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
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;
}