cv::Mat转Tensro libtorch官网例子中给的是如下形式：
torch::TensorOptions option(torch::kFloat);
auto img_tensor = torch::from_blob(img.data,
{1,img.rows,img.cols,img.channels() }, option);
// opencv (H x W x C) to torch (batch x H x W x C)
img_tensor = img_tensor.permute({0, 3, 1, 2 });//调整矩阵列顺序 batch x C x H x W
这种方式应用在分类问题中应该没什么问题，但应用在faster RCNN时却存在一定问题。使用from_blob构造一个Tensor,他只是一个内存数据的拷贝，没有更多的对数据处理。
cv::Mat数据在内存中是如下形式存储的
(r,g,b),(r,g,b),(r,g,b)......
然而Tensor在内存中的数据确是
(r,r,r,r,......),(g,g,g,g,......),(b,b,b,......)
这两种不同结构的数据是无法直接使用内存拷贝方式转换。
以下是一个完整的cv::Mat转Tensor
torch::Tensor image2Tensor(cv::Mat &img)
{
if(img.channels() == 1)
{
torch::TensorOptions option(torch::kFloat);
auto img_tensor = torch::from_blob(img.data, {1,img.rows,img.cols}, option);
// opencv (H x W) to torch (C x H x W)
return img_tensor;
}
else
{
torch::Tensor t = torch::zeros({3,img.rows,img.cols},torch::kFloat);
float * r = (float*)t[0].data_ptr();
float * g = (float*)t[1].data_ptr();
float * b = (float*)t[2].data_ptr();
for(int row = 0; row < img.rows; row++)
{
for(int col = 0; col < img.cols; col++)
{
cv::Vec3f &v = img.at<cv::Vec3f>(row,col);
r[row*img.cols + col] = v[0];
g[row*img.cols + col] = v[1];
b[row*img.cols + col] = v[2];
}
}
return t;
}
return torch::Tensor();
}
这是一个Tensor转cv::Mat的函数，方便可视化的呈现特征图像。
cv::Mat tensor2Image(const torch::Tensor &t)
{
torch::IntArrayRef s = t.sizes();
if(s[0] == 1)
{
cv::Mat des(s[1], s[2], CV_32FC1, t.data_ptr<float>());
return des;
}
else
{
float * r = (float*)t[0].data_ptr();
float * g = (float*)t[1].data_ptr();
float * b = (float*)t[2].data_ptr();
int rows = s[1];
int cols = s[2];
cv::Mat des = cv::Mat::zeros(rows, cols,CV_32FC3);
for(int row=0; row<rows; row++)
{
for(int col=0; col<cols; col++)
{
cv::Vec3f v;
v[0] = r[row*cols + col];
v[1] = g[row*cols + col];
v[2] = b[row*cols + col];
des.at<cv::Vec3f>(row,col) = v;
}
}
return des;
}
return cv::Mat();
}
(一定要看))
