再读Opencv（1）

书读百遍，其义自现。不知道是第几遍看这本书了，虽说是入门版，但收获颇多。速度很明显快多了，一个多小时，把cvcam，cxcore，highgui又看了一遍。

1，highgui只是试验级的接口，只能用于windows，是用vfw技术，读摄像头很慢，有算法的情况下，大概7帧/s。cvcam未来将被淘汰，原因只是他被集成到highgui中，并使用dshow技术。 用dshow读cam，速度提高6倍。一般用的cvCaptureFromCAM就是highgui中的，我觉得在windows下，用cvcam模块还是很必要的，很方便。cvcam也使一个跨平台的模块，我想，也就是多个linux吧，板子上还是用不了。不知道有没有dshow快，有空试试。

2，并不是总要声明指针类型的CvMat*，有时需要CvMat。例如，cvGetRows，cvGetDiag，应该这样用：

CvMat diag;
 cvGetDiag(image,&diag,0);diag是一列数。这样，免去了cvCreateMat等麻烦。diag的空间的开辟放在函数内部，省得手工开辟空间，还得计算大小。

3，何时使用cvLUT，dst=lut（src），仅仅是一个像素值的对应关系而已，可用于直方图变换，像素的目标值仅由原始值决定。

4，cvCalcCovarMatrix，深切感受到，虽然简单，却很强大的功能。协方差和平均值。发现协方差的人真不简单，第一个深刻理解了数据的本质。

5，Mahalanobis，马氏距离。没用到过，但觉得很好的一个想法。大概意思是，一般来说，向量各个元素之间是有相关性的，而欧氏距离没有体现这种相关性，欧氏距离各个元素之间是独立的，即协方差是0。相同欧氏距离下，相关性比较大的两个向量的距离理应比没有相关性的小。这样，马氏距离应运而生。很简单，就是欧式距离乘以协方差之逆。协方差越大，越相关，距离应越小。

6，Kmeans2，解释是网上荡的，说得挺明白。首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。

这里的相思度，即距离，就可以用马氏距离。亦可以用PCA来描述每个聚类。可见，算法是很类似的，数学思想更是不变。理解了矩阵和统计的思想，这些东西很简单。

7，cvSetMemoryManager，我觉得做DSP移植的时候得用到。毕竟，DSP的内存管理不同于PC。近期要做，在考虑中。