opencv c++ 环境搭建与测试

Opencv入门(C++) OpenCV c++版入门。 阅读详情

创建工程

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

windows下载包(releases的build,自己build参考这个)

https://github.com/opencv/opencv/releases

在这里插入图片描述在这里插入图片描述

解压

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

  • 视图-属性管理器
    在这里插入图片描述
  • 在这里配置工程的属性
    在这里插入图片描述

1.包含目录

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

  • 再将opencv2引入
    在这里插入图片描述

2.链接库( 将同级下的bin目录加入到环境变量)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main(int argc, char** argv) {
	Mat src = imread("C:/Users/admin/Pictures/7.png"); 
	if (src.empty()) {
		printf("could not load image....\n");
		return -1;
	}
	imshow("输入窗口", src);

	waitKey(0);
	destroyAllWindows();
	return 0;
}

在这里插入图片描述

#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/videoio.hpp>
#include <opencv2/video.hpp>
#include <opencv2/highgui/highgui_c.h>//https://blog.youkuaiyun.com/weixin_44312186/article/details/89000922
using namespace cv;
using namespace std;

int main(int argc, char** argv) {
	Mat src = imread("C:/Users/admin/Pictures/7.png"); 


	if (src.empty()) {
		printf("could not load image....\n");
		return -1;
	}
	imshow("输入窗口", src);

	cv::Mat img_dst;
	cv::resize(src, img_dst, cv::Size(640, 480), 0, 0, cv::INTER_AREA);//https://stackoverflow.com/questions/17533101/resize-a-matrix-after-created-it-in-opencv
	cv::namedWindow("尝试缩放", CV_WINDOW_AUTOSIZE);
	cv::imshow("尝试缩放", img_dst);


	

	waitKey(0);
	destroyAllWindows();
	return 0;
}

CG

https://github.com/opencv/opencv

在这里插入图片描述在这里插入图片描述

linux 的略

添加链接描述
用C++和opencv简单实现了植物大战僵尸这款游戏(不过这个可能少些文件?)
PlantsVsZombies game made by cocos2dx 3.16 (c++)
植物大战僵尸 纯c++&SDK。
这个可以直接运行在vs2015中仅需如此稍微修改
这个有apk和电脑安装的

opencv-c++ 类型说明Point二维点类Point3三维点类Rect矩形类旋转矩形类Range范围类Scalar通道类Size规格类。 阅读详情

相关推荐

【C++】OpenCV:计算机视觉库介绍及C++环境配置

计算机视觉库介绍及C++环境配置

DevFrank的博客 1万+

c++版opencv长文指南

c++版opencv长文指南

weixin_50557558的博客 1万+

告别“盲开”:手把手教你用MCU内置比较器搞定BLDC无感方波启动(附代码片段)

本文详细介绍了如何利用MCU内置比较器实现BLDC无感方波启动,解决传统无传感器控制中的'盲开'问题。通过虚拟中性点电路设计和三段式启动流程,结合反电动势检测和过零检测技术,提供了一套经济高效的解决方案,并附有可直接移植的代码片段,助力工程师快速实现可靠的无感控制。

weixin_33694172的博客 502

OpenCV - C++实战(01) — OpenCV简介

本专栏介绍OpencV 计算机视觉程序库,基于C++语言编程,持续更新文章。

几度春风里的博客 7087

cmu15445 2023fall project4 详细过程(包括Bonus Tasks) Concurrency Control

CMU15-445 23fall project 4详解

LA的博客 1603

Python 静态导入与动态导入

python中模块的静态导入 与 动态导入(运行时指定模块),以及具体对应示例。

慢也好,步子小也好,往前走就好~ 717

9.2 c++搭建opencv环境

进入到以下链接:https://opencv.org/releases/ , 点击Windows,即可下载。接下来,点击链接器,点击输入,点击附加依赖项,点击右边的下拉三角形,点击编辑,将如下目录输入即可,点击VC ++ 目录, 点击包含目录,点击右边的下拉三角形,点击编辑,将如下目录输入即可,点击确认,然后,点击库目录,点击右边的下拉三角形,点击编辑,将如下目录输入即可,这表示,VC++ 会从此opencv 算法目录调用。的博客,自己搭建了两遍,中间只是轻微的改变,点击应用,点击确认,等待配置完成。

weixin_71719718的博客 836

防止通达信公式被盗?手把手教你用DLL加密+互联网验证(含易语言后台管理)

本文详细介绍了如何通过DLL加密与互联网验证技术保护通达信公式安全。从DLL加密实现、设备绑定到易语言后台管理,提供了一套完整的防护方案,有效防止公式被盗用。重点讲解了互联网验证登录和绑定设备等核心技术,帮助量化交易者守护核心资产。

weixin_29323551的博客 500

win11系统搭建c++ opencv4.5.5开发环境 Visual Studio 2019+ OpenCV4.5.5 配置详解

1.1我们需要,可以从官网获取官网下载地址下载后得到一个exe文件右击此电脑->属性2.3。

qq_41959424的博客 689

英飞凌 AURIX 系列单片机的HSM详解(1)——何为HSM

1. 概述 随着汽车上通信系统越来越复杂,云端远程通信的场景越来越多,信息安全变得越来越重要,在通信领域常用的AES、SHA、RSA等加密算法被越来越多地应用到汽车上。但通常这类加解密算法都需要大量的数学运算,需要消耗很多CPU时间和资源,汽车上的ECU又有比较高的实时性要求,为了节省主CPU的资源,HSM应运而生。 HSM(Hardware Security Module),是MCU上专门用于实现加解密算法的一个外设,它一般会有一个独立的CPU,专门用来进行加解密运算,还有一些针对特定算法的硬件加速器(如

weixin_42967006的博客 4万+

初学者入门YOLO目标检测:从懵圈到上手,这篇文章讲透所有核心(附学习路径+避坑指南)

目标:比如训练一个“检测苹果和橘子”的模型,或者“检测人脸”的模型;任务:学会用LabelImg标注数据,制作YOLO格式的数据集,用命令行训练模型;关键:不用追求高精度,能训练出一个能检测出目标的模型就行。很多初学者卡在入门阶段,不是因为智商不够,而是因为“想太多,做太少”——总觉得要把所有原理搞懂才能动手,结果越想越怕,最后放弃。先动手,再动脑。先跑通一个案例,获得成就感;再制作自定义数据集,训练简单模型;最后再回头去理解原理,优化模型。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 688

windows10系统下安装opencv4.7.0+VSCode+(C++)环境搭建

windows10系统下安装opencv4.7.0+VSCode+(C++)环境搭建及配置过程中的注意事项。

weixin_40126939的博客 4498

图神经网络实战(8)——图注意力网络(Graph Attention Networks, GAT)

图注意力网络 (Graph Attention Networks, GAT) 是对图卷积网络 (Graph Convolutional Network, GCN) 的改进,提出了一种通过自注意力 (self-attention) 过程计算的加权因子,而不是使用静态的归一化系数。在本节中,我们介绍了 GAT 架构。通过从线性变换到多头注意力的四个主要步骤,了解了 GAT 的工作原理,并在 NumPy 中从零开始构建了 GAT 层。最后,将 GAT 模型应用于 Cora 和 CiteSeer 数据集。

盼小辉丶的博客 1万+

VisualStudio2019安装配置OpenCV的C++环境

文章目录 文章目录文章目录前言环境引用VS2019下载与安装OpenCV下载与安装下载安装创建&配置C++项目测试 前言 自己近期在学习机器学习,想要动手做一个人脸识别项目,而OpenCV是一个非常不错的开源计算机视觉和机器学习库,里面包含很多人脸检测和识别算法,并且包含很多训练好的模型,实际实践起来相对简单,很适合现阶段的学习。OpenCV支持Python、C++、Java等多种语言,基于Python环境的搭建过程比较简单(Pycharm+Anaconda+OpenCV),本文主要记录Visual

优快云_0007的博客 1万+

【Simulink教程案例19】基于simulink的扩频通信系统建模与仿真

扩频是一种应用于数字调制信号的调制技术,可以提高传输信号的带宽。扩频通信具有抗干扰能力强,扩频增益越大,抗干扰能力越强。而且扩频通信具有很强的保密性,扩频后信号近似白噪声,功率谱密度也很低。扩频通信可用于多址通信。扩频调制有如下三个特点:① 扩频后信号的带宽远大于信号所需的带宽② 使用扩频码进行扩频调制,扩频码与信号中的数据相互独立③ 在接收端,通过将接收信号与扩频码的同步副本进行相关,实现解扩。

FPGA/MATLAB学习教程/源码/项目合作开发 2196

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

ubuntu配置vscode c++ + opencv

ubuntu配置vscode c++ + opencv ubuntu下配置c++和opencv需要三个文件 c_cpp_properties.json { "configurations": [ { "name": "Linux", "includePath": [ "${workspaceFolder}/**", "/usr/local/include/opencv2

weixin_39681471的博客 568

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

android app c++版本opencv测试环境搭建完成

以前配置好的,删掉了,现在重新配置花了1个小时。我太厉害了,现在的都是C++版本的测试了,以前是纯java,所以速度非常快。

38

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

TesseractOCR + OpenCV环境搭建

想使用TesseractOCR + OpenCV当然可以下载源代码自己编译,但这样对于小白来说会遇到许多问题,尤其是库的依赖需要自己补全。踩了许多坑,后来了解到可以使用包管理工具进行环境搭建。Vcpkg是可用于Windows,linux和MacOS上跨平台的开源 C/C++ 库管理工具。

m0_56671020的博客 1137

VSCode搭建OpenCV的c++环境(windows10)

VsCode搭建OpenCV的c++环境 版本和下载: 1.vscode:官网下载最新版,建议zip压缩包直接下载解压安装。 2.OpenCV源码:

you_zai的博客 3万+

Visual Studio 2019搭建OpenCV3.4.6环境

VS2019下载地址: https://visualstudio.microsoft.com/zh-hans/downloads/ 安装时,工作负载可以勾选:使用C++的桌面开发、Visual Studio扩展开发 OpenCV3.4.6下载地址: https://opencv.org/releases/ 下载解压后是一个文件。 一、添加环境变量 右键我的电脑“属性”>高...

自在独行的博客 5287

OpenCV+VS2022——环境搭建竟如此简单

手把手教您配置VS编辑器中OpenCV的C++开发环境,每一步都有图片说明,一次就成功,不用翻来覆去再找教程!!

T_killer_的博客 2686

C++ opencv4与VS2015之环境配置与搭建(超详细!!!)

C++ opencv4之环境配置与搭建 这个专栏是自己学习与应用的专栏,学习的来源是b站贾志刚老师的视频课OpenCV学堂

weixin_46196863的博客 1977

opencv+qt 的c++环境搭建

一、安装 visual studio 二、安装 opencv 三、安装 qt 四、配置 opencv + qt 的 c++ 程序

weixin_38571318的博客 1403

Ubuntu 20.04下搭建C++ & OpenCV 4.6.0 & cmake编译

这篇文章记录了我在Ubuntu重新搭建OpenCV,c++环境。后续会补充opencv-python、深度学习、ROS环境配置,使之相互兼容。具体操作和安装包在文章中都有,不同版本的安装过程大同小异。搭建过程共分为以下几大部分:1. 换国内源;2. 安装依赖项;3. 下载OpenCV源文件;4. 配置、编译、安装OpenCV;5. 配置环境;6. demo测试;7. 简单项目测试;8. 其他。

stringwind的博客 5887

二维条码 PDF417 zxing-cpp解码详细过程

该博客是基于Windows Visual Studio 15 X64的环境解码!本小白一枚,有不对或着讲解复杂的地方请多多指教!!!写该篇博客前参考很多博主的博客,零七八碎的,于是就整合出自己填坑的过程,参考博客众多,就不一一列举致谢,望包涵体谅! 目录 1. Windows 10下环境的搭建 1.1 Visual Studio 15的下载与安装以及VAssistX插件的安装 1.2 CM...

Vista0803的博客 3086

【Qt学习】 OpenCV环境搭建

【Qt学习】 OpenCV环境搭建

m0_56051805的博客 2744
上一篇: 笔记:软件工程常用开源文档模板 + 软件著作权
下一篇: “::“ “.“ 和“->“ 在 c++的使用
FakeOccupational
博客等级 码龄6年 2万+粉丝 1727原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值