0.图像在opencv中的存储方式——矩阵型（Mat）的理解

李商隐2

图像在opencv中的存储方式——矩阵型（Mat）的理解

  

窗口程序集名	保 留	保 留	备 注
窗口程序集_启动窗口
变量名	类 型	数组	备 注
图像1	矩阵型
字节集数据	字节集
解码图	矩阵型
颜色1	颜色型

子程序名	返回值类型	公开	备 注
__启动窗口_创建完毕

' 入门OpenCV图像处理
' ============================================================
' 一、从字节集解码为矩阵型（Mat）
' ============================================================
' 【为什么要解码?】
' 图片在硬盘上是压缩格式(JPG/PNG/BMP等)，不是原始像素数据
' JPG: 有损压缩，文件小但画质有损
' PNG: 无损压缩，文件较大但画质完整
' BMP: 无压缩，文件最大，存储的就是原始像素
' 这些压缩格式无法直接用于图像处理(滤波、边缘检测等)
' 必须"解码"还原为原始像素，才能逐像素操作
' “cv_图像解码（）” 命令就是完成这个还原过程
' 参数: 字节集数据, 读取标志(-1=原样/0=灰度/1=彩色)，-1是带透明通道的彩色图像，0是灰度，1是只有RGB三通道的彩色图像
图像1 ＝ cv_图像解码 ( #测试图像, #图像_彩色 )
' ============================================================
' 二、将Mat编码为字节集（cv_图像编码）
' ============================================================
' 【为什么要编码?】
' Mat矩阵是原始像素数据，体积很大
' 例: 1920x1080彩色图 = 1920×1080×3 = 约6MB原始数据
' 但编码为JPG后可能只有几百KB
' 编码=压缩，用于存储到硬盘、网络传输、数据库
' 参数: 扩展名(.jpg/.png/.bmp/.webp), 图像
字节集数据 ＝ cv_图像编码 (“.png”, 图像1)
调试输出 (“PNG字节集大小:”, 取字节集长度 (字节集数据))
' ============================================================
' 三、在易语言窗口显示图像（重新编码得到的字节集可以直接赋值给易语言窗口背景、图片框、画板）
' ============================================================
_启动窗口.底图 ＝ 字节集数据
' ============================================================
' 四、为什么用矩阵存储图像?
' ============================================================
' 【为什么是矩阵?】
' 图像本质上就是二维数组:
' - 灰度图: 宽高（x，y）方向上每个位置一个数值(0-255)，就是二维的数组，称为矩阵，也可以理解为多行多列的表格，每个表格储存这像素值。
' - 彩色图: 每个表格位置三个数值，R,G,B颜色，就是三通道矩阵。
' 用矩阵表示的好处:
' 1. 每个像素有确定的行列坐标，可精确访问
' 2. 矩阵运算(加减乘除)直接对应图像运算
' 3. 数学算法(卷积、傅里叶变换)，等线性代数方法可直接应用于图像
' 4. 内存连续存储，CPU/GPU可高效并行处理
' Mat在内存中的存储: 行优先，通道交错，OpenCV按照B、G、R存储图像，不是常规的R、G、B，只是交换了R和B的位置，事实上windows也是这么储存的。
' BGR彩色图(CV_8UC3)一个3x2图像的内存布局:
' [B00 G00 R00] [B01 G01 R01] [B02 G02 R02]   ← 第0行
' [B10 G10 R10] [B11 G11 R11] [B12 G12 R12]   ← 第1行
' 即每个像素的B,G,R三个字节紧挨着，整行连续，行与行也可能连续
' 总字节数 = 宽 × 高 × 通道数 × 每通道字节数
调试输出 (“========== Mat内存结构 ==========”)
调试输出 (“宽 × 高 × 通道:”, 图像1.取宽度 (), “x”, 图像1.取高度 (), “x”, 图像1.取通道数 ())
调试输出 (“深度:”, 图像1.取深度 (), “(0=8U,即每通道1字节)”)  ' 一个字节存储0-255，刚好用来表示RGB颜色的一个通道，R、G、B范围刚好是0-255
调试输出 (“数据首地址:”, 图像1.取数据地址 ())  ' 像素数据在内存中的指针
' 取像素验证: 取像素值(行号, 列号) 返回颜色型
' BGR图中 分量1=B, 分量2=G, 分量3=R
颜色1 ＝ 图像1.取像素值 (0, 0)
调试输出 (“像素(0,0)的B,G,R:”, 颜色1.分量1, 颜色1.分量2, 颜色1.分量3)
' 直接操作内存也可以取得像素值
调试输出 (“第一个像素BGR值：”, 指针到字节集 (图像1.取数据地址 (), 3))

i支持库列表	支持库注释
OpenCV500	(未知支持库)
spec	特殊功能支持库

.版本 2<br /> .支持库 OpenCV500<br /> .支持库 spec<br /> <br /> .程序集 窗口程序集_启动窗口<br /> .程序集变量 图像1, 矩阵型<br /> .程序集变量 字节集数据, 字节集<br /> .程序集变量 解码图, 矩阵型<br /> .程序集变量 颜色1, 颜色型<br /> <br /> .子程序 __启动窗口_创建完毕<br /> <br /> ' 入门OpenCV图像处理<br /> ' ============================================================<br /> ' 一、从字节集解码为矩阵型（Mat）<br /> ' ============================================================<br /> ' 【为什么要解码?】<br /> ' 图片在硬盘上是压缩格式(JPG/PNG/BMP等)，不是原始像素数据<br /> ' JPG: 有损压缩，文件小但画质有损<br /> ' PNG: 无损压缩，文件较大但画质完整<br /> ' BMP: 无压缩，文件最大，存储的就是原始像素<br /> <br /> ' 这些压缩格式无法直接用于图像处理(滤波、边缘检测等)<br /> ' 必须"解码"还原为原始像素，才能逐像素操作<br /> ' “cv_图像解码（）” 命令就是完成这个还原过程<br /> ' 参数: 字节集数据, 读取标志(-1=原样/0=灰度/1=彩色)，-1是带透明通道的彩色图像，0是灰度，1是只有RGB三通道的彩色图像<br /> 图像1 ＝ cv_图像解码 (#测试图像, #图像_彩色)<br /> <br /> ' ============================================================<br /> ' 二、将Mat编码为字节集（cv_图像编码）<br /> ' ============================================================<br /> ' 【为什么要编码?】<br /> ' Mat矩阵是原始像素数据，体积很大<br /> ' 例: 1920x1080彩色图 = 1920×1080×3 = 约6MB原始数据<br /> ' 但编码为JPG后可能只有几百KB<br /> ' 编码=压缩，用于存储到硬盘、网络传输、数据库<br /> <br /> ' 参数: 扩展名(.jpg/.png/.bmp/.webp), 图像<br /> 字节集数据 ＝ cv_图像编码 (“.png”, 图像1)<br /> <br /> 调试输出 (“PNG字节集大小:”, 取字节集长度 (字节集数据))<br /> <br /> ' ============================================================<br /> ' 三、在易语言窗口显示图像（重新编码得到的字节集可以直接赋值给易语言窗口背景、图片框、画板）<br /> ' ============================================================<br /> _启动窗口.底图 ＝ 字节集数据<br /> ' ============================================================<br /> ' 四、为什么用矩阵存储图像?<br /> ' ============================================================<br /> ' 【为什么是矩阵?】<br /> ' 图像本质上就是二维数组:<br /> ' - 灰度图: 宽高（x，y）方向上每个位置一个数值(0-255)，就是二维的数组，称为矩阵，也可以理解为多行多列的表格，每个表格储存这像素值。<br /> ' - 彩色图: 每个表格位置三个数值，R,G,B颜色，就是三通道矩阵。<br /> <br /> ' 用矩阵表示的好处:<br /> ' 1. 每个像素有确定的行列坐标，可精确访问<br /> ' 2. 矩阵运算(加减乘除)直接对应图像运算<br /> ' 3. 数学算法(卷积、傅里叶变换)，等线性代数方法可直接应用于图像<br /> ' 4. 内存连续存储，CPU/GPU可高效并行处理<br /> <br /> ' Mat在内存中的存储: 行优先，通道交错，OpenCV按照B、G、R存储图像，不是常规的R、G、B，只是交换了R和B的位置，事实上windows也是这么储存的。<br /> <br /> ' BGR彩色图(CV_8UC3)一个3x2图像的内存布局:<br /> ' [B00 G00 R00] [B01 G01 R01] [B02 G02 R02]   ← 第0行<br /> ' [B10 G10 R10] [B11 G11 R11] [B12 G12 R12]   ← 第1行<br /> <br /> ' 即每个像素的B,G,R三个字节紧挨着，整行连续，行与行也可能连续<br /> ' 总字节数 = 宽 × 高 × 通道数 × 每通道字节数<br /> <br /> 调试输出 (“========== Mat内存结构 ==========”)<br /> 调试输出 (“宽 × 高 × 通道:”, 图像1.取宽度 (), “x”, 图像1.取高度 (), “x”, 图像1.取通道数 ())<br /> 调试输出 (“深度:”, 图像1.取深度 (), “(0=8U,即每通道1字节)”)  ' 一个字节存储0-255，刚好用来表示RGB颜色的一个通道，R、G、B范围刚好是0-255<br /> 调试输出 (“数据首地址:”, 图像1.取数据地址 ())  ' 像素数据在内存中的指针<br /> <br /> ' 取像素验证: 取像素值(行号, 列号) 返回颜色型<br /> ' BGR图中 分量1=B, 分量2=G, 分量3=R<br /> 颜色1 ＝ 图像1.取像素值 (0, 0)<br /> 调试输出 (“像素(0,0)的B,G,R:”, 颜色1.分量1, 颜色1.分量2, 颜色1.分量3)<br /> <br /> ' 直接操作内存也可以取得像素值<br /> 调试输出 (“第一个像素BGR值：”, 指针到字节集 (图像1.取数据地址 (), 3))

0.1.图像在opencv中的存储方式——矩阵型（Mat）的理解.e (121.9 KB, 下载次数: 0)

2026-6-29 23:15 上传

点击文件名下载附件

所使用的支持库在Q群959852095，免费下载和使用，封装了当前最新的Opencv5.0.0，几乎封装了原版全部命令。

1184798949

感谢分享