有一段时间，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，大多数用于机器学习的算法也已经在OpenCV中可用。如果工作涉及视频和图像，那么使用Mahout而不是OpenCV有什么好处吗？
答案 0 :(得分：2)
这个问题可能会被搁置，因为它是基于意见的。我还想添加一个基本的比较。
OpenCV能够处理可能被研究或发明的视觉和ml。视觉文献以此为基础，并根据文献发展。即使是起源于MATLAB-（http://www.tldvision.com/）的新生ml算法 - 类似TLD也可以使用OpenCV（http://gnebehay.github.io/OpenTLD/）来实现。
Mahout也有能力，特别是毫升。它不仅包括众所周知的ml算法，还包括具体的算法。假设您遇到了一篇论文 “使用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，并使用OpenCV开发。使用OpenCV，说它需要500行代码，但是对于Mahout，该论文可能已经用single method making everything easier
实现了关于这种情况的一个例子是http://en.wikipedia.org/wiki/Canopy_clustering_algorithm，现在使用OpenCV更难实现。
由于您要使用图像数据集，因此您还需要了解HIPI。
总而言之，这是一个简单的亲表：
专有技术（学习曲线）： OpenCV更容易，因为您已经了解它。 Mahout + HIPI需要更多时间。
示例： 文献+视觉社区通常使用OpenCV。开源算法主要使用OpenCV的C ++ api创建。
ml算法： Mahout只有大约ml，而OpenCV更通用。 OpenCV仍然可以访问基本的ml算法。
开发 ：Mahout在编码和时间复杂度方面更容易使用（我不确定后者，但我认为是）。