篇一：OpenCV矩阵运算总结

原文地址：

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。作者：cvvision链接：http://www.cvvision.cn/273.html来源：CV视觉网一、矩阵Mat I,img,I1,I2,dst,A,B;double k,alpha;Scalar s;1.加法I=I1+I2;//等同add(I1,I2,I);add(I1,I2,dst,mask,dtype);scaleAdd(I1,scale,I2,dst);//dst=scale*I1+I2;2.减法absdiff(I1,I2,I);//I=|I1-I2|;A-B;A-s;s-A;-A;subtract(I1,I2,dst);3.乘法I=I.mul(I);//点乘,I.mul(I,3);–>I=3*I.^2Mat C=A.mul(5/B);//==divide(A,B,C,5);A*B;矩阵相乘I=alpha*I;Mat::cross(Mat);//三维向量(或矩阵)的叉乘,A.cross(B)double Mat::dot(Mat);//2个向量(或矩阵)的点乘的结果,A.dot(B)mul——-multiplypow(src,double p,dst);//如果p是整数dst(I)=src(I)^p;其他|src(I)|^p4.除法divide(I1,I2,dst,scale,int dtype=-1);//dst=saturate_cast(I1*scale/I2);A/B;alpha/A;都是点除5.转换I.convertTo(I1,CV_32F);//类型转换A.t();//转置flip(I,dst,int flipCode);//flipCode=0是上下翻转，>0时左右翻转,<0时一起来sqrt(I,dst);cvtColor(I,dst,int code,int dstCn=0);resize:对图像进行形变————————————————————————–6.其他Scalar s=sum(I);各通道求和norm,countNonZero,trace,determinant,repeat都是返回Mat或者ScalarcountNonZero:用来统计非零的向量个数.(rows*cols个)Scalar m=mean(I);//各通道求平均Mat RowClone=C.row(1).clone();//复制第2行addWeight(I1,alpha,I2,beta,gamma,dst,int dtype=-1);//dst=saturate(alpha*I1+beta*I2+gamma);dtype是dst的深度—————————————————————————-7.运算符log10()exp(I,dst);//dst=exp(I);计算每个数组元素的指数log(I,dst);//如果Iij!=0;则dstij=log(|Iij|)randu(I,Scalar::all(0),Scalar::all(255));Mat::t()转置Mat::inv(int method=DECOMP_LU)求逆。method=DECOMP_CHOLESKY(专门用于对称，速度是LU的2倍),DECOMP_SVD//A.inv();A.inv()*B;invert(I1,dst,int method=DECOMP_LU);//用法同上MatExpr abs(Mat)//求绝对值A cmpop B;A compop alpha;alpha cmpop A;这里cmpop表示>,>=,==,!=,<=,
    <等，结果是cv_8uc1的mask的0或255按位运算：a logicop b;a s;s a;~a;这里logicop代表&,|,^bitwise_not(i,dst,mask); inverts所有的队列还有bitwise_and,bitwise_or,bitwise_xor,min(a,b);min(a,alpha);max(a,b);max(a,alpha);都返回matexpr,返回的dst和a的类型一样double determinant(mat); 行列式bool eigen(i1,dst,int lowindex="-1,int" highindex="-1);//bool" eigen(i1,dst,i,int…); 得到特征值向量dst和对应特征值的特征向量minmaxloc(i1,&minval,&maxval,point *minloc="0,Point*" maxloc="0,mask);//minLoc是2D时距原点最小的点(未考证)——————————————————————————8.初始化Mat" i(img,rect(10,10,100,100)); 用一块地方初始化。mat i="[0,0,255,0,0,255;0,0,255,0,0,255];Mat" i(2,2,cv_8uc3,scalar(0,0,255)); e="Mat::eye(4,4,CV_64F);//对角矩阵Mat" o="Mat::ones(2,2,CV_32F);//全一矩阵Mat" z="Mat::zeros(3,3,CV_8UC1);//全零矩阵Mat" c="(Mat_
     (2,2)<<0,-1,2,3);//如果是简单矩阵的初始化Mat::row(i);Mat::row(j);Mat::rowRange(start,end);Mat::colRange(start,end);都只是创建个头Mat::diag(int d);d=0是是主对角线，d=1是比主低的对角线,d=-1….static Mat Mat::diag(const Mat& matD)Mat::setTo(Scalar &s);以s初始化矩阵Mat::push_back(Mat);在原来的Mat的最后一行后再加几行Mat::pop_back(size_t nelems=1);//移出最下面几行——————————————————————————-9.矩阵读取和修改(1)1个通道：for(int i=0;i
     
      (i,j)=k;(2)3个通道：Mat_
      
        _I=I;//他没有4个通道寸，只有3个通道！for(int i=0;i
       
        (i,j)[0]….————————————————-float *s;for(i=0;i
        
         
          (i);for(j=0;j
          
           (…);//可以确保内容为0~255的整数Mat::total();返回一共的元素数量size_t Mat::elemSize();返回元素的大小:CV_16SC3–>3*sizeof(short)–>6size_t Mat::elemSize1();返回元素一个通道的大小CV_16SC3–>sizeof(short)–>2int Mat::type()返回他的类型CV_16SC3之类int Mat::depth()返回深度:CV_16SC3–>CV_16Sint Mat::channels()返回通道数size_t Mat:step1()返回一个被elemSize1()除以过的stepSize Mat::size()返回Size(cols,rows);如果大于2维，则返回(-1,-1)，都是先宽再高的bool Mat::empty()如果没有元素返回1,即Mat::total()==0或者Mat::data==NULLuchar *Mat::ptr(int i=0)指向第i行Mat::at(int i)(int i,int j)(Point pt)(int i,int j,int k)RNG随机类:next,float RNG::uniform(float a,float b);..double RNG::gaussian(double sigma);RNG::fill(I,int distType,Mat low,Mat up);//用随机数填充randu(I,low,high);randn(I,Mat mean,Mat stddev);reduce(I,dst,int dim,int reduceOp,int dtype=-1);//可以统计每行或每列的最大、最小、平均值、和setIdentity(dst,Scalar &value=Scalar(1));//把对角线替换为value//效果等同：Mat A=Mat::eye(4,3,CV_32F)*5;————————————————————–10.较复杂运算gemm(I1,I2,alpha,I3,beta,dst,int flags=0);//I1至少是浮点型,I2同I1,flags用来转置//gemm(I1,I2,alpha,I3,beta,dst,GEMM_1_T,GEMM_3_T);–>dst=alpha*I1.t()*I2+beta*I3.t();可用此完全代替此函数mulTransposed(I,dst,bool aTa,Mat delta=noArray(),double scale=1,int rtype=-1);//I是1通道的,和gemm不同,他可用于任何类型。//如果aTa=flase时,dst=scale*(I-delta).t()*(I-delta);//如果是true,dst=scale*(I-delta)(I-delta).t();calcCovarMatrix(Mat,int,Mat,Mat,int,int=);calcCovarMatrix(Mat I,Mat covar,Mat mean,int flags,int=);cartToPolar//转到极坐标compare(I1,I2,dst,cmpop);cmpop=CMP_EQ,CMP_GT,CMP_GE,CMP_LT,CMP_LE,COM_NEcompleteSymm(M,bool lowerToUpper=false);当lowerToUpper=true时Mij=Mji(i
           
            j)变成可显示图像:convertScaleAbs(I,dst,alpha,beta);dst=saturate_cast
            
             (|alpha*I+beta|);dct(I,dst,int flags=0);//DCT变换，1维、2维的矩阵;flags=DCT_INVERSE,DCT_ROWSidct,dft,idftinRange(I1,I_low,I_up,dst);//dst是CV_8UC1,在2者之间就是255Mahalanobis(vec1,vec2,covar);merge(vector
             
              ,Mat);//把多个Mat组合成一个和split相反double norm(…)：当src2木有时,norm可以计算出最长向量、向量距离和、向量距离和的算术平方根solveCubic解3次方程，solvePoly解n次方程排列：sort,sortIdxmixChannels();对某个通道进行各种传递—————————————————————–11.未懂的函数getConvertElem,extractImageCOI,LUTmagnitude(x,y,dst);//I1,I2都是1维向量,dst=sqrt(x(I)^2+y(I)^2);meanStdDev,MulSpectrums(I1,I2,dst,flags);傅里叶normalize(I,dst,alpha,beta,int normType=NORM_L2,int rtype=-1,mask);//归一化PCA,SVD,solve,transform,transpose二、其他数据结构Point2f P(5,1);Point3f P3f(2,6,7);vector
              
                v;v.push_back((float)CV_PI);v.push_back(2);v.push_back(3.01f);//不断入vector
               
                 vPoints(20);//一次定义20个三、常用方法Mat mask=src<0;这样很快建立一个mask了四、以后可能用到的函数randShuffle,repeat五、矩阵处理1、矩阵的内存分配与释放（1） 总体上:Opencv 使用C语言来进行矩阵操作。不过实际上有很多C++语言的替代方案可以更高效地完成。在OpenCV中向量被当做是有一个维数为1的N维矩阵.矩阵按行-行方式存储，每行以4字节（32位）对齐.（2） 为新矩阵分配内存:CvMat* cvCreateMat(int rows, int cols, int type);type: 矩阵元素类型.按CV_
                
                 (S|U|F)C
                 
                   方式指定. 例如: CV_8UC1 、CV_32SC2.示例:CvMat* M = cvCreateMat(4,4,CV_32FC1);（3） 释放矩阵内存:CvMat* M = cvCreateMat(4,4,CV_32FC1);cvReleaseMat(&M);（4） 复制矩阵:CvMat* M1 = cvCreateMat(4,4,CV_32FC1);CvMat* M2;M2=cvCloneMat(M1);（5） 初始化矩阵:double a[] = { 1, 2, 3, 4,5, 6, 7, 8,9, 10, 11, 12 };CvMat Ma=cvMat(3, 4, CV_64FC1, a);//等价于:CvMat Ma;cvInitMatHeader(&Ma, 3, 4, CV_64FC1, a);（6） 初始化矩阵为单位矩阵:CvMat* M = cvCreateMat(4,4,CV_32FC1);cvSetIdentity(M); // does not seem to be working properl2、访问矩阵元素（1） 假设需要访问一个2D浮点型矩阵的第（i, j）个单元.（2） 间接访问:cvmSet(M,i,j,2.0); // Set M(i,j)t = cvmGet(M,i,j); // Get M(i,j)（3） 直接访问（假设矩阵数据按4字节行对齐）:CvMat* M = cvCreateMat(4,4,CV_32FC1);int n = M->cols;float *data = M->data.fl;data[i*n+j] = 3.0;（4） 直接访问（当数据的行对齐可能存在间隙时 possible alignment gaps）:CvMat* M = cvCreateMat(4,4,CV_32FC1);int step = M->step/sizeof(float);float *data = M->data.fl;(data+i*step)[j] = 3.0;（5） 对于初始化后的矩阵进行直接访问:double a[16];CvMat Ma = cvMat(3, 4, CV_64FC1, a);a[i*4+j] = 2.0; // Ma(i,j)=2.0;3、矩阵/向量运算（1） 矩阵之间的运算:CvMat *Ma, *Mb, *Mc;cvAdd(Ma, Mb, Mc); // Ma+Mb -> MccvSub(Ma, Mb, Mc); // Ma-Mb -> MccvMatMul(Ma, Mb, Mc); // Ma*Mb -> Mc（2） 矩阵之间的元素级运算:CvMat *Ma, *Mb, *Mc;cvMul(Ma, Mb, Mc); // Ma.*Mb -> MccvDiv(Ma, Mb, Mc); // Ma./Mb -> MccvAddS(Ma, cvScalar(-10.0), Mc); // Ma.-10 -> Mc（3） 向量乘积:double va[] = {1, 2, 3};double vb[] = {0, 0, 1};double vc[3];CvMat Va=cvMat(3, 1, CV_64FC1, va);CvMat Vb=cvMat(3, 1, CV_64FC1, vb);CvMat Vc=cvMat(3, 1, CV_64FC1, vc);double res=cvDotProduct(&Va,&Vb); // 向量点乘: Va . Vb -> rescvCrossProduct(&Va, &Vb, &Vc); // 向量叉乘: Va x Vb -> Vc注意在进行叉乘运算时，Va, Vb, Vc 必须是仅有3个元素的向量.（4） 单一矩阵的运算:CvMat *Ma, *Mb;cvTranspose(Ma, Mb); // 转置：transpose(Ma) -> Mb (注意转置阵不能返回给Ma本身)CvScalar t = cvTrace(Ma); // 迹：trace(Ma) -> t.val[0]double d = cvDet(Ma); // 行列式：det(Ma) -> dcvInvert(Ma, Mb); // 逆矩阵：inv(Ma) -> Mb（5） 非齐次线性方程求解:CvMat* A = cvCreateMat(3,3,CV_32FC1);CvMat* x = cvCreateMat(3,1,CV_32FC1);CvMat* b = cvCreateMat(3,1,CV_32FC1);cvSolve(&A, &b, &x); // solve (Ax=b) for x（6） 特征值与特征向量 (矩阵为方阵):CvMat* A = cvCreateMat(3,3,CV_32FC1);CvMat* E = cvCreateMat(3,3,CV_32FC1);CvMat* l = cvCreateMat(3,1,CV_32FC1);cvEigenVV(A, E, l); // l = A 的特征值(递减顺序)// E = 对应的特征向量 (行向量)（7） 奇异值分解（SVD）:====CvMat* A = cvCreateMat(3,3,CV_32FC1);CvMat* U = cvCreateMat(3,3,CV_32FC1);CvMat* D = cvCreateMat(3,3,CV_32FC1);CvMat* V = cvCreateMat(3,3,CV_32FC1);cvSVD(A, D, U, V, CV_SVD_U_T|CV_SVD_V_T); // A = U D V^T标志位使矩阵U或V按转置形式返回 (若不转置可能运算出错).
                 
                
               
              
             
            
           
          
         
        
       
      
     
    

篇二：OpenCV的基本矩阵操作与示例

OpenCV中的矩阵操作非常重要，本文总结了矩阵的创建、初始化以及基本矩阵操作，给出了示例代码，主要内容包括：

• 创建与初始化
• 矩阵加减法
• 矩阵乘法
• 矩阵转置
• 矩阵求逆
• 矩阵非零元素个数
• 矩阵均值与标准差
• 矩阵全局极值及位置
• 其他矩阵运算函数列表

1. 创建与初始化矩阵

1.1 数据类型

建立矩阵必须要指定矩阵存储的数据类型，图像处理中常用的几种数据类型如下：

 CV_8UC1// 8位无符号单通道
 CV_8UC3// 8位无符号3通道
 CV_8UC4
 CV_32FC1// 32位浮点型单通道
 CV_32FC3// 32位浮点型3通道
 CV_32FC4

包括数据位深度8位、32位，数据类型U:uchar、F:float型以及通道数C1：单通道、C3：三通道、C4：四通道。

1.2 基本方法

我们可以通过载入图像来创建Mat类型矩阵，当然也可以直接手动创建矩阵，基本方法是指定矩阵尺寸和数据类型：

 // 基本方法
     cv::Mat a(cv::Size(5,5),CV_8UC1); // 单通道
     cv::Mat b = cv::Mat(cv::Size(5,5),CV_8UC3); //3通道每个矩阵元素包含3个uchar值
     cout<<"a  = "<<endl<<a<<endl<<endl;
     cout<<"b  = "<<endl<<b<<endl<<endl;
     system("pause");

运行结果：

3通道矩阵中，一个矩阵元素包含3个变量。

1.3 初始化方法

上述方法不初始化矩阵数据，因此将出现随机值。如果想避免这种情况，可使用Mat类的几种初始化创建矩阵的方法：

 // 初始化方法
     cv::Mat mz = cv::Mat::zeros(cv::Size(5,5),CV_8UC1); // 全零矩阵
     cv::Mat mo = cv::Mat::ones(cv::Size(5,5),CV_8UC1);  // 全1矩阵
     cv::Mat me = cv::Mat::eye(cv::Size(5,5),CV_32FC1);  // 对角线为1的对角矩阵
     cout<<"mz = "<<endl<<mz<<endl<<endl;
     cout<<"mo = "<<endl<<mo<<endl<<endl;
     cout<<"me = "<<endl<<me<<endl<<endl;

运行结果：

2. 矩阵运算

2.1 基本概念

 OpenCV的Mat类允许所有的矩阵运算。

2.2 矩阵加减法

我们可以使用"+"和"-"符号进行矩阵加减运算。

 cv::Mat a= Mat::eye(Size(3,2), CV_32F);
 cv::Mat b= Mat::ones(Size(3,2), CV_32F);
 cv::Mat c= a+b;
 cv::Mat d= a-b;

2.3 矩阵乘法

使用"*"号计算矩阵与标量相乘，矩阵与矩阵相乘（必须满足矩阵相乘的行列数对应规则）

 Mat m1= Mat::eye(2,3, CV_32F); //使用cv命名空间可省略cv::前缀，下同
 Mat m2= Mat::ones(3,2, CV_32F);
 cout<<"m1  = "<<endl<<m1<<endl<<endl;
 cout<<"m2  = "<<endl<<m2<<endl<<endl;
 // Scalar by matrix
 cout << "\nm1.*2 = \n" << m1*2 << endl;
 // matrix per element multiplication
 cout << "\n(m1+2).*(m1+3) = \n" << (m1+1).mul(m1+3) << endl;
 // Matrix multiplication
 cout << "\nm1*m2 = \n" << m1*m2 << endl;

2.4 矩阵转置

矩阵转置是将矩阵的行与列顺序对调（第i行转变为第i列）形成一个新的矩阵。OpenCV通过Mat类的t()函数实现。

 // 转置
     Mat m1= Mat::eye(2,3, CV_32F);
     Mat m1t = m1.t();
     cout<<"m1  = "<<endl<<m1<<endl<<endl;
     cout<<"m1t  = "<<endl<<m1t<<endl<<endl;
     system("pause");

运行结果：

2.5 求逆矩阵

逆矩阵在某些算法中经常出现，在OpenCV中通过Mat类的inv()方法实现

 // 求逆
     Mat meinv = me.inv();
     cout<<"me  = "<<endl<<me<<endl<<endl;
     cout<<"meinv = "<<endl<<meinv<<endl<<endl;
     system("pause");

运行结果：

单位矩阵的逆就是其本身。

2.6 计算矩阵非零元素个数

计算物体的像素或面积常需要用到计算矩阵中的非零元素个数，OpenCV中使用countNonZero()函数实现。

 // 非零元素个数
     int nonZerosNum = countNonZero(me); // me为输入矩阵或图像
     cout<<"me  = "<<endl<<me<<endl;
     cout<<"me中非零元素个数 = "<<nonZerosNum<<endl<<endl;
     system("pause");

运行结果：

2.7 均值和标准差

OpenCV提供了矩阵均值和标准差计算功能，可以使用meanStdDev(src,mean,stddev)函数实现。

参数

• src – 输入矩阵或图像
• mean – 均值，OutputArray
• stddev – 标准差，OutputArray

 // 均值方差
     Mat mean;
     Mat stddev;
     meanStdDev(me, mean, stddev); //me为前文定义的5×5对角阵
     cout<<"mean = "<<mean<<endl;
     cout<<"stddev = "<<stddev<<endl;
     system("pause");

运行结果：

需要说明的是，如果src是多通道图像或多维矩阵，则函数分别计算不同通道的均值与标准差，因此返回值mean和stddev为对应维度的向量。

 Mat mean3;
 Mat stddev3;
 Mat m3(cv::Size(5,5),CV_8UC3,Scalar(255,200,100));
 cout<<"m3  = "<<endl<<m3<<endl<<endl;
 meanStdDev(m3, mean3, stddev3);
 cout<<"mean3 = "<<mean3<<endl;
 cout<<"stddev3 = "<<stddev3<<endl;
 system("pause");

多通道矩阵运算结果：

2.8 求最大最小值

求输入矩阵的全局最大最小值及其位置，可使用函数：

 void minMaxLoc(InputArray src, CV_OUT double* minVal,
                            CV_OUT double* maxVal=0, CV_OUT Point* minLoc=0,
                            CV_OUT Point* maxLoc=0, InputArray mask=noArray());

参数：

• src – 输入单通道矩阵（图像）.
• minVal – 指向最小值的指针， 如果未指定则使用NULL
• maxVal – 指向最大值的指针， 如果未指定则使用NULL
• minLoc – 指向最小值位置（2维情况）的指针， 如果未指定则使用NULL
• maxLoc – 指向最大值位置（2维情况）的指针， 如果未指定则使用NULL
• mask – 可选的蒙版，用于选择待处理子区域

 // 求极值 最大、最小值及其位置
     Mat img = imread("Lena.jpg",0);
     imshow("original image",img);

     double minVal=0,maxVal=0;
     cv::Point minPt, maxPt;
     minMaxLoc(img,&minVal,&maxVal,&minPt,&maxPt);
     cout<<"min value  = "<<minVal<<endl;
     cout<<"max value  = "<<maxVal<<endl;
     cout<<"minPt = ("<<minPt.x<<","<<minPt.y<<")"<<endl;
     cout<<"maxPt = ("<<maxPt.x<<","<<maxPt.y<<")"<<endl;
     cout<<endl;

     cv::Rect rectMin(minPt.x-10,minPt.y-10,20,20);
     cv::Rect rectMax(maxPt.x-10,maxPt.y-10,20,20);

     cv::rectangle(img,rectMin,cv::Scalar(200),2);
     cv::rectangle(img,rectMax,cv::Scalar(255),2);

     imshow("image with min max location",img);
     cv::waitKey();

运行结果：

输入图像及其最大最小值位置

3. 其他矩阵运算

其他矩阵运算函数见下表：

Function (函数名)	Use (函数用处)
add	矩阵加法，A+B的更高级形式，支持mask
scaleAdd	矩阵加法，一个带有缩放因子dst(I) = scale * src1(I) + src2(I)
addWeighted	矩阵加法，两个带有缩放因子dst(I) = saturate(src1(I) * alpha + src2(I) * beta + gamma)
subtract	矩阵减法，A-B的更高级形式，支持mask
multiply	矩阵逐元素乘法，同Mat::mul()函数，与A*B区别，支持mask
gemm	一个广义的矩阵乘法操作
divide	矩阵逐元素除法，与A/B区别，支持mask
abs	对每个元素求绝对值
absdiff	两个矩阵的差的绝对值
exp	求每个矩阵元素 src(I) 的自然数 e 的 src(I) 次幂 dst[I] = esrc(I)
pow	求每个矩阵元素 src(I) 的 p 次幂 dst[I] = src(I)p
log	求每个矩阵元素的自然数底 dst[I] = log|src(I)| (if src != 0)
sqrt	求每个矩阵元素的平方根
min, max	求每个元素的最小值或最大值返回这个矩阵 dst(I) = min(src1(I), src2(I)), max同
minMaxLoc	定位矩阵中最小值、最大值的位置
compare	返回逐个元素比较结果的矩阵
bitwise_and, bitwise_not, bitwise_or, bitwise_xor	每个元素进行位运算，分别是和、非、或、异或
cvarrToMat	旧版数据CvMat,IplImage,CvMatND转换到新版数据Mat
extractImageCOI	从旧版数据中提取指定的通道矩阵给新版数据Mat
randu	以Uniform分布产生随机数填充矩阵，同 RNG::fill(mat, RNG::UNIFORM)
randn	以Normal分布产生随机数填充矩阵，同 RNG::fill(mat, RNG::NORMAL)
randShuffle	随机打乱一个一维向量的元素顺序
theRNG()	返回一个默认构造的RNG类的对象  theRNG()::fill(...)
reduce	矩阵缩成向量
repeat	矩阵拷贝的时候指定按x/y方向重复
split	多通道矩阵分解成多个单通道矩阵
merge	多个单通道矩阵合成一个多通道矩阵
mixChannels	矩阵间通道拷贝，如Rgba[]到Rgb[]和Alpha[]
sort, sortIdx	为矩阵的每行或每列元素排序
setIdentity	设置单元矩阵
completeSymm	矩阵上下三角拷贝
inRange	检查元素的取值范围是否在另两个矩阵的元素取值之间，返回验证矩阵
checkRange	检查矩阵的每个元素的取值是否在最小值与最大值之间，返回验证结果bool
sum	求矩阵的元素和
mean	求均值
meanStdDev	均值和标准差
countNonZero	统计非零值个数
cartToPolar, polarToCart	笛卡尔坐标与极坐标之间的转换
flip	矩阵翻转
transpose	矩阵转置，比较 Mat::t() AT
trace	矩阵的迹
determinant	行列式 |A|, det(A)
eigen	矩阵的特征值和特征向量
invert	矩阵的逆或者伪逆，比较 Mat::inv()
magnitude	向量长度计算 dst(I) = sqrt(x(I)2 + y(I)2)
Mahalanobis	Mahalanobis距离计算
phase	相位计算，即两个向量之间的夹角
norm	求范数，1-范数、2-范数、无穷范数
normalize	标准化
mulTransposed	矩阵和它自己的转置相乘 AT * A, dst = scale(src - delta)T(src - delta)
convertScaleAbs	先缩放元素再取绝对值，最后转换格式为8bit型
calcCovarMatrix	计算协方差阵
solve	求解1个或多个线性系统或者求解最小平方问题(least-squares problem)
solveCubic	求解三次方程的根
solvePoly	求解多项式的实根和重根
dct, idct	正、逆离散余弦变换，idct同dct(src, dst, flags | DCT_INVERSE)
dft, idft	正、逆离散傅立叶变换, idft同dft(src, dst, flags | DTF_INVERSE)
LUT	查表变换
getOptimalDFTSize	返回一个优化过的DFT大小
mulSpecturms	两个傅立叶频谱间逐元素的乘法

上表引自：http://blog.sina.com.cn/s/blog_7908e1290101i97z.html

转载请注明出处（本文更新链接）：