OpenCV 2.3.4后SVM、LBP等智能算法集成概述与Mat处理详解

OpenCV 2.3.4之后的版本，特别是以C++面向对象编程思想重构，相比之前的C风格，提供了更高级的抽象和易用性。在这个版本中，SVM（支持向量机）作为机器学习算法的一部分得到了集成，它继承自libsvm库，尽管基础但功能强大。然而，由于其开源性质，代码阅读和定制可能相对复杂。 在数据结构方面，关键的变化包括： 1. **IpLImage** 和 **Mat**：在2.0版本中，这些数据结构被设计成类形式，避免了内存管理的问题。例如，通过`Mat img(image)`这样的语法，实际上是将`image`赋值给`img`，两者都是引用类型，任何对`img`的操作都会影响到`image`。 2. **CvRect/CvSize/CvPoint/Pointi/Pointf**：这些旧的结构在新版本中也有相应的类，如`Rect`，并且在处理时通常需要确保连续性，因为像`reshape`这样的操作只在连续内存区域有效。 3. **Reshape**和**数据对齐**：在对`Mat`对象进行reshape时，必须确保每行数据是4字节的倍数。如果原始`Mat`不连续，需要先复制到新的连续`Mat`上。 4. **Mat的运算**：支持矩阵相乘，如`img = img * img`，以及类型转换，如`img.convertTo()`。访问像素值使用`img.at<double>(i, j)`，其中`<double>`表示数据类型，可以通过`img.type()`检查。 5. **SVM集成**：OpenCV 2.3.4虽然基础，但提供了对SVM的接口，这使得在图像处理任务中利用这一强大的分类器变得更加便捷。 6. **Mat初始化**：创建`Mat`时，可以直接指定大小和类型，如`Mat img = Mat::zeros(3, 3, CV_64F)`，`CV_64F`表示double精度。 OpenCV 2.3.4之后的版本在用户体验、性能优化和数据处理上有了显著提升，尤其对于使用SVM等机器学习算法的开发者来说，提供了更加直观且底层的接口来处理复杂的计算机视觉任务。同时，尽管Matlab在某些领域具有优势，如神经网络算法，但在OpenCV中，用户可以通过适当的方法实现类似的功能，或者结合两者的优势来解决问题。