搬运自本人 CSDN 博客： 《Opencv中数据结构Mat的相关属性》
以上摘自OpenCV 2.4.9的官方文档opencv2refman.pdf。
以前虽然能够比较熟练的使用OpenCV，但是最近感觉其实笔者自己对OpenCV的最底层数据结构Mat与IplImage都不怎么熟悉…… 由于笔者比较反感总是需要管理内存的IplImage，所以对Mat数据结构做一下学习工作还是有必要的。
官方说明文档opencv2refman.pdf中，写出了Mat的定义如下：
下面笔者将从几个方面总结Mat数据结构的主要组成。
参考网址：
《OpenCV中对Mat里面depth,dims,channels,step,data,elemSize和数据地址计算的理解 》
《OpenCV Mat的常见属性》
《OpenCV学习笔记（四十）——再谈OpenCV数据结构Mat详解》
参考文档：
《opencv2refman.pdf》
如上面的Mat定义源码，Mat类中有很多重要的数据类型成员。
下面进行简单的列举。
把这四个数据成员放在一起，是因为这四个数据成员相互之间有关系。
数据的存储一直都是个值得关注的问题，所以数据元素存储的位数和范围就十分重要了。depth就体现了每一个像素的位数，即深度。
Mat中包含的图像深度如下所示：
另外还需要注意：大部分OpenCV的函数支持的数据深度只有8位和32位，所以尽量使用CV_64F。
channels表示了矩阵拥有的通道数量，这个比较容易理解：
type表示矩阵中元素的类型(depth)与矩阵的通道个数(channels)，可以理解成上面的depth与channels的综合说明。type是一系列预定义的常量，命名规则如下：
<code>CV_+位数+数据类型+通道数</code>
具体有如下值：
表格中，行代表了通道数量channels，列代表了图像深度depth。
例如CV_8UC3，可以拆分为：
注：type一般是在创建Mat对象时设定，若要去的Mat的元素类型，可以不使用type，使用depth。
elemSize表示了矩阵中每一个元素的数据大小，单位是字节。公式如下：
<code>elemSize = channels * depth / 8</code>
例如type == CV_16SC3，则elemSize = 3 * 16 / 8 = 6 Bytes。
elemSize1表示了矩阵元素的一个通道占用的数据大小，单位是字节。公式如下：
<code>elemSize = depth / 8</code>
例如type == CV_16SC3，则elemSize1 = 16 / 8 = 2 Bytes。
使用OpenCV处理图像时，最普遍的处理方式便是遍历图像，即访问所有的图像像素点。但有的算法还需要访问目标像素的邻域，所以这时候就需要了解访问Mat数据元素地址的方式。
假设有矩阵M，则数据元素的地址计算公式如下：
$$ addr(M_{i_{0}, i_{1}, ... i_{m-1}}) = M.data + M.step[0] * i_{0} + M.step[1] * i_{1} + ... + M.step[M.dims - 1] * i_{M_{dims-1}} $$
如果是二维数组，则上述公式就简化成：
$$ addr(M_{i,j}) = M.data + M.step[0] * i + M.step[1] * j $$
注：式中m = M.dims，即矩阵的维度。
假设存在一个二维矩阵如下图所示：
上面是一个3 × 4的矩阵。此时我们按照数据类型为CV_8U, CV_8UC3的情况，分别对其进行讨论。
首先假设其数据类型为CV_8U，也就是单通道的uchar类型，则可以得出上面的数据成员情况分别为：
若假设其数据类型为CV_8UC3，也就是三通道的uchar类型，则可以得出上面的数据成员情况分别为：
假设存在一个三维矩阵如下图所示：
上面是一个3 × 4 × 6的矩阵。假设其数据类型为CV_16SC4，此时对其进行讨论。
关于OpenCV地址访问方法及效率的部分，请见笔者的博文 《OpenCV像素点邻域遍历效率比较，以及访问像素点的几种方法 》 。