Mat的構造函數
Mat::Mat()
//無參數構造方法；
Mat::Mat(int rows, int cols, int type)
//創建行數爲 rows，列數爲 col，類型爲 type 的圖像；
Mat::Mat(Size size, int type)
//創建大小爲 size，類型爲 type 的圖像；
Mat::Mat(int rows, int cols, int type, const Scalar& s)
//創建行數爲 rows，列數爲 col，類型爲 type 的圖像，並將所有元素初始化爲值 s；
Mat::Mat(Size size, int type, const Scalar& s)
//創建大小爲 size，類型爲 type 的圖像，並將所有元素初始化爲值 s；
Mat::Mat(const Mat& m)
//將m賦值給新創建的對象，此處不會對圖像數據進行復制，m和新對象共用圖像數據，屬於淺拷貝；
Mat::Mat(int rows, int cols, int type, void* data, size_t step=AUTO_STEP)
//創建行數爲rows，列數爲col，類型爲type的圖像，此構造函數不創建圖像數據所需內存，而是直接使用data所指內存，圖像的行步長由 step指定。
Mat::Mat(Size size, int type, void* data, size_t step=AUTO_STEP)
//創建大小爲size，類型爲type的圖像，此構造函數不創建圖像數據所需內存，而是直接使用data所指內存，圖像的行步長由step指定。
Mat::Mat(const Mat& m, const Range& rowRange, const Range& colRange)
//創建的新圖像爲m的一部分，具體的範圍由rowRange和colRange指定，此構造函數也不進行圖像數據的複製操作，新圖像與m共用圖像數據；
Mat::Mat(const Mat& m, const Rect& roi)
// 創建的新圖像爲m的一部分，具體的範圍roi指定，此構造函數也不進行圖像數據的複製操作，新圖像與m共用圖像數據。
這些構造函數中，很多都涉及到類型type
type：CV_8UC1，CV_16SC1，…，CV_64FC4 等。8U 表示 8 位無符號整數，
16S 表示 16 位有符號整數，64F表示 64 位浮點數（即 double 類型）；
C 後面的數表示通道數，例如 C1 表示一個通道的圖像，C4 表示 4 個通道的圖像，以此類推。如果你需要更多的通道數，需要用宏 CV_8UC(n)，例如：
Mat M(3,2, CV_8UC(5));//創建行數爲 3，列數爲 2，通道數爲 5 的圖像。
blobFromImage函數
blobFromImage主要是用來對圖片進行預處理。包含兩個主要過程：
整體像素值減去平均值（mean）
通過縮放係數（scalefactor）對圖片像素值進行縮放
Mat cv::dnn::blobFromImage(InputArray image,
double scalefactor=1.0,
//像素值進行一定的尺度縮放
const Size& size = Size(),
//神經網絡在訓練的時候要求輸入的圖片尺寸
const Scalar& mean = Scalar(),
bool swapRB = false,
//openCV默認 BGR，傳入的圖片一般是RGB
bool crop = false,
// crop：輸入圖像大小與size不符的時候，是否需要裁剪
int ddepth = CV_32F
// ddepth：圖像的數據類型，目前僅支持32F和8U
)
// image：這個就是我們將要輸入神經網絡進行處理或者分類的圖片。
/*
mean：需要將圖片整體減去的平均值，
// 如果我們需要對RGB圖片的三個通道分別減去不同的值，那麼可以使用3組平均值，
// 如果只使用一組，那麼就默認對三個通道減去一樣的值。
// 減去平均值（mean）：
// 爲了消除同一場景下不同光照的圖片，對我們最終的分類或者神經網絡的影響，
// 我們常常對圖片的R、G、B通道的像素求一個平均值，然後將每個像素值減去我們的平均值，
// 這樣就可以得到像素之間的相對值，就可以排除光照的影響。
*/
//scalefactor：當我們將圖片減去平均值之後，還可以對剩下的像素值進行一定的尺度縮放，它的默認值是1，如果希望減去平均像素之後的值，全部縮小一半，那麼可以將scalefactor設爲1/2。
//size：這個參數是我們神經網絡在訓練的時候要求輸入的圖片尺寸。
//swapRB：OpenCV中認爲我們的圖片通道順序是BGR，但是我平均值假設的順序是RGB，所以如果需要交換R和G，那麼就要使swapRB=true
void cv::dnn::Net::setInput (
InputArray blob,
// blob，就是上文中介紹的blobFromImage的返回值
const String & name = "",
// 這個name指的是inputlayer的名字。
double scalefactor = 1.0,
const Scalar & mean = Scalar() )
// scalefactor 和 mean 與blobFromImage中相同
dnn::Net 的 forward()
從網絡開始層進行計算，前向傳播到輸出層
Mat cv::dnn::Net::forward(const String& outputName = String())
// 這個函數只需要提供layer的name即可；
// 函數返回一個Mat變量，返回值是指輸入的layername 首次出現 的輸出。
// // 默認輸出整個網絡的運行結果
layer { // layer層的例子 (googleNet輸出層)
name: "prob" //層名稱
type: "Softmax" //
bottom: "loss3/classifier"
top: "prob"
}
void cv::dnn::Net::forward(OutputArrayOfArrays outputBlobs,
const String & outputName = String())
// 該函數的返回值是void，通過OutputArrayOfArrays類型提供計算結果，類型爲blob
// 這個outputName依然是layer的name，
// outputBlobs不是 首次 layer的輸出了，而是layername指定的layer的全部輸出
void cv::dnn::Net::forward(OutputArrayOfArrays outputBlobs,
const std::vector<String> & outBlobNames)
// 該函數返回值爲void，
// outBlobNames是需要提供輸出的layer的name，類型爲vector，也就是說可以提供多個layer的那麼；
// 它會將每個layer的 首次計算輸出 放入outputBlobs。
void cv::dnn::Net::forward(std::vector<std::vector<Mat>> & outputBlobs,
const std::vector<String> & outBlobNames )
// 返回值爲void；
// 輸入outBlobNames是vector類型，
// outputBlobs是vector<std::vector<Mat>>類型；
// 該函數可以輸入多個layer的name；
// 它會輸出每個layer的全部輸出到outputBlobs中。
第二個開始依次是：標籤、置信度、目標位置的4個座標信息[xmin ymin xmax ymax]
倒數第二維是識別的標籤的數量，圖中選擇顯示第4個標籤的信息