结构体(方式2)&#xff1a; BYTE方式读取&#xff1a; 问题提出&#xff1a; 在STM32单片机的编程中&#xff0c;无法定义Boo…
阅读更多...
三种读写传统xls格式文件开源库libxls、xlslib、BasicExcel的比较

三种读写传统xls格式文件开源库libxls、xlslib、BasicExcel的比较

最近准备读写传统xls格式文件&#xff0c;而不是较新的xlsx&#xff0c;询问DeepSeek有哪些开源库&#xff0c;他给出了如下的简介和建议&#xff0c;还给出了相应链接&#xff0c;不过有的链接已失效。最后还不忘提醒&#xff0c;现在该用xlsx格式了。 以下是几个可以处理传统…
阅读更多...
从测试角度看待CI/CD，敏捷开发

从测试角度看待CI/CD，敏捷开发

什么是敏捷开发&#xff1f; 是在高强度反馈的情况下&#xff0c;短周期&#xff0c;不断的迭代产品&#xff0c;满足用户需求&#xff0c;抢占更多的市场 敏捷开发是什么&#xff1f; 是一种产品快速迭代的情况下&#xff0c;降低出错的概率&#xff0c;具体会落实到公司的…
阅读更多...
figma MCP + cursor如何将设计稿生成前端页面

figma MCP + cursor如何将设计稿生成前端页面

一、准备工作 figma MCP需要通过figma key来获取设计稿权限&#xff0c;key的生成步骤如下 1. 打开figma网页版/APP&#xff0c;进入账户设定 2. 点击生成token 3. 填写内容生成token(一定要确认复制了&#xff0c;不然关闭弹窗后就不会显示了) 二、配置MCP 4. 进入到cursor…
阅读更多...
git互联GitHub 使用教程

git互联GitHub 使用教程

一、下载git Git 公司 右键 git config --global user.name "name" git config --global user.email "email" ssh-keygen -t rsa -C email &#xff1a;生成的ssh密钥需要到github 网站中保存ssh 二、GitHub新建repository 三、本地git互联GitHub 找…
阅读更多...
“轻量应用服务器” vs. “云服务器CVM”：小白入门腾讯云，哪款“云机”更适合你？(场景、配置、价格对比解析)

“轻量应用服务器” vs. “云服务器CVM”：小白入门腾讯云，哪款“云机”更适合你？(场景、配置、价格对比解析)

更多云服务器知识&#xff0c;尽在hostol.com 当你第一次踏入腾讯云这个“数字百货大楼”&#xff0c;面对琳琅满目的“云产品”&#xff0c;是不是有点眼花缭乱&#xff0c;特别是看到“轻量应用服务器”和“云服务器CVM”这两位都号称能帮你“安家落户”的“云主机”时&…
阅读更多...
MongoDB学习和应用(高效的非关系型数据库)

MongoDB学习和应用(高效的非关系型数据库)

一丶 MongoDB简介 对于社交类软件的功能&#xff0c;我们需要对它的功能特点进行分析&#xff1a; 数据量会随着用户数增大而增大读多写少价值较低非好友看不到其动态信息地理位置的查询… 针对以上特点进行分析各大存储工具&#xff1a; mysql&#xff1a;关系型数据库&am…
阅读更多...
Qt学习及使用_第1部分_认识Qt---Qt简介

Qt学习及使用_第1部分_认识Qt---Qt简介

前言 学以致用,通过QT框架的学习,一边实践,一边探索编程的方方面面. 参考书:<Qt 6 C开发指南>(以下称"本书") 标识说明:概念用粗体倾斜.重点内容用(加粗黑体)---重点内容(红字)---重点内容(加粗红字), 本书原话内容用深蓝色标识,比较重要的内容用加粗倾斜下划线…
阅读更多...
Python语法基础篇（包含类型转换、拷贝、可变对象/不可变对象，函数，拆包，异常，模块，闭包，装饰器）

Python语法基础篇（包含类型转换、拷贝、可变对象/不可变对象，函数，拆包，异常，模块，闭包，装饰器）

Python语法基础篇&#xff08;二&#xff09; 类型转换拷贝可变对象与不可变对象可变对象不可变对象 函数拆包异常模块闭包装饰器 &#x1f439;&#x1f439;&#x1f439;&#x1f439;&#x1f439;一只正在努力学习计算机技术的小仓鼠&#xff0c;尾部有课程链接哦~&#x…
阅读更多...
录制mp4

录制mp4

目录 单线程保存mp4 多线程保存mp4 rtsp ffmpeg录制mp4 单线程保存mp4 import cv2 import imageiocv2.namedWindow(photo, 0) # 0窗口大小可以任意拖动&#xff0c;1自适应 cv2.resizeWindow(photo, 1280, 720) url "rtsp://admin:aa123456192.168.1.64/h264/ch1/main…
阅读更多...
ISBN书号查询接口如何用PHP实现调用？

ISBN书号查询接口如何用PHP实现调用？

一、什么是ISBN书号查询接口 ISBN数据查询接口是一项图书信息查询服务。它基于全球通用的ISBN编码系统&#xff0c;帮助用户快速获取图书的详细信息&#xff0c;包括书名、作者、出版社、出版时间、价格、封面等关键字段。 该接口广泛应用于电商平台、图书馆管理系统、二手书…
阅读更多...
Redis底层数据结构之深入理解跳表（2）

Redis底层数据结构之深入理解跳表（2）

上一篇文章中我们详细讲述了跳表的增添、查找和修改的操作&#xff0c;这篇文章我们来讲解一下跳表在多线程并发时的安全问题。在Redis中&#xff0c;除了网络IO部分和大文件的后台复制涉及到多线程外&#xff0c;其余任务执行时全部都是单线程&#xff0c;这也就意味着在Redis…
阅读更多...
Go语言依赖管理与版本控制-《Go语言实战指南》

Go语言依赖管理与版本控制-《Go语言实战指南》

在现代软件开发中&#xff0c;项目的第三方依赖和版本控制扮演着至关重要的角色。Go 语言自 Go 1.11 引入 Modules&#xff08;模块化管理&#xff09;以来&#xff0c;已经实现了内建的依赖管理机制&#xff0c;彻底摆脱了传统 GOPATH 模式的限制。 本章将深入探讨如何使用 Go…
阅读更多...
Appium+python自动化（十一）- 元素定位- 下

Appium+python自动化（十一）- 元素定位- 下

1、 List定位 List顾名思义就是一个列表&#xff0c;在python里面也有list这一个说法&#xff0c;如果你不是很理解什么是list&#xff0c;这里暂且理解为一个数组或者说一个集合。首先一个list是一个集合&#xff0c;那么他的个数也就成了不确定性&#xff0c;所以这里需要用复…
阅读更多...
stress 服务器压力测试的工具学习

stress 服务器压力测试的工具学习

一、stress 工具介绍 tress 是一种工具&#xff0c;可以对符合 POSIX 标准的操作系统施加可配置数量的 CPU、内存、I/O 或磁盘压力&#xff0c;并报告其检测到的任何错误。 stress 不是一个基准测试。它是由系统管理员用来评估其系统扩展性的工具&#xff0c;由内核程序员用来…
阅读更多...
最新文章

Copyright @ 2022~2023