OpenCV 不仅支持传统的计算机视觉任务，还提供了丰富的机器学习和深度学习功能，通过这些功能，可以实现图像分类、目标检测、语义分割等复杂任务。
机器学习与深度学习的应用场景
图像分类:
目标检测:
语义分割:
常用机器学习算法
OpenCV 提供了以下常见的机器学习算法：
K 均值聚类（K-Means）
K 均值聚类是一种无监督学习算法，主要用于将数据集划分为K个簇。每个簇由距离其中心点最近的样本组成。
K-Means 算法的核心思想是通过迭代优化簇中心，使得每个样本点到其所属簇中心的距离最小。
实现步骤：
1.初始化：随机选择K个样本作为初始簇中心。
2.分配：将每个样本分配到距离最近的簇中心。
3.更新：重新计算每个簇的中心点。
4.迭代：重复步骤2和3，直到簇中心不再变化或达到最大迭代次数。
OpenCV 中的 K-Means：
实例
以上代码中，我们生成了100个二维数据点，并使用K-Means算法将其分为3个簇。cv::kmeans函数的参数包括数据、簇数、标签、终止条件等。
支持向量机（SVM）
支持向量机（SVM）是一种有监督学习算法，主要用于分类和回归任务。
SVM 的核心思想是找到一个超平面，使得不同类别的样本点之间的间隔最大化。
1.训练：通过训练数据找到一个最优超平面。
2.预测：使用训练好的模型对新数据进行分类。
OpenCV中的SVM：
以上代码中，我们使用 SVM 对二维数据进行分类。
cv::ml::SVM::create() 用于创建 SVM 模型，train 方法用于训练模型，predict方法用于预测新数据的类别。
主成分分析（PCA）
主成分分析（PCA）是一种降维技术，主要用于减少数据集的维度，同时保留数据的主要特征。
PCA通过线性变换将原始数据映射到一个新的坐标系中，使得数据在新坐标系中的方差最大化。
1.计算协方差矩阵：计算数据集的协方差矩阵。
2.特征值分解：对协方差矩阵进行特征值分解，得到特征向量和特征值。
3.选择主成分：选择前K个最大的特征值对应的特征向量作为主成分。
4.数据投影：将原始数据投影到主成分上，得到降维后的数据。
OpenCV中的PCA：
以上代码中，我们使用PCA对二维数据进行降维。cv::PCA类的构造函数接受输入数据、均值向量、数据排列方式和保留的主成分数。project方法用于将数据投影到主成分上。
OpenCV 与深度学习
随着深度学习在计算机视觉领域的广泛应用，OpenCV 也提供了对深度学习的支持。
通过 OpenCV 的 DNN 模块，开发者可以加载预训练的深度学习模型，并进行图像分类、目标检测、语义分割等任务。
加载预训练的深度学习模型（DNN 模块）
OpenCV 的 DNN 模块支持加载多种深度学习框架（如TensorFlow、Caffe、PyTorch等）的预训练模型。
通过 DNN 模块，开发者可以轻松地将深度学习模型集成到 C++ 应用程序中。
加载模型：
以上代码中，我们使用cv::dnn::readNetFromCaffe 函数加载了一个 Caffe 模型。deploy.prototxt 是模型的配置文件，model.caffemodel是 模型的权重文件。
图像分类、目标检测、语义分割
OpenCV的DNN模块支持多种深度学习任务，包括图像分类、目标检测和语义分割。以下是一个简单的图像分类示例：
图像分类：
以上代码中，我们加载了一个 Caffe 模型，并对输入图像进行分类。cv::dnn::blobFromImage 函数用于将图像转换为模型输入格式，net.forward() 用于执行前向传播，cv::minMaxLoc 用于获取分类结果。
使用 OpenCV 运行 YOLO、SSD 等模型
OpenCV 的 DNN 模块还支持运行 YOLO（You Only Look Once）和SSD（Single Shot MultiBox Detector）等目标检测模型。
以下是一个使用 YOLO 模型进行目标检测的示例：
YOLO目标检测：
以上代码中，我们加载了一个YOLO模型，并对输入图像进行目标检测。cv::dnn::readNetFromDarknet函数用于加载YOLO模型，net.forward用于执行前向传播，cv::rectangle用于绘制检测框。
