C/C++中OpenCV 矩阵运算的实现

2025-06-01 14:50
文章标签 c++ 实现 opencv 运算 矩阵

本文主要是介绍C/C++中OpenCV 矩阵运算的实现，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

《C/C++中OpenCV矩阵运算的实现》本文主要介绍了C/C++中OpenCV矩阵运算的实现,包括基本算术运算（标量与矩阵）、矩阵乘法、转置、逆矩阵、行列式、迹、范数等操作,感兴趣的可以了解一下...

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 0
    cv::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 1
    cv::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::cjsout << "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_&ljst;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*src3
    cv::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 * matrixB
    std::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 = I
        std::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Scalar

    return 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>
#includejavascript <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::ephpndl;   // |3| + |-4| + |0| = 7
    std::cout << "L2 Norm: " << normL2 << std::endl;   // sqrt(3^2 + (-4)^2 + 0^2) = 5
    std::cout << "Infinity Norm: " << normInf << std::endl; // max(|3|, |-4|, |0|) = 4

    cv::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2
    cv::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
                                                            js                                  // arange 默认是 CV_32S
    cv::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。

到此这篇关于C/C++中OpenCV 矩阵运算的实现的文章就介绍到这了,更多相关OpenCV 矩阵运算内容请搜索China编程(www.chinasem.cn)以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程China编程(www.chinasem.cn)！

这篇关于C/C++中OpenCV 矩阵运算的实现的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1154879。

相关文章

C++中unordered_set哈希集合的实现

C++中unordered_set哈希集合的实现

《C++中unordered_set哈希集合的实现》std::unordered_set是C++标准库中的无序关联容器,基于哈希表实现,具有元素唯一性和无序性特点,本文就来详细的介绍一下unorder... 目录一、概述二、头文件与命名空间三、常用方法与示例1. 构造与析构2. 迭代器与遍历3. 容量相关4
阅读更多...
C++中悬垂引用(Dangling Reference) 的实现

C++中悬垂引用(Dangling Reference) 的实现

《C++中悬垂引用(DanglingReference)的实现》C++中的悬垂引用指引用绑定的对象被销毁后引用仍存在的情况,会导致访问无效内存,下面就来详细的介绍一下产生的原因以及如何避免,感兴趣... 目录悬垂引用的产生原因1. 引用绑定到局部变量，变量超出作用域后销毁2. 引用绑定到动态分配的对象，对象
阅读更多...
SpringBoot基于注解实现数据库字段回填的完整方案

SpringBoot基于注解实现数据库字段回填的完整方案

《SpringBoot基于注解实现数据库字段回填的完整方案》这篇文章主要为大家详细介绍了SpringBoot如何基于注解实现数据库字段回填的相关方法,文中的示例代码讲解详细,感兴趣的小伙伴可以了解... 目录数据库表pom.XMLRelationFieldRelationFieldMapping基础的一些代
阅读更多...
Java HashMap的底层实现原理深度解析

Java HashMap的底层实现原理深度解析

《JavaHashMap的底层实现原理深度解析》HashMap基于数组+链表+红黑树结构,通过哈希算法和扩容机制优化性能,负载因子与树化阈值平衡效率,是Java开发必备的高效数据结构,本文给大家介绍... 目录一、概述：HashMap的宏观结构二、核心数据结构解析1. 数组（桶数组）2. 链表节点（Node
阅读更多...
Java AOP面向切面编程的概念和实现方式

Java AOP面向切面编程的概念和实现方式

《JavaAOP面向切面编程的概念和实现方式》AOP是面向切面编程,通过动态代理将横切关注点（如日志、事务）与核心业务逻辑分离,提升代码复用性和可维护性,本文给大家介绍JavaAOP面向切面编程的概... 目录一、AOP 是什么？二、AOP 的核心概念与实现方式核心概念实现方式三、Spring AOP 的关
阅读更多...
Python实现字典转字符串的五种方法

Python实现字典转字符串的五种方法

《Python实现字典转字符串的五种方法》本文介绍了在Python中如何将字典数据结构转换为字符串格式的多种方法,首先可以通过内置的str()函数进行简单转换;其次利用ison.dumps()函数能够... 目录1、使用json模块的dumps方法：2、使用str方法：3、使用循环和字符串拼接：4、使用字符
阅读更多...
Linux下利用select实现串口数据读取过程

Linux下利用select实现串口数据读取过程

《Linux下利用select实现串口数据读取过程》文章介绍Linux中使用select、poll或epoll实现串口数据读取,通过I/O多路复用机制在数据到达时触发读取,避免持续轮询,示例代码展示设... 目录示例代码（使用select实现）代码解释总结在 linux 系统里，我们可以借助 select、
阅读更多...
Linux挂载linux/Windows共享目录实现方式

Linux挂载linux/Windows共享目录实现方式

《Linux挂载linux/Windows共享目录实现方式》：本文主要介绍Linux挂载linux/Windows共享目录实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地... 目录文件共享协议linux环境作为服务端（NFS）在服务器端安装 NFS创建要共享的目录修改 NFS 配
阅读更多...
通过React实现页面的无限滚动效果

通过React实现页面的无限滚动效果

《通过React实现页面的无限滚动效果》今天我们来聊聊无限滚动这个现代Web开发中不可或缺的技术,无论你是刷微博、逛知乎还是看脚本,无限滚动都已经渗透到我们日常的浏览体验中,那么,如何优雅地实现它呢？... 目录1. 早期的解决方案2. 交叉观察者：IntersectionObserver2.1 Inter
阅读更多...
Spring Gateway动态路由实现方案

Spring Gateway动态路由实现方案

《SpringGateway动态路由实现方案》本文主要介绍了SpringGateway动态路由实现方案,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随... 目录前沿何为路由RouteDefinitionRouteLocator工作流程动态路由实现尾巴前沿S
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2