opencv聚類演算法

A. Opencv將多維特徵向量利用K-means演算法聚類

你的理解沒有錯，確實是一個樣本一行，
CvMat* sample = cvCreateMat( sample_dimension, 1, CV_32FC2 );
或者使用 Mat sample;
sample.create(...);

B. 機器學習中，有沒有給定的閾值返回聚類結果的演算法

機器學習通過從數據里提取規則或模式來把數據轉換成信息。主要的方法有歸納學習法和分析學習法。數據首先被預處理，形成特徵，然後根據特徵創建某種模型。機器學習演算法分析收集到的數據，分配權重、閾值和其他參數達到學習目的。如果只想把數據分成不同的類，那麼「聚類」演算法就夠了；如果需要預測，則需要一個「分類」演算法。OpenCV庫裡麵包含的是基於概率統計的機器學習方法，貝葉斯網路、馬爾科夫隨機場、圖模型等較新的演算法還在成長過程中，所以OpenCV還沒有收錄。
機器學習的演算法有很多很多：1、Mahalanobis
2、K-means 非監督的聚類方法3、樸素貝葉斯分類器 特徵是高斯分布&&統計上相互獨立 條件比較苛刻4、決策數 判別分類器，根據閾值分類數據，速度快。ID3，C4.5
5、Boosting 多個判別子分類器的組合6、隨機森林 由多個決策樹組成7、人臉檢測/Haar分類器 使用Boosting演算法8、期望最大化EM 用於聚類的非監督生成演算法
9、K-近鄰 最簡單的分類器10、神經網路（多層感知器） 訓練分類器很慢，但是識別很快11、支持向量機 SVM 可以分類，也可以回歸。通過分類超平面實現在高維空間里的最優分類
12、遺傳演算法 借鑒生物遺傳機制 ，隨機化埂攻第煌郢號電銅釘擴非線性計算演算法總之呢，個人覺得，機器學習、數據挖掘、模式識別、專家系統等方向和領域目前還是一種比較混亂的局面。學術界和商業界可能是不同的，關於演算法的理論研究和使用這些方法生成商品是分別關注的。按照不同的領域、不同的方法可以劃分出眾多的分支。但是有一點是肯定的，這些在上世紀80年代提出來的公式和證明，如今正在變成一行行的代碼，在一些貓（tomcat）、IIS等伺服器的支持下，爬上了網路，到處尋覓對主人有用的信息，然後運送到網路中，最終生成產品，或者半產品。看看你電腦上的那根網線，它那麼小，但是很難想像它從你的電腦上拿走了什麼，又給你送來了什麼。有些遠了，繼續說數據這些事。目前我接觸過的演算法有：（太多了，一時間真不好說出來） 神經網路（感知器、BP、RBF等很多的演算法），遺傳演算法，支持向量機，層次分析法，各種回歸，灰色系統（國產的方法，用於不確定知識的預測），粗糙集，貝葉斯網路，時間序列分析（也有很多）。學習和研究紙面的演算法公式只是第一步，不可以忽略的基礎，如何使用這些方法，在浩瀚的互聯網上找到自己需要的、滿足客戶需要的數據和信息，從而讓需要的人能夠更加方便地得到，是今後的重頭戲了。貌似很多的企業已經進軍數據倉庫這一塊，並嘗到了巨大的甜頭，也有企業養著一隊預備軍，專注研發，隨時准備奔赴前線，佔領市場。無線網路市場的競爭已經到了激烈的局面，普適計算的時代也快到了吧。它依賴於硬體產品的可穿戴，和軟體產品的內嵌、快速響應。總而言之，越來越人性化，誰都不願意抱著筆記本電腦蹲廁所，是吧？

C. 如何在opencv中使用層次聚類演算法

如何在opencv中使用層次聚類演算法
Invalidate只是放一個WM_PAINT消息在隊列里，不做別的，所以只有當當前函數返回後，進入消息循環，取出WM_PAINT，才執行PAINT，所以不管Invalidate放哪裡，都是最後的。

InvalidateRect(hWnd,&rect,TRUE);向hWnd窗體發出WM_PAINT的消息，強制客戶區域重繪制，
rect是你指定要刷新的區域，此區域外的客戶區域不被重繪，這樣防止客戶區域的一個局部的改動，而導致整個客戶區域重繪而導致閃爍，如果最後的參數為TRUE，則還向窗體發送WM_ERASEBKGND消息，使背景重繪，當然在客戶區域重繪之前。

D. 什麼是均值漂移圖像分割技術

均值漂移演算法是一種通用的聚類演算法，它的基本原理是：對於給定的一定數量樣本，任選其中一個樣本，以該樣本為中心點劃定一個圓形區域，求取該圓形區域內樣本的質心，即密度最大處的點，再以該點為中心繼續執行上述迭代過程，直至最終收斂。

可以利用均值偏移演算法的這個特性，實現彩色圖像分割，Opencv中對應的函數是pyrMeanShiftFiltering。這個函數嚴格來說並不是圖像的分割，而是圖像在色彩層面的平滑濾波，它可以中和色彩分布相近的顏色，平滑色彩細節，侵蝕掉面積較小的顏色區域，所以在Opencv中它的後綴是濾波「Filter」，而不是分割「segment」。先列一下這個函數，再說一下它「分割」彩色圖像的實現過程。

E. Opencv將多維特徵向量利用K-means演算法聚類

你的理解沒有錯，確實是一個樣本一行，
CvMat*
sample
=
cvCreateMat(
sample_dimension,
1,
CV_32FC2
);
或者使用
Mat
sample;
sample.create(...);

F. 機器學習同一特徵在不同閾值下取值可以算不同維度嗎

當然可以。通常情況下，閾值越大，准確率越高，召回率越低。

G. 編程實現圖像處理

這個是很基本的圖像處理了。寫個思路給你吧。
第一步：對整張圖像做k-means聚類，或者其他聚類演算法也行。我喜歡我MST聚類，不會有空洞；
第二步：依序考察你得到的每一類，考察的指標看你要求了。比如面積（一般用聚類區域的周長來代替，因為好算），像素數，顏色分布等（實際圖片中基本不可能有真正的純色區域，因為雜訊多少會有點波動）。選出你要的那個區域（也就是類）。
第三步：用另一張圖像替換這個區域。我不太清楚你要做出什麼樣的效果，如果只是縮放到同等大小然後貼上去的話，直接縮放然後把像素矩陣復制過去就行了。如果要比較完美的「融合」的話，還要在邊緣處做插值（最近鄰，線性，雙線性隨你選，當然效果越好計算代價越高）。
至於用什麼軟體做，用你熟悉的軟體就行了。對實時性沒要求的話Matlab足夠，否則用OpenCV比較好，也就是C++。
另外，聚類演算法如果不是很好的話，邊緣會出現鋸齒，用形態學開運算濾掉即可。
還有什麼問題的話可以追問我。

H. opencv 的saliency API 怎麼用

過圖像分割和區域顏色，距離等信息計算得到顯著信息。

主要步驟依次為顏色聚類，圖像分割，對每個分割區域分別計算顏色直方圖，然後計算每個區域的顯著性信息，計算時，每兩個區域的距離用顏色直方圖距離衡量，每個區域對別的區域的顯著性貢獻和該區域面積有關，所以演算法主要突出以下幾種區域
i、顏色直方圖和周圍區域差距大。
ii、本身面積小

I. 什麼是機器學習

機器學習(Machine Learning, ML)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。

它是人工智慧的核心，是使計算機具有智能的根本途徑，其應用遍及人工智慧的各個領域，它主要使用歸納、綜合而不是演繹。