在深度学习模型部署中通常存在读取图像为mat，然后将mat转换为float指针传入模型的操作。为了快捷开发，因此对指针数组、vector与Mat之间的相互转换进行整理。实现了指针数组、vector之间的相互转换；vector与Mat之间的相互转换（含单通道图像和多通道图像）。vector转mat主要应用在语义分割结果的处理中。

1、指针数组与vector之间的相互转换

这里强调一下为什么使用vector而不使用指针数组，因为使用vector可以更为方便的操作数据，就比如说数据的拷贝，裁剪、拼接等。就比如，博主的代码实现了vector的加法重载，可以便捷的实现vector的拼接。

指针转vector

std::vector vp(p, p + 1000);，其中p为指针的名称，1000为指针的数据长度

vector转指针

int* p2 = vp.data();//浅拷贝（p2与vp共用同一片内存区域）

//重载vector的运算符
template <typename T>
vector<T>& operator +(vector<T>& v1, vector<T>& v2)
{
	v1.insert(v1.end(), v2.begin(), v2.end());
	return v1;
}

//指针数组转vector
int* p = new int[100];//空间分配方式一
p = (int*)malloc(1000*sizeof(p));//空间分配方式二：malloc赋值方式
p[0] = -1;

std::vector<int> vp(p, p + 1000);//深拷贝（把起始地址到结束地址的值拷贝一遍）
vp[1] = 222;
//-------实现vector的拼接--------
std::vector<int> vp2 = vp + vp;
//vecort转指针数组
int* p2 = vp.data();//浅拷贝（p2与vp共用同一片内存区域）
p2[2] = 3333;
std::cout << "int* p: " << p[0] << ", " << p[1] <<", " << p[2] << std::endl;
std::cout << "vector vp: " << vp[0] << ", " << vp[1] << ", " << vp[2] << std::endl;
std::cout << "int* p2: " << p2[0] << ", " << p2[1] << ", " << p2[2] << std::endl;

在指针与数组的相互转换过程中需要注意的是内存空间的变化，指针转vector后数据被拷贝了一次，而vector转指针后数据并没有被拷贝。具体可以见上述代码的输出，改变vp不会影响p，而改变p2会影响vp

opencv复数数组转成实数数组 opencv数组转mat_opencv复数数组转成实数数组

vector的类型转换

有的时候需要转换vector的数据类型，可以使用以下方法

std::vector<int64> output_data0;//对应seg结果  argmax后为int64
std::vector<uchar> int2uchar(output_data0.begin(), output_data0.end());

2、mat转vector

通常来说mat转vector是十分便捷的，仅需要一个reshape操作即可，reshape(int cn, int rows)表示把数据的通道变为cn，行数变为rows。具体如下所示，下面代码表示把单通道mat转换为vector。

std::vector<float> vec = mat.reshape(1, 1);

然而，对于三通道的mat转换略为麻烦，需要将多通道split为三个单通道才行，具体实现的转换函数如下所示。

std::vector<float> mat2vector(cv::Mat img, cv::Size2d size = {512,512}) {
	cv::resize(img, img, size);
	cv::cvtColor(img, img, cv::COLOR_BGR2RGB);
	img.convertTo(img, CV_32FC3);
	//数据归一化
	img = img / 255.0;
	//将rgb数据分离为单通道
	std::vector<cv::Mat> mv;
	cv::split(img, mv);
	std::vector<float> R = mv[0].reshape(1, 1);
	std::vector<float> G = mv[1].reshape(1, 1);
	std::vector<float> B = mv[2].reshape(1, 1);
	//RGB数据合并
	std::vector<float> input_data;
	input_data.insert(input_data.end(), R.begin(), R.end());
	input_data.insert(input_data.end(), G.begin(), G.end());
	input_data.insert(input_data.end(), B.begin(), B.end());
	return input_data;
}

3、vector转mat

在深度学习部署场景中，vector转mat分三种情况，情况一：uchar形式的vector转单通道mat；情况二：float形式的vector转单通道mat；情况三：float形式的vector转三通道mat。

vector<uchar>转单通道mat

如果是std::vector<int64>则需要转换为std::vector<uchar>才行，在深度学习中argmax后返回的数据类型通常是int64的。

//语义分割结果转mat
cv::Mat vector2mat(std::vector<uchar> output, cv::Size2d size = { 512,512 }) {
	cv::Mat out_result(size.height, size.width, CV_8UC1, cv::Scalar(0));
	out_result.data = output.data();
	return out_result;
}
vector<float>转单通道mat

因为mat.data 是uchar型的指针，所有vector<float>不能像vector<uchar>那样进行赋值操作，但其有两种赋值方式，分别是memcpy和mat.assign

cv::Mat vector2mat(std::vector<float> output, cv::Size2d size = { 512,512 }) {
	cv::Mat out_result(size.height, size.width, CV_32FC1, cv::Scalar(0));
	memcpy(out_result.data, output.data(), output.size() * sizeof(float));
	//output.assign((float*)out_result.datastart, (float*)out_result.dataend);
	return out_result;
}
vector<float>转三通道mat

这里通过调用上一步实现的函数，实现目标功能，所转换的mat为bgr格式。

//将CHW格式的数据转换为bgr格式的mat
cv::Mat cwhfloat2mat(std::vector<float> output, cv::Size2d size = { 512,512 }) {
	cv::Mat out_result;
	int dis = size.height * size.width;
	//将数据进行切片
	vector<float> r{ &output[0], &output[0] + dis };
	vector<float> g{ &output[0] + dis, &output[0] + 2 * dis };
	vector<float> b{ &output[0] + 2 * dis, &output[0] + 3 * dis };

	vector<cv::Mat> mat_bgr;
	mat_bgr.push_back(vector2mat(b, size));
	mat_bgr.push_back(vector2mat(g, size));
	mat_bgr.push_back(vector2mat(r, size));
	cv::merge(mat_bgr, out_result);
	//out_result = out_result * 255;
	//out_result.convertTo(out_result, CV_8UC3);
	//cv::cvtColor(out_result, out_result, cv::COLOR_BGR2RGB);
	return out_result;
}

4、Mat切片与还原

Mat切片成vector ，vector 还原成mat

#include <iostream>
#include <memory>
#include <chrono>
#include <fstream>
#include <string>
#include <opencv2/highgui.hpp>
#include <opencv2/opencv.hpp>
//rows,cols 用于将切片信息带出模型
int crop_img(vector<Mat> &crops,Mat img,int block_size, int &rows, int &cols) {
    float fisze = block_size * 1.0;
    rows = ceil(img.rows / fisze);//向上取整
    cols = ceil(img.cols / fisze);

    //确保切片过程中图像不会超出边界
    if (rows * block_size > img.rows || cols * block_size > img.cols) {
        Mat new_img = Mat::zeros({ cols * block_size,rows * block_size }, img.type());
        Rect rect = { 0,0,img.cols,img.rows };
        img.copyTo(new_img(rect));
        img = new_img;//用新图替换旧图
    }
    //对图像进行切片
    for (int i = 0; i < rows; i++) {
        for (int j = 0; j < cols; j++) {
            Rect rect = { j * block_size,i * block_size,block_size,block_size };
            Mat crop = img(rect);
            crops.push_back(crop);
        }
    }
    return 0;
}
//根据信息对切片进行还原
Mat merger_crop(vector<Mat> crops, int block_size, int rows, int cols, Size img_size = {0,0}) {
    Mat save_img = Mat::zeros({ cols * block_size,rows * block_size }, crops[0].type());
    for (int i = 0; i < rows; i++) { // row=>y   行=》高
        for (int j = 0; j < cols; j++) {//cols=>x  列=》宽
            int index = i * cols + j;
            Mat crop = crops[index];
            Rect rect = { j * block_size,i * block_size,block_size,block_size };
            crop.copyTo(save_img(rect));
        }
    }
    //根据输入的size对图像进行裁剪
    if (img_size.area() > 0) {
        Rect rect = { {0,0},img_size };
        save_img = save_img(rect);
    }
    return save_img;
}
int main() {
    Mat img = imread("D:/20141014.jpg");
    int block_size = 256;
    int rows = 0;
    int cols = 0;
    vector<Mat> crops;
    crop_img(crops,img, block_size, rows, cols);

    Mat merge= merger_crop(crops, block_size, rows, cols, img.size());
    imshow("img", img);
    imshow("recover", merge);
    waitKey();
	return -1;
}