一、概览：

GpuMat对应于cuda；HostMem 可以看作是一种特殊的Mat，其存储对应cuda在主机分配的锁页内存，可以不经显示download upload自动转变成GpuMat（但是和GpuMat并无继承关系）；UMat对应于opencl的存储 Matx指代常量Mat，编译时即确定：InputArray则是一种代理模式。注意，InputAray和Mat UMat GpuMat Matx等无继承关系！！

二、然后我们通过几个点来深入了解一下opencv为何这么设计，以及一些细节。

一、为何一些数据结构之间有时候可以转换有时候不可以

首先要知道opencv的数据结构本质是要管理一块存储，也许是主机内存也许是cuda显存也许是opencl存储那么，无论是Mat Matx 还是其他数据结构，本质上都是一个header+一个数据指针，不同数据结构之间并无继承关系。那么有一个情况需要解释，比如HostMem和Mat同样是主机内存，那么可以HostMem就会有从HostMem转变为Mat的构造函数，同时因为HostMem是cuda分配的，如果是带有deviceMapped的主机内存（opencv管这叫shared HostMem），也可以调用转变为GpuMat的构造函数，需要强调，这些构造函数本质上是转移了data指针并创造了一个新的header。

二、为何`InputArray`不是一个基类？

对于许多OpenCV的C++开发者来说，第一次在函数签名中遇到 cv::InputArray、cv::OutputArray 时，心中难免会产生疑问：“这到底是什么类型？为什么我不直接传递 cv::Mat？” 当我们进一步发现，Mat、GpuMat 甚至 std::vector 都可以被传递给一个 InputArray 参数时，这种好奇心会变得更加强烈。

这背后，隐藏着OpenCV设计者们关于性能、灵活性和扩展性的深刻思考。本文将结合我们对OpenCV数据结构的理解，深入探讨这个看似“奇怪”却极其精妙的设计选择。

1、舞台上的演员们：OpenCV的数据江湖

在深入探讨设计哲学之前，我们必须先认识一下舞台上的主要“演员们”。它们的核心任务都是管理一块内存，但这块内存的“家”却各不相同。

cv::Mat: 最家喻户晓的明星。它是一个通用的N维数组容器，主要负责管理主机（CPU）内存。它是OpenCV图像处理的基石。
cv::cuda::GpuMat: CUDA阵营的先锋。它专门管理在NVIDIA GPU显存中的数据，是进行CUDA加速运算的主体。
cv::cuda::HostMem: GpuMat 的得力助手。它可以看作是一种特殊的Mat，其数据存储在由CUDA分配的**主机端锁页内存（Pinned Memory）**中。这种内存的特殊之处在于，它可以被GPU直接访问（DMA），从而极大地加速了主机与设备之间的数据传输，甚至可以实现数据流的并发。
cv::UMat: OpenCL阵营的代表，透明计算的未来。它是一个更为抽象的容器，其管理的内存可能在CPU上，也可能在GPU、DSP或其他OpenCL设备上。UMat 的美妙之处在于它能根据计算上下文自动处理数据同步，对开发者隐藏了复杂的内存迁移操作。
cv::Matx: 轻量级的“便签条”。它是一个小尺寸、固定大小的矩阵，其内存通常直接在**栈（Stack）**上分配。由于大小在编译时就已确定，避免了堆内存分配的开销，非常适合用于表示3D点、像素值等小型数据。
std::vector: 来自C++标准库的“外援”。无论是std::vector<Point>还是std::vector<float>，它们都是OpenCV算法中常见的数据结构。

关键点：这些数据结构，尤其是 Mat、GpuMat、UMat 和 std::vector，彼此之间并无继承关系。它们是独立的、为了不同目的而设计的类。

2、核心挑战：如何让一个函数“通吃”所有数据类型？

现在，问题来了。假设我们要写一个函数，比如计算数组的均值。我们希望这个函数既能处理CPU上的Mat，也能处理GPU上的GpuMat，甚至还能处理一个std::vector<float>。

一个遵循传统面向对象（OOP）思路的开发者可能会立刻想到：继承！

我们可以设计一个抽象基类 Array，然后让 Mat、GpuMat 等都公有继承自它：

// 一个看似很美的“继承”方案（但OpenCV没有采纳）
class Array {
public:virtual ~Array() {}virtual int getRows() const = 0;// ... 其他通用接口
};class Mat : public Array { /*...*/ };
class GpuMat : public Array { /*...*/ };// 函数签名
void calculateMean(const Array& arr);

然而，这个方案存在三个对于高性能计算库而言几乎是致命的缺陷。

性能的枷锁——虚函数开销：为了实现多态，基类中的函数必须是虚函数。这意味着每个对象都需要额外存储一个虚函数表指针，并且每次函数调用都需要一次间接寻址。在像素级的海量循环中，这种微小的开销会被无限放大，违背了OpenCV追求极致性能的初衷。
灵活性的噩梦——侵入式设计：这个方案最大的问题是，它要求所有被处理的类型都必须从Array继承。我们不可能去修改C++标准库，让std::vector继承自我们的Array！我们也无法让一个C风格的原始数组指针继承一个类。这种“侵入式”的设计会极大地限制库的通用性。
稳定性的隐患——脆弱的ABI：对于一个被全球开发者使用的库，保持二进制接口（ABI）的稳定至关重要。一旦基类Array的结构（如增删虚函数）发生改变，所有依赖它的、已编译的程序都可能需要重新编译，这是一场灾难。

3、OpenCV的答案：优雅的代理模式（Proxy Pattern）

面对上述挑战，OpenCV的设计者们给出了一个非凡的答案：代理模式。InputArray、OutputArray 就是这个模式的实现者。

InputArray 不是一个基类，而是一个轻量级的“代理”或“适配器”。

它本身不拥有数据，而是像一个经纪人一样，持有对“真正”数据（Mat, GpuMat, vector…）的引用或指针，并对外提供一个统一的接口。

这种设计是如何工作的呢？

模式一：转发共同能力

当函数需要执行一个通用操作时（比如获取尺寸），它会调用InputArray的接口，例如arr.size()。InputArray内部会判断自己当前代理的是哪位“明星”（Mat? GpuMat?），然后将这个调用转发给实际对象的对应方法。

// 函数实现者视角
void myFunction(cv::InputArray arr) {// 无需关心 arr 到底是 Mat 还是 GpuMat// InputArray 会自动将调用转发给它代理的对象的 .size() 方法cv::Size sz = arr.size(); // ...
}```这实现了多态的好处，却没有虚函数的性能开销，也无需修改任何原始类。#### 模式二：直接获取特有能力当需要执行某个特定类型才有的操作时（比如将`GpuMat`传入一个自定义的CUDA核函数），`InputArray`也提供了一个“逃生通道”。你可以从它那里获取到原始对象的引用。```cpp
// 函数实现者视角
void myCudaFunction(cv::InputArray arr) {// 确认代理的是GpuMat后，获取其可写引用cv::cuda::GpuMat& d_mat = arr.getGpuMatRef(); // 现在可以调用 GpuMat 的所有特有方法了my_cuda_kernel<<<...>>>(d_mat.ptr<float>(), ...);
}

这保证了设计的灵活性和功能的完整性，我们不会因为使用了代理而丢失对底层对象的完全控制。

结论：一场工程智慧的胜利

现在，我们可以清晰地回答最初的问题了。

OpenCV之所以不采用传统的继承体系，而是设计出InputArray这样的代理类，是为了在一套API中，同时实现三个看似矛盾的目标：

极致的性能：避免了虚函数带来的开销。
无与伦比的灵活性：通过非侵入式的设计，使其能够适配Mat、GpuMat、UMat、std::vector等众多类型，而无需它们做出任何改变。
坚如磐石的稳定性：代理类本身结构稳定，易于扩展以支持新类型，而不会破坏二进制兼容性。

InputArray的设计哲学，是典型的用组合（代理是一种组合形式）优于继承的工程实践。它或许在初学时带来一丝困惑，但一旦理解其背后的深意，你便会由衷地赞叹这种设计的优雅与强大。它不仅仅是一个技术选择，更是OpenCV作为一个高性能、高通用性计算库的立身之本。

InputArray除了可以作为通用接口接受不同数据结构外，还有什么作用？

两个层面：抽象接口的转发和具体对象的直接访问。这两种模式是相辅相成的。

模式一：转发/代理 (Forwarding/Delegation) - 处理“共同能力”

当一个操作是所有或大多数数组类型（Mat, UMat, GpuMat, vector…）都应该具备的通用能力时，_OutputArray 类会为这个操作提供一个自己的成员函数。

最典型的“共同能力”就是：

创建/分配内存 (create, createSameSize)
释放/清空 (release, clear)
赋值 (setTo, assign, move)

工作流程：

函数实现者调用 OutputArray 的方法，例如 dst.create(size, type)。
_OutputArray 内部会检查它当前“代理”的是哪种具体对象（Mat? GpuMat?）。
然后，它将这个调用**转发（Forward）**给它所代理的那个具体对象的相应方法。
- 如果 dst 包裹的是一个 Mat，它内部会调用 the_mat.create(size, type)。
- 如果 dst 包裹的是一个 GpuMat，它内部会调用 the_gpumat.create(size, type)。

这么做的好处是：多态性和代码复用。函数实现者无需写 if-else 来判断 dst 的具体类型，只需面向 OutputArray 这个统一的抽象接口编程即可。这使得一个函数（如 cv::cvtColor）可以无缝地同时支持 Mat、UMat 和 GpuMat 作为输出。

模式二：直接获取 (Direct Access) - 处理“特有能力”

当一个操作是某个具体类（比如 GpuMat）特有的能力，而其他类（如 Mat）没有这个能力时，_OutputArray 接口中就不会包含这个操作。

例如：

直接访问 GpuMat 的 step 成员进行指针运算。
调用 Mat 特有的 push_back() 方法。
将 GpuMat 传递给一个需要 cudaStream_t 参数的自定义CUDA核函数。

在这种情况下，函数实现者就必须先“揭开”OutputArray 的代理面纱，拿到它背后包裹的那个原始对象。

工作流程：

函数实现者首先需要知道或判断 OutputArray 代理的是哪种类型。
然后调用 get...Ref() 方法，如 dst.getMatRef() 或 dst.getGpuMatRef()，来获取一个可写的引用。
拿到这个引用后，就可以像操作一个普通的 Mat 或 GpuMat 对象一样，调用它所有特有的方法和成员。
这么做的好处是：灵活性和完整性。它提供了一个“逃生通道”，确保了即使 OutputArray 的抽象接口没有覆盖某个功能，开发者依然可以使用具体类的全部能力，不会因为使用了代理类而丢失功能。

总结对比

行为模式	调用方式	适用场景	设计目的
转发/代理	直接调用 `dst.create(...)`, `dst.setTo(...)` 等 `OutputArray` 的方法。	处理所有数组类型都支持的通用操作。	抽象与多态：隐藏具体实现，让函数可以处理多种数据类型。
直接获取	先调用 `dst.getMatRef()` 等获取具体引用，再调用该引用的特有方法。	处理某个特定数组类型才有的专属操作。	灵活性与完整性：不限制开发者使用具体类的全部功能。