首先，在OpenCV中，“Mat”是最基础且最重要的一个核心数据结构，它代表了一个多通道矩阵或者可以理解为二维数组，这是大多数图像操作的基础容器。"Mat"对象能够存储任意类型的像素值，如灰度图的8位无符号字符到浮点数表示的颜色图片等。“Mat”的构造函数允许从原始内存创建矩阵或直接读取硬盘上的图像文件生成相应的“Mat”。同时，丰富的运算符重载使得对“Mat”执行加减乘除以及其他数学变换变得直观易用：
cpp
cv::Mat img1, img2;
//...加载img1 和 img2...
cv::Mat result;
result = img1 + img2; // 矩阵相加
其次， cv::Point 和 cv::Rect 也是常用的数据结构。其中 "cv::Point" 表示的是二维空间内的单个点坐标，通常用于标记特定位置；而 “cv::Rect” 则定义了矩形区域，包含左上角顶点的位置及宽度高度信息，常被用来裁剪子图像或者是定位目标物体所在范围。
例如：
cpp
cv::Point center(50, 75);
cv::Rect roi(cv::Point(x, y), cv::Size(width,height));
img.copyTo(subImg, mask_roi);
此外，还有 CvSeq (一种序列) 结构体，它是许多基于轮廓和其他形状分析算法所依赖的关键组件，尤其适用于连通成分分析或多边形描述等情况。但在现代版本OpenCV中，std::vector更推荐作为替代品使用以实现类似的功能需求。
另外值得一提是KeyPoints类及其衍生类型，它们主要应用于特征检测场合，比如SIFT,SURF等方法返回的结果就是由这些关键点构成的一个集合，每个关键点包含了尺度(scale)，方向(angle)，位置(point)等多种属性信息。
总结来说，理解和熟练掌握上述几种核心数据结构对于高效运用OpenCV解决实际问题至关重要。无论是基本的图像操作还是复杂的计算任务，都需要依托于这些底层构建块来完成。实践中不断探索并灵活组合各种数据结构的应用方式，才能充分挖掘出OpenCV的强大潜能。