Opencv: 不同函数所支持的Mat类型汇总
为什么很多接口用 CV_32F
数值范围更大
浮点数可以表示很大或很小的值（±3.4e38），不会像
CV_8U那样溢出。
避免整数除法的精度损失
例如归一化、比例缩放、加权计算等，如果用
CV_8U会截断到整数。
算法公式本身需要浮点运算
卷积、傅里叶变换、矩阵求逆、特征匹配等都需要小数精度。
通用性好
一个函数如果内部支持
float，就能同时处理整数和浮点数据（整数可以先convertTo）。
📌 常见只支持或建议用 CV_32F 的 OpenCV 接口
| 模块 / 函数 | 说明 |
|---|---|
cv::normalize（归一化） | 建议 32F 避免精度损失 |
cv::matchTemplate（模板匹配） | CV_TM_CCOEFF_NORMED 等模式必须 32F |
cv::phaseCorrelate | 相位相关匹配，需要浮点 |
cv::warpPerspective / cv::warpAffine | 变换矩阵通常是 CV_32F |
cv::cornerHarris / cv::cornerEigenValsAndVecs | 角点检测要求 32F |
cv::filter2D（部分核类型） | 如果核是浮点，会强制转 32F |
cv::gemm / cv::invert / cv::solve | 矩阵运算要求 32F 或 64F |
cv::dft / cv::idft | 傅里叶变换建议 32F/64F |
📊 OpenCV 常用统计 / 数学函数与类型支持表
| 函数 | 必须 CV_32F 吗？ | 支持的类型 | 备注 |
|---|---|---|---|
cv::minMaxLoc | ❌ | CV_8U, CV_8S, CV_16U, CV_16S, CV_32S, CV_32F, CV_64F | 可直接用于整数或浮点 |
cv::mean / cv::meanStdDev | ❌ | 同上 | 会返回浮点结果 |
cv::sum | ❌ | 同上 | 结果是 cv::Scalar（double） |
cv::countNonZero | ❌ | CV_8U, CV_8S, CV_16U, CV_16S, CV_32S, CV_32F, CV_64F | 非零元素计数 |
cv::normalize | ⚠️ 建议 | 支持多种，但内部若要归一化到浮点区间需 32F | 避免整数除法精度损失 |
cv::matchTemplate（CV_TM_CCOEFF_NORMED 等） | ✅ 必须 | CV_32F | 不匹配类型会自动转，手动转更可控 |
cv::phaseCorrelate | ✅ 必须 | CV_32F / CV_64F | 相位相关必须浮点 |
cv::dft / cv::idft | ✅ 必须 | CV_32F / CV_64F | 频域运算必须浮点 |
cv::magnitude / cv::phase | ✅ 必须 | CV_32F / CV_64F | 需要浮点精度 |
cv::cornerHarris / cv::cornerEigenValsAndVecs | ✅ 必须 | CV_32F | 角点计算用浮点矩阵 |
cv::calcHist | ❌ | CV_8U / CV_32F | 灰度和浮点都行 |
cv::LUT | ❌ | 输入支持多种类型 | 查表操作 |
cv::integral | ⚠️ 建议 | 输出通常用 CV_32S 或 CV_64F | 累积分布可能溢出 |
cv::filter2D | ❌ | 多种类型 | 如果卷积核是浮点，会内部转 32F |
3️⃣ 16U / 8U / 32F 找最大点的结果与速度比较
📌 结果方面：
如果数据本质相同（只是存储类型不同，没有经过截断/归一化），那么 最大值位置（
maxLoc）是一致的。最大值的数值会因为类型不同而显示不同：
8U 范围是
[0,255]16U 范围是
[0,65535]32F 范围是浮点，可以是任意数（比如 0.0~1.0）
📌 性能方面：
8U 通常比 32F 快，尤其是对大矩阵做简单遍历（比如
minMaxLoc、absdiff、逐像素比较），因为：每个像素只占 1 字节，内存带宽消耗更小
SIMD 指令可以一次处理更多数据（例如 SSE2 一次可以处理 16 个 8U，但只能处理 4 个 32F）
16U 稍慢于 8U，但仍可能快于 32F
32F 占 4 字节，内存访问量大，且浮点运算有额外开销
📌举例
256×256 这种尺寸其实很小，在现代 CPU 上，8U、16U、32F 的速度差几乎可以忽略，尤其是像 cv::sum / cv::minMaxLoc 这种一次性遍历型操作。
数据量小
256×256 = 65,536 个像素8U：65 KB
16U：131 KB
32F：262 KB
这些数据量在 CPU L2/L3 缓存里轻松放得下，不会遇到内存带宽瓶颈。
循环开销占比高
对这么少的数据，函数调用和循环调度本身的时间占很大比例，数据类型的运算速度差异就被稀释掉了。SIMD 都能一次性吞下整批数据
比如 AVX2 可以一次处理：8U：32 个元素
16U：16 个元素
32F：8 个元素
但在这么小的数据量里，这个差别不会放大到能明显看出来。
⏱ 大致耗时（单线程，现代 CPU 估算）
以 cv::sum / cv::minMaxLoc 为例：
| 类型 | 预计耗时（256×256） |
|---|---|
| 8U | 0.51 微秒 |
| 16U | 0.51.1 微秒 |
| 32F | 0.61.3 微秒 |
📌 什么时候差距才会明显？
分辨率 ≥ 4K（8 百万像素）
高频调用（每秒几千~几万次）
大规模批处理（几十万张）
这种时候 8U / 16U 可能会比 32F 快 2~4 倍，因为：
数据占用更小，内存带宽利用率更高
SIMD 并行处理效率差距能完全发挥