pybind11如何从numpy dtype获取对应C++类型以正确初始化cv::Mat

pybind11 没有提供运行时直接从dtype获取C类型的接口——C是静态编译型语言，类型必须在编译阶段确定，无法在运行时动态生成类型做指针转换，正确的实现方式是运行时判断dtype取值，分发到对应静态类型的处理分支，完全可以满足你动态适配指针类型构造cv::Mat的需求。

核心实现逻辑 #

你可以直接将入参数组的dtype和py::dtype::of<T>()返回的已知类型dtype做相等判断，匹配到对应类型后，使用正确的指针类型做转换，同时生成匹配的cv::Mat类型标识。
常见numpy dtype和OpenCV Mat类型的对应关系如下：

• py::dtype::of<uint8_t>()：对应CV_8U深度，指针转换为uint8_t*
• py::dtype::of<int8_t>()：对应CV_8S深度，指针转换为int8_t*
• py::dtype::of<uint16_t>()：对应CV_16U深度，指针转换为uint16_t*
• py::dtype::of<int16_t>()：对应CV_16S深度，指针转换为int16_t*
• py::dtype::of<int32_t>()：对应CV_32S深度，指针转换为int32_t*
• py::dtype::of<float>()：对应CV_32F深度，指针转换为float*
• py::dtype::of<double>()：对应CV_64F深度，指针转换为double*

针对你的回调函数场景，可直接按如下方式修改实现：

#include <pybind11/numpy.h>
#include <opencv2/opencv.hpp>

namespace py = pybind11;

int cpp_callback1(py::array& img)
{
    // 提取numpy数组的基础元信息
    py::buffer_info buf_info = img.request();
    int rows = static_cast<int>(buf_info.shape[0]);
    int cols = static_cast<int>(buf_info.shape[1]);
    int channels = buf_info.ndim == 3 ? static_cast<int>(buf_info.shape[2]) : 1;
    py::dtype array_dtype = img.dtype();

    cv::Mat cv_img;
    // 按dtype分发到对应类型的构造分支
    if (array_dtype == py::dtype::of<uint8_t>()) {
        cv_img = cv::Mat(rows, cols, CV_MAKETYPE(CV_8U, channels), static_cast<uint8_t*>(buf_info.ptr));
    } else if (array_dtype == py::dtype::of<int8_t>()) {
        cv_img = cv::Mat(rows, cols, CV_MAKETYPE(CV_8S, channels), static_cast<int8_t*>(buf_info.ptr));
    } else if (array_dtype == py::dtype::of<uint16_t>()) {
        cv_img = cv::Mat(rows, cols, CV_MAKETYPE(CV_16U, channels), static_cast<uint16_t*>(buf_info.ptr));
    } else if (array_dtype == py::dtype::of<int16_t>()) {
        cv_img = cv::Mat(rows, cols, CV_MAKETYPE(CV_16S, channels), static_cast<int16_t*>(buf_info.ptr));
    } else if (array_dtype == py::dtype::of<int32_t>()) {
        cv_img = cv::Mat(rows, cols, CV_MAKETYPE(CV_32S, channels), static_cast<int32_t*>(buf_info.ptr));
    } else if (array_dtype == py::dtype::of<float>()) {
        cv_img = cv::Mat(rows, cols, CV_MAKETYPE(CV_32F, channels), static_cast<float*>(buf_info.ptr));
    } else if (array_dtype == py::dtype::of<double>()) {
        cv_img = cv::Mat(rows, cols, CV_MAKETYPE(CV_64F, channels), static_cast<double*>(buf_info.ptr));
    } else {
        throw std::runtime_error("Received numpy array has unsupported dtype for OpenCV conversion");
    }

    // 其余业务处理逻辑

    return 0;
}

关于使用type_id判断的说明 #

你提到的从dtype获取type_id做判断的方式是可行的：pybind11的dtype对象提供num()方法，返回值对应numpy C API中的NPY_TYPES枚举值（比如NPY_UINT8、NPY_FLOAT32等整数标识），你也可以基于这个值用switch分支做类型分发，本质和直接对比dtype对象的逻辑没有区别。

// 基于numpy type id的分支判断示例
switch (array_dtype.num()) {
    case NPY_UINT8:
        // uint8_t类型处理逻辑
        break;
    case NPY_FLOAT32:
        // float类型处理逻辑
        break;
    // 其余类型分支同上
    default:
        throw std::runtime_error("Unsupported dtype");
}

注意：上述方式构造的cv::Mat默认直接引用numpy数组的内存，不会做数据拷贝，你需要保证cv::Mat生命周期内对应的py::array对象没有被Python回收，避免出现悬空指针崩溃。如果需要独立持有数据，可在构造完成后调用cv_img.copy()生成深拷贝副本。

内容的提问来源于stack exchange，提问作者Ivan