OpenCV vs Mahout基於計算機視覺的機器學習？

Question

一段時間以來，我一直在使用OpenCV。它滿足了我對特徵提取，匹配和聚類（k-means到現在）和分類（SVM）的所有需求。最近，我遇到了Apache Mahout。但是，大多數機器學習算法也已在OpenCV中提供。如果工作涉及視頻和圖像，是否有使用Mahout優於OpenCV的優勢？

Answer 1

由於是基於意見的，因此此問題可能會被擱置。我仍然想添加一個基本的比較。

OpenCV能夠處理任何可能被研究或發明的視覺和毫升。視覺文學是以它爲基礎的，它是根據文獻發展起來的。甚至可以使用OpenCV（http://gnebehay.github.io/OpenTLD/）在一些努力下實現新出生的ml算法（如TLD），起源於MATLAB-（http://www.tldvision.com/）。

Mahout也有能力，具體到ml。它不僅包括衆所周知的ml算法，還包括特定的算法。假設您遇到紙張「用K-means Orientation Filtering處理蘋果」。您可以在網絡上找到本文的OpenCV實現。即使是實際的算法也可能是開源的，並且使用OpenCV開發。隨着OpenCV的，說需要500行代碼，但亨利馬烏，紙張可能已經與single method making everything easier

實現的一個例子對這個案子是http://en.wikipedia.org/wiki/Canopy_clustering_algorithm，這是很難用OpenCV的立即實施。

由於您要使用圖像數據集，因此您還需要了解HIPI。

總之，這裏是一個簡單的親CON表：

訣竅（學習曲線）： OpenCV的是比較容易的，因爲你已經知道這件事。 Mahout + HIPI需要更多時間。

示例：文學+視覺社區通常使用OpenCV。開源算法大多是用OpenCV的C++ api創建的。

ml算法： Mahout只有約ml，而OpenCV更通用。 OpenCV仍然可以訪問基本的ml算法。

發展：Mahout的是更容易的編碼和時間複雜度與工作（我不知道關於後者，但我認爲這是）。