从国外Blog上找到一篇文章, 解答了我的一些问题, 在此冒昧翻译一下, 做个备忘且分享给对此感兴趣的朋友。
原文地址：
http://www.learnopencv.com/opencv-c-vs-python-vs-matlab-for-computer-vision/
翻译如下：
我们经常会被各类工具搞晕。打个比方，工具可以帮助你打磨你的作品，但它不能使你成为一个好的手艺人。好的手艺人兜里会有各种不同的工具，但他会明智的选择最适合当前工作的那个。与他紧密结合的不是那些工具，而是那件艺术品本身。
我经常被那些“哪种编程语言更好”的争论逗乐。人们对哪种语言更好有着强烈的看法。而真相是程序员需要选择合适的编程语言来解决问题：快速搭建Web App需要使用Ruby on Rails或者Django；要开发在嵌入式系统中高性能运行的代码，试试C吧。
在CV中，我们面临的同样的选择。CV工程师/程序员需要学习哪个工具—OpenCV (C++)，OpenCV (Python)还是MATLAB？好消息是我们现在有了这些选项可以选择。在10年前没有好的CV库可以使用的情况下，如果你想学习CV，你需要拿起书，编写自己的小型CV算法库。但现在好多了。。。
如果你是初学者，我建议你选择阻力最小的路径，并且使用你熟悉的工具。如果你是Python程序员，就用OpenCV Python；如果你了解C++，就用OpenCV C+±–对于MATLAB也是一样。也就是说，几个月后，你不再是一个初学者时，你可以尝试使用这些新知识解决实际问题，或者在这个领域找个新的工作。我在这里有些想法，可以帮助你进行选择：
MATLAB
以前CV只是一个研究领域，从事CV研究的人大多是在实验室中工作。他们能选的工具只有MATLAB，而且在很长时间里，OpenCV都被局限在同MATLAB的比较以及社区需要提供的功能中。直到这几年，这个趋势才有所改变。
###下面是MATLAB的一些优点：
- 强大的Matrix支持：在CV领域，我们不仅可以将图像看作是多维的矩阵，我们还需要在不同的算法中应用线性代数知识。MATLAB的线性代数支持库不仅强大，而且还快（当然，在正确使用的情况下）。假如我们要在算法中，解决一些大的、线性相关的问题时，可能只需要一行代码—如X = A \ b。我们曾经假设C++实现要比MATLAB实现要快3倍，但是，呵呵！我们的第一版代码比MATLAB版要慢。而且花了几天时间之后，C++实现也仅仅和MATLAB版本实现的性能相当而已。在MATLAB中单个操作符（Operator）有时是一堆强大算法的合集（如，\），MATLAB只是选择了一个最适合当前问题的算法；
- 工具箱：无论你需要什么，都有对应的工具箱支持。如Image Processing Toolbox、Computer Vision Toolbox以及Statisitcal and Machine Learning Toolbox，实现了大量的算法。这些功能函数通常还提供简洁的接口。许多CV相关的问题都可以认为是优化问题，通常我们要在一些特定的情况下最大或最小化目标函数（Objective Function），而Optimization Toolbox提供的大量的优化实现；
- 可视化与调试工具：MATLAB有趣的地方还有就是：提供了写代码、可视化结果和调试代码集成环境，可以起到事半功倍的效果；
- 与OpenCV集成：基于MATLAB的OpenCV接口，可以与OpenCV协同工作；
- 文档支持：没有对比就没有伤害，即使是OpenCV的死忠粉，也认为OpenCV的文档太恶心了。而MATLAB，在IDE中就可以方便的查看文档。这使得使用MATLAB开发比OpenCV快2倍以上。接口参数的设置也优于OpenCV，如imshow，大多数情况下，开发人员没兴趣给OpenCV版imshow要求的窗体命名；
- 庞大的社区支持：MATLAB在学术界极其知名。最新的研究成果通常以MATLAB代码提供展示。如果你想走在最前面，那就得学会读MATLAB代码。
###下面是MATLAB在CV领域的一些缺点： - 贵！：贵的无耻，基础版$2,150，CV Toolbox $1,350。CV Toolbox还需要Image Processing Toolbox$1000。Optimization$1,350，Machine Learning$1000，加一起要$6,850！这些还不够，程序部署时要编译，MATLAB Compiler$4,250。嗯？还要多OS支持，再来$4,250。如果你是在学校里或者公司已经购买过License，倒是可以打个折；
- 学习曲线：MATLAB基于矩阵引擎（Matrix Engine）实现。如果不习惯MATLAB的开发方式，仅以C++开发思路实现的话，性能极差；
- 执行性能：典型的MATLAB代码执行性能比C++差很多。尽管内置的代码性能很好，但大多数情况下，我们写的代码会非常慢。通常我们需要将代码运算的热点部分用C开实现，然后使用mex与MATLAB集成在一起使用。
##OpenCV（C++）
OpenCV是我主要的CV工具。原型开发时，我采用MATLAB；但如果需要产品化，CV的代码会采用OpenCV实现。下面来看看OpenCV(C++)的优缺点：
###OpenCV(C++)的优点： - 免费：大部分的OpenCV组件不用花钱。你可以在商用的软件中免费使用OpenCV，而且不需要开源，你可以免费浏览和修改OpenCV的代码；
- 大量且优化过的算法：OpenCV提供了大量的算法，而且这此算法针对性能做出了优化。在OpenCV3中，你还可以使用TAPI，使得与OpenCL的集成变得更容易。许多其它的算法还提供CUDA版本；
- 平台与设备支持：OpenCV可以用在Desktop上，或者Web App的后端。由于对性能的追求，使得许多嵌入式与移动CV应用选择采用OpenCV来实现；
- 大社区支持：超过47,000的开发者使用且为OpenCV提供支持，超过9,000,000的下载。不像MATLAB社区多由学术人员构成，OpenCV社区由各行业人员构成。OpenCV的开发者包括像Intel，AMD&Goolge等公司。不用说这篇文章也是来自于这些活跃的社区；
###OpenCV(C++)的缺点： - 对新人不够友好：如果C++底子不够，使用OpenCV(C++)会比较难。也许用Python版会好很多；
- 文档比较挫：OpenCV的文档很差。有时你要理解算法逻辑，还得去读对应的论文，因为OpenCV文档中，没明确说明接口参数的含义。文档中通常也没有参考代码，这也加重的理解的难度。有参考代码的文档，也缺少对代码的注释。希望这些在以后的开发中，会有改善；
- 缺乏机器学习的支持：CV工程师会经常需要Machine Learning工具支持。OpenCV中，相比OpenCV(Python）版本，Machine Learning支持的比较少；
- 可视化与调试：在C++环境中，可视化与调试比较麻烦，尤其是新设计一个算法时。有时我会采用MATLAB来分析数据。。。；
OpenCV(Python)
Python针对OpenCV绑定对OpenCV的流行有很大帮助。用这个来学习OpenCV是个不错的选择，而且对于大多数的应用来说也足够了。下面来看一下优缺点：
###优点：
- 容易使用：对于Python程序员来说，使用OpenCV(Python）非常容易（Python比C++容易多了）；
- Python已经成为一门科学计算语言：前几年，MATLAB还被称为科学计算语言，但现在，OpenCV、NumPY、SciPY，Scikit-Learn和Matplotlib Python已经提供了强大的环境来开发与验证CV与ML算法；
- 可视化与调试：使用OpenCV(Python)时，可以访问大量的Python支持库。采用Matplotlib可视化可以达到与MATLAB相同的效果。采用Python调试比C++容易，但与MATLAB相比，还差一些；
- 构建Web后端：Python还是一门流行的网站设计语言，如Django，Web2py与Flask等框架可以快速集成Web应用。
###OpenCV(Python)缺点： - 文档同样比较挫：比OpenCV(C++)还差；
- 缺少支持：Intel, AMD & NVidia对OpenCV的支持是希望开发者购买他们的硬件（CPUs，GPUs）来运行这些算法。他们对OpenCV(Python)没任何兴趣。比如，什么时间Python能支持TAPI，现在根本无法想像；
- 运行时的性能问题：与C++比，Python版运行速度会比较差。在OpenCV(C++)中，我们可以通过GPU加速，达到10倍以上的性能提升；
- OpenCV是采用C++设计的：如果要修改OpenCV代码，需要在C++中进行。
##总结
作为工程师来说，我们需要采用正确的工具。一句话总结我的经验：原型阶段采用MATLAB/OpenCV(Python)，实施阶段采用OpenCV(C++)。