Opencv ----Mat 类 cv::Mat depth/dims/channels/step/data/elemSize Mat 矩阵中数据元素的地址计算公式： addr(Mi0,i1,…im-1) = M.data + M.step[0] * i0 + M.step[1] * i1 + … + M.step[m-1] * im-1 。 其中 m = M.dims 是指 M 的维度 i. data：Mat 对象中的一个指针，指向内存中存放矩阵数据的一块内存 (uchar* data). ii. row: 行；col：列；rows：行数；cols：列数。 iii. dims :Mat 所代表的矩阵的维度，如 3 * 4 的矩阵为 2 维，3 * 4 * 5 的为3维. iv. channels：通道，矩阵中的每一个矩阵元素拥有的值的个数，比如说 3 * 4 矩阵中一共 12 个元素，如果每个元素有三个值，那么就说这个矩阵是 3 通道的，即 channels = 3。常见的是一张彩色图片有红、绿、蓝三个通道。但是opencv 用 imread（opencv 读图的函数）读进来的图像，三通道存放顺序为 B、G、R。 v. depth：深度，即每一个像素的位数(bits)，在 opencv 的 Mat.depth()中得到的是一个 0 – 6 的数字，分别代表不同的位数：enum { CV_8U=0, CV_8S=1, CV_16U=2, CV_16S=3, CV_32S=4, CV_32F=5, CV_64F=6 }; 可见 0和1都代表8位， 2和3都代表16位，4和5代表32位，6代表64位； vi. step：是一个数组，定义了矩阵的布局，具体见下面图片分析，另外注意 step1 (step / elemSize1)，M.step[m-1] 总是等于 elemSize，M.step1(i)返回的是第 i维的步长，因此 M.step1(m-1)总是等于 channels，m 是 M 的维度；这里是解释步长 step[k]的，步长也可以看作是与第 k 维的存储单位，在2维的矩阵中，因为存储是按照行的顺序存储的，整个矩阵存储为一个平面，所以第 k=0维的步长也就是单位肯定就是一行所占的字节数；如果是3维的话，第0维是按照面为单位来存储的，第1维是按照行为单位来存储的，第2维是按照元素类型为单位存储的，每个元素类型是基本类型(即 uchar,float,short 等等)与通道数的乘积...；也就是基本数据类型与通道数组成元素，多个元素组成了行，多行组成了面，多个面组成了3维体，多个3维体 组成4维超体。。。以此类推，如此看来某一维的步长应该等于高一维的步长step*低一维的大小 size 。 vii. elemSize : 矩阵中每一个元素的数据大小，如果是 n 通道，就是（n*数据类型）。如果 Mat 中的数据的数据类型是 CV_8U 那么 elemSize = 1，C...
