cv::mat::clone() 是最直接的深拷贝方式，强制分配新内存并复制全部像素数据，返回完全独立的 mat；而 copyto() 按需分配内存，行为依赖目标矩阵状态，易引发隐性 bug。
cv::Mat::clone() 是最直接的深拷贝方式
调用 clone() 会强制分配新内存、复制全部像素数据，并返回一个完全独立的 Mat。它不依赖目标矩阵是否已初始化，也不关心尺寸匹配，行为稳定可预期。
- 无论原
Mat是否为空、是否连续、是否为 ROI，clone()都会生成一份完整副本 - 返回的新
Mat的data指针与原对象不同，修改互不影响 - 内部会调用
create()分配内存，再用memcpy复制数据，是纯深拷贝语义
copyTo() 和 clone() 的关键区别在哪
copyTo() 行为受目标矩阵状态影响，而 clone() 始终新建 —— 这是实际编码中最容易出错的地方。
- 如果目标
Mat已存在且尺寸类型匹配，copyTo()直接复用其内存，不重新分配 - 如果目标
Mat尺寸不匹配或未初始化，copyTo()才会重新分配内存并复制 -
clone()永远走“分配 + 复制”路径，无歧义；copyTo()是“按需分配”，逻辑更复杂 - 性能上，对已预分配好内存的目标调用
copyTo()可能略快；但为安全起见，clone()更可靠
为什么不能只用 = 赋值或构造函数
写 Mat dst = src; 或 Mat dst(src); 是浅拷贝 —— 它们只复制头部，共享 data 指针。一旦你后续修改 dst 的像素（比如用 at() 或 ptr()），src 同样被改。
- 这种共享在调试时极难察觉：两个变量名不同，但
dst.data == src.data为真 - 即使
src是 ROI（如src(Rect(10,10,100,100))），赋值后dst仍指向同一块底层内存 - 引用计数机制会让内存延迟释放，可能掩盖越界访问或提前释放问题
Python 中 cv2.Mat 对应的是 numpy.ndarray，别混淆 copy() 和 copy
OpenCV-Python 接口返回的是 numpy.ndarray，不是 C++ 的 cv::Mat。它的 .copy() 方法等价于 C++ 的 clone()，但名字容易和 Python 内置 copy 模块混淆。
- ✅ 正确：
dst = src.copy()—— 深拷贝，安全 - ❌ 错误：
import copy; dst = copy.copy(src)—— 这是浅拷贝，仍共享数据 - ❌ 错误：
dst = src或dst = src[...]—— 全是视图（view），非拷贝 - ⚠️ 注意：
np.copy(src)是深拷贝，但不如src.copy()直观，且不保证 OpenCV 兼容性
clone()（C++）或 .copy()（Python）。那些想省一次内存分配而改用 copyTo() 或预分配目标矩阵的操作，往往在多线程、ROI 处理或函数返回值场景下埋下隐性 bug。
