1、用策略模式比較顏色
策略設計模式是一種面向對象的設計模式。這種模式儘可能地將算法的複雜性隱藏在一個直觀的編程藉口後面，更有利於算法的部署。
注意：在現代體系中，浮點數的歐幾里得距離的計算速度比（RGB差值的絕對值）進行累加。
2、計算向量的歐幾里得範數的函數
return static_cast<int>(cv::Vec3i(color[0]-target[0],color[1]-target[1],color[2]-target[2])));
3、cv::saturate_cast函數。計算像素時會自動調用這個函數，保證像素值在0-255。
4、threshold(output,output,maxDist,255,cv::THRESH_BINARY_INV)
這個函數通常用於將所有像素與某個閾值（第三個參數）進行比較，並在常規閾值化模式(THRESH_BINARY)下，將所有大於指定閾值的像素賦值爲預定的最大值，。將其他像素賦值爲0。這裏用了THRESH_BINARY_INV。
一般來說，直接使用OPENCV函數，可以快速建立複雜程序，減少潛在錯誤，而且程序的運行效率通常也較高。不過這樣做會執行很多中間步驟，消耗更多內存。
5、floodFill函數——找出與指定顏色接近的像素
floodFill函數的做法在判斷一個像素時，還要檢查附近像素的狀態，這是爲了識別某種顏色的相關區域。用戶只需要指定一個起始位置和允許的誤差，就可以找出顏色相近的連續區域。
cv::floodFill(image,//輸入、輸出圖像
Point(100,50),起始點（與這個點比較，找這個點像素的近似）
Scalar(255,255,255),填充顏色
Rect* 0,填充區域的邊界矩形（繪製的顏色，這裏是白色）
Scalar(35,35,35),偏差的最小、最大閾值
Scalar(35,35,35),正差閾值，兩個閾值通常相等
FLOODFILL_FIXED_RANGE);與起始點像素比較
顏色接近的像素會被重新繪製成第三個參數指定的新顏色。
定義比參考色更高或更低的值作爲閾值。
6、GrabCut算法分割圖像
從靜態圖像中提取前景物體，使用GrabCut算法。
Mat result;
Mat bgModel,fgModel;
grabCut(image,//輸入圖像
result,分割結果
rectangle,包含前景的矩形
bgModel,fgModel,模型
5,迭代次數
GC_INIT_WITH_RECT);使用矩形
這裏，使用GC_INIT_WITH_RECT參數表示使用帶邊框的矩形模型。輸入/輸出的分割圖像可以是以下四個值：
GC_BGD//明確屬於背景的像素
GC_FGD明確屬於前景的像素
GC_PR_BGD可能屬於背景的像素
GC_PR_BGD可能屬於前景的像素
調用這個函數之後，取得結果方式：
compare(result,GC_PR_FGD,result,CMP_EQ);
foreground(image.size(),CV_8UC3,Scalar(255,255,255);
image.copyTo(foreground,result);
實現原理：把所有未標記的像素臨時標記爲前景，基於當前的分類情況，算法把像素劃分爲多個顏色相近的組，引入前景和背景像素之間的邊緣，確定背景前景的分割。在此過程中，將試圖連接具有相似標記的像素，並且避免邊緣出現在強度相對均勻的區域。
把問題表示成一幅連同的矩形，然後在圖形上分割，以形成最優的解決方案。分割完畢後，像素會有新的標記，然後重複這個分組過程，找到最優的分割方案。