cv::Point2i p2;

cv::Point3i p3;

cv::Point3i?p1( p );? ?

注：若p為浮點型，則會自動取整

cv::Point2i( x0, x1 );

cv::Point3d( x0, x1, x2 );

p1.cross( p );? ?注：只用于三維的點

cv::Scalar s( x0 );

cv::Scalar s( x0, x1, x2, x3 );

s.conj();

// return?cv::Scalar( x0, -x1, -x2, -x3 );

s.isReal();

// if x1 == x2 == x3 == 0{ return true; }

cv::Size sz;

cv::Size2i sz;

cv::Size2f sz;

sz.width;

sz.height;

cv::Rect r;

cv::Rect( x, y, w, h );

cv::Rect r3 = r1 & r2;

r1 &= r2;

r1 |= r2;

r?+= x;? ? // x為一個Point實例，左上角偏移量

r?+= s;? ? // s為一個Size實例，尺寸改變量

值構造函數，需要一個點（point）、

一個大小（size）和一個角度（angle）

cv::Matx33f m33f;

cv::Matx43d m43d;

cv::Matx21f m( x0, x1);

cv::Matx44d m( x0, x1, x2, x3, x4, x5, x6, x7, x8, x9, x10, x11, x12, x13, x14, x15 );

m( i, j);

m( i );

n44f = m44f.inv( method );? ?

// method為矩陣分解類型，默認為cv::DECOMP_LU

m31f = m33f.solve( rhs31f, method);

m32f = m33f.solve<2>( rhs32f, method);

Gaussian elimination with the optimal pivot element chosen.

選擇了最優主元的高斯消去法。一定不能是單數的。

singular value decomposition (SVD) method; the system can be over-defined and/or the matrix src1 can be singular

奇異值分解（SVD）方法；系統可以被過度定義和/或者矩陣src1可以是單數。

eigenvalue decomposition; the matrix src1 must be symmetrical

特征值分解；矩陣src1必須是對稱的。

Cholesky??factorization; the matrix src1 must be symmetrical and positively defined

柯列斯基分解；矩陣src1必須是對稱的并是正定矩陣。該類型在處理大的矩陣時的速度是LU的兩倍左右。

QR factorization; the system can be over-defined and/or the matrix src1 can be singular

QR分解；系統可以被過度定義和/或者矩陣src1可以是單數。

while all the previous flags are mutually exclusive, this flag can be used together with any of the previous; it means that the normal equations??are solved instead of the original system?

雖然前面所有的標志都是互斥的，但是這個標志可以和前面的任何一個一起使用；這意味著解的是正規方程而不是原來的方程。

cv::Vec2s v2s;

cv::Vec6f v6f;

cv::Vec2f v2f( x0,? x1);

cv::Vec6d v6d( x0, x1, x2, x3, x4, x5 );

cv::Complexf z1;

cv::Complexd z2;

cv::Complexf z1( re0);

cv::Complexf z2( re0, im1);