opencv聚类算法

A. Opencv将多维特征向量利用K-means算法聚类

你的理解没有错，确实是一个样本一行，
CvMat* sample = cvCreateMat( sample_dimension, 1, CV_32FC2 );
或者使用 Mat sample;
sample.create(...);

B. 机器学习中，有没有给定的阈值返回聚类结果的算法

机器学习通过从数据里提取规则或模式来把数据转换成信息。主要的方法有归纳学习法和分析学习法。数据首先被预处理，形成特征，然后根据特征创建某种模型。机器学习算法分析收集到的数据，分配权重、阈值和其他参数达到学习目的。如果只想把数据分成不同的类，那么“聚类”算法就够了；如果需要预测，则需要一个“分类”算法。OpenCV库里面包含的是基于概率统计的机器学习方法，贝叶斯网络、马尔科夫随机场、图模型等较新的算法还在成长过程中，所以OpenCV还没有收录。
机器学习的算法有很多很多：1、Mahalanobis
2、K-means 非监督的聚类方法3、朴素贝叶斯分类器 特征是高斯分布&&统计上相互独立 条件比较苛刻4、决策数 判别分类器，根据阈值分类数据，速度快。ID3，C4.5
5、Boosting 多个判别子分类器的组合6、随机森林 由多个决策树组成7、人脸检测/Haar分类器 使用Boosting算法8、期望最大化EM 用于聚类的非监督生成算法
9、K-近邻 最简单的分类器10、神经网络（多层感知器） 训练分类器很慢，但是识别很快11、支持向量机 SVM 可以分类，也可以回归。通过分类超平面实现在高维空间里的最优分类
12、遗传算法 借鉴生物遗传机制 ，随机化埂攻第煌郢号电铜钉扩非线性计算算法总之呢，个人觉得，机器学习、数据挖掘、模式识别、专家系统等方向和领域目前还是一种比较混乱的局面。学术界和商业界可能是不同的，关于算法的理论研究和使用这些方法生成商品是分别关注的。按照不同的领域、不同的方法可以划分出众多的分支。但是有一点是肯定的，这些在上世纪80年代提出来的公式和证明，如今正在变成一行行的代码，在一些猫（tomcat）、IIS等服务器的支持下，爬上了网络，到处寻觅对主人有用的信息，然后运送到网络中，最终生成产品，或者半产品。看看你电脑上的那根网线，它那么小，但是很难想象它从你的电脑上拿走了什么，又给你送来了什么。有些远了，继续说数据这些事。目前我接触过的算法有：（太多了，一时间真不好说出来） 神经网络（感知器、BP、RBF等很多的算法），遗传算法，支持向量机，层次分析法，各种回归，灰色系统（国产的方法，用于不确定知识的预测），粗糙集，贝叶斯网络，时间序列分析（也有很多）。学习和研究纸面的算法公式只是第一步，不可以忽略的基础，如何使用这些方法，在浩瀚的互联网上找到自己需要的、满足客户需要的数据和信息，从而让需要的人能够更加方便地得到，是今后的重头戏了。貌似很多的企业已经进军数据仓库这一块，并尝到了巨大的甜头，也有企业养着一队预备军，专注研发，随时准备奔赴前线，占领市场。无线网络市场的竞争已经到了激烈的局面，普适计算的时代也快到了吧。它依赖于硬件产品的可穿戴，和软件产品的内嵌、快速响应。总而言之，越来越人性化，谁都不愿意抱着笔记本电脑蹲厕所，是吧？

C. 如何在opencv中使用层次聚类算法

如何在opencv中使用层次聚类算法
Invalidate只是放一个WM_PAINT消息在队列里，不做别的，所以只有当当前函数返回后，进入消息循环，取出WM_PAINT，才执行PAINT，所以不管Invalidate放哪里，都是最后的。

InvalidateRect(hWnd,&rect,TRUE);向hWnd窗体发出WM_PAINT的消息，强制客户区域重绘制，
rect是你指定要刷新的区域，此区域外的客户区域不被重绘，这样防止客户区域的一个局部的改动，而导致整个客户区域重绘而导致闪烁，如果最后的参数为TRUE，则还向窗体发送WM_ERASEBKGND消息，使背景重绘，当然在客户区域重绘之前。

D. 什么是均值漂移图像分割技术

均值漂移算法是一种通用的聚类算法，它的基本原理是：对于给定的一定数量样本，任选其中一个样本，以该样本为中心点划定一个圆形区域，求取该圆形区域内样本的质心，即密度最大处的点，再以该点为中心继续执行上述迭代过程，直至最终收敛。

可以利用均值偏移算法的这个特性，实现彩色图像分割，Opencv中对应的函数是pyrMeanShiftFiltering。这个函数严格来说并不是图像的分割，而是图像在色彩层面的平滑滤波，它可以中和色彩分布相近的颜色，平滑色彩细节，侵蚀掉面积较小的颜色区域，所以在Opencv中它的后缀是滤波“Filter”，而不是分割“segment”。先列一下这个函数，再说一下它“分割”彩色图像的实现过程。

E. Opencv将多维特征向量利用K-means算法聚类

你的理解没有错，确实是一个样本一行，
CvMat*
sample
=
cvCreateMat(
sample_dimension,
1,
CV_32FC2
);
或者使用
Mat
sample;
sample.create(...);

F. 机器学习同一特征在不同阈值下取值可以算不同维度吗

当然可以。通常情况下，阈值越大，准确率越高，召回率越低。

G. 编程实现图像处理

这个是很基本的图像处理了。写个思路给你吧。
第一步：对整张图像做k-means聚类，或者其他聚类算法也行。我喜欢我MST聚类，不会有空洞；
第二步：依序考察你得到的每一类，考察的指标看你要求了。比如面积（一般用聚类区域的周长来代替，因为好算），像素数，颜色分布等（实际图片中基本不可能有真正的纯色区域，因为噪声多少会有点波动）。选出你要的那个区域（也就是类）。
第三步：用另一张图像替换这个区域。我不太清楚你要做出什么样的效果，如果只是缩放到同等大小然后贴上去的话，直接缩放然后把像素矩阵复制过去就行了。如果要比较完美的“融合”的话，还要在边缘处做插值（最近邻，线性，双线性随你选，当然效果越好计算代价越高）。
至于用什么软件做，用你熟悉的软件就行了。对实时性没要求的话Matlab足够，否则用OpenCV比较好，也就是C++。
另外，聚类算法如果不是很好的话，边缘会出现锯齿，用形态学开运算滤掉即可。
还有什么问题的话可以追问我。

H. opencv 的saliency API 怎么用

过图像分割和区域颜色，距离等信息计算得到显着信息。

主要步骤依次为颜色聚类，图像分割，对每个分割区域分别计算颜色直方图，然后计算每个区域的显着性信息，计算时，每两个区域的距离用颜色直方图距离衡量，每个区域对别的区域的显着性贡献和该区域面积有关，所以算法主要突出以下几种区域
i、颜色直方图和周围区域差距大。
ii、本身面积小

I. 什么是机器学习

机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。