OpenCV vs Mahout基于计算机视觉的机器学习？

Question

一段时间以来，我一直在使用OpenCV。它满足了我对特征提取，匹配和聚类（k-means到现在）和分类（SVM）的所有需求。最近，我遇到了Apache Mahout。但是，大多数机器学习算法也已在OpenCV中提供。如果工作涉及视频和图像，是否有使用Mahout优于OpenCV的优势？

Answer 1

由于是基于意见的，因此此问题可能会被搁置。我仍然想添加一个基本的比较。

OpenCV能够处理任何可能被研究或发明的视觉和毫升。视觉文学是以它为基础的，它是根据文献发展起来的。甚至可以使用OpenCV（http://gnebehay.github.io/OpenTLD/）在一些努力下实现新出生的ml算法（如TLD），起源于MATLAB-（http://www.tldvision.com/）。

Mahout也有能力，具体到ml。它不仅包括众所周知的ml算法，还包括特定的算法。假设您遇到纸张“用K-means Orientation Filtering处理苹果”。您可以在网络上找到本文的OpenCV实现。即使是实际的算法也可能是开源的，并且使用OpenCV开发。随着OpenCV的，说需要500行代码，但亨利马乌，纸张可能已经与single method making everything easier

实现的一个例子对这个案子是http://en.wikipedia.org/wiki/Canopy_clustering_algorithm，这是很难用OpenCV的立即实施。

由于您要使用图像数据集，因此您还需要了解HIPI。

总之，这里是一个简单的亲CON表：

诀窍（学习曲线）： OpenCV的是比较容易的，因为你已经知道这件事。 Mahout + HIPI需要更多时间。

示例：文学+视觉社区通常使用OpenCV。开源算法大多是用OpenCV的C++ api创建的。

ml算法： Mahout只有约ml，而OpenCV更通用。 OpenCV仍然可以访问基本的ml算法。

发展：Mahout的是更容易的编码和时间复杂度与工作（我不知道关于后者，但我认为这是）。