用opencv创建第一个项目

用opencv创建第一个项目

在安装完opencv后,我创建了一个opencv示例项目,看项目是否能正常运行。创建的过程如下:
第一步:首先创建程序的工作目录,工作目录应包括三个文件夹,分别是bin,lib,src三个文件夹,如下图
在这里插入图片描述
文件夹bin包括以下内容:
在这里插入图片描述
文件夹lib包括以下内容:
在这里插入图片描述
文件夹src用来存放项目文件,同时新建一个include文件夹存放opencv中的include文件夹下的内容。如下图
在这里插入图片描述
第二步:创建一个空项目,如下图所示
在这里插入图片描述
在这里插入图片描述
第三步:配置项目环境,因为我的opencv是64位版本,因此我首先右键项目\属性\配置管理器中的平台改为64位平台,如图
在这里插入图片描述
在属性中选择(C\C++),在附加包含目录中添加include文件夹,如下图
在这里插入图片描述
然后在属性中选择\链接器\常规\添加附加库,添加lib文件夹下的库文件。(因为lib在工程文件的上二级目录,所以是…\lib)
在这里插入图片描述
在属性中选择\链接器\常规\输入,附加依赖项中添加库的名字,如图
在这里插入图片描述
然后在配置属性\常规中,将输出目录改为”…\bin”,然后在配置属性\调试中将工作目录改为”…\bin”,如下图:
在这里插入图片描述
第四步:在项目文件下的源文件下添加一个cpp文件,并在文件中输入以下代码:

#include <opencv2/core.hpp>
#include <opencv2/imgcodecs.hpp>
#include <opencv2/highgui.hpp>
using namespace cv;
int main(int argc, char *argv)
{
	Mat image = imread("1.jpg");
	namedWindow("img");
	imshow("img", image);
	waitKey(0);
	return 0;
}

在bin文件夹中添加1.jpg后,运行项目即可。

OpenCV项目 这是一个个人在使用OpenCV过程中写的一些小项目,以及一些非常有用的OpenCV代码,有些代码是对某论文中的部分实现。 注意:代码是在Xcode里写的,如果要在win下测试,遇到问题自己修改。 opencv-rootsift-py 用python和OpenCV写的一个rootsift实现,其中RootSIFT部分的代码参照Implementing RootSIFT in Python and OpenCV这篇文章所写,通过这个你可以了解Three things everyone should know to improve object retrieval这篇文章中RootSIFT是怎么实现的。 sift(asift)-match-with-ransac-cpp 用C++和OpenCV写的一个图像匹配实现,里面包含了采用1NN匹配可视化、1NN匹配后经RANSAC剔除错配点可视化、1NN/2NN<0.8匹配可视化、1NN/2NN<0.8经 RANSAC剔除错配点可视化四个过程,其中1NN/2NN<0.8匹配过程是Lowe的Raw feature match,具体可以阅读Lowe的Distinctive image features from scale-invariant keypoints这篇文章。这个对图像检索重排非常有用。另外里面还有用OpenCV写的ASIFT,这部分来源于OPENCV ASIFT C++ IMPLEMENTATION,ASIFT还可以到官网页面下载,ASIFT提取的关键点 比SIFT要多得多,速度非常慢,不推荐在对要求实时性的应用中使用。 更多详细的分析可以阅读博文SIFT(ASIFT) Matching with RANSAC。 有用链接 OpenCV3.0文档 // 测试sparse unsigned int centersNum = 10; vector descrNums; descrNums.push_back(8); descrNums.push_back(12); //unsigned int T[] = {1, 2, 1, 3, 2, 5, 4, 3, 10, 5; 4, 2, 6, 5, 2, 5, 4, 6, 2, 4}; unsigned int T[] = {1, 2, 1, 3, 2, 5, 4, 3, 10, 5, 4, 2, 6, 5, 2, 5, 4, 6, 2, 4}; sp_mat Hist(descrNums.size(), centersNum); static long int count = 0; for (int i = 0; i < descrNums.size(); i++){ unsigned int* desrcElementsTmp = new unsigned int[descrNums[i]]; memcpy(desrcElementsTmp, T + count, descrNums[i] * sizeof(T[0])); //cout << desrcElementsTmp[0] << '\t' << desrcElementsTmp[1] << '\t' << desrcElementsTmp[2] << '\t' << desrcElementsTmp[3] << '\t' << desrcElementsTmp[4] << '\t' <<endl; //cout << desrcElementsTmp[5] << '\t' << desrcElementsTmp[6] << '\t' << desrcElementsTmp[7] << '\t' << desrcElementsTmp[8] << '\t' << desrcElementsTmp[9] << '\t' << desrcElementsTmp[10] << '\t' <<endl; //cout << endl; sp_mat X(1, centersNum); X.zeros(); for (int j = 0; j < descrNums[i]; j++){ X(0, desrcElementsTmp[j]-1) += 1; } X.print("X:"); X = X/norm(X, 2); Hist.row(i) = X; count = count + descrNums[i]; delete desrcElementsTmp; } //Hist.print("Hist:");
### 创建C++与OpenCV项目于Linux环境下的VSCode #### 安装必要的软件包 为了能够在Linux环境下利用Visual Studio Code开发基于OpenCV的C++应用程序,需先安装一系列依赖项。这包括但不限于构建工具链、编辑器本身以及计算机视觉库OpenCV。 对于大多数Linux发行版而言,可以通过系统的包管理器来获取这些组件。例如,在Ubuntu上可以执行如下命令: ```bash sudo apt update && sudo apt upgrade -y sudo apt-get install build-essential cmake git pkg-config libgtk-3-dev \ libavcodec-dev libavformat-dev libswscale-dev python3-dev python3-numpy \ libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libdc1394-22-dev \ code ``` 上述指令不仅会更新现有程序至最新版本并安装编译所需的工具集,还会拉取OpenCV运行所必需的各种第三方库和支持模块[^2]。 #### 获取并配置OpenCV源码 接下来是从官方仓库克隆OpenCV及其额外贡献模块到本地机器,并对其进行适当设置以便后续集成进个人工程之中。操作步骤如下所示: ```bash git clone https://github.com/opencv/opencv.git cd opencv mkdir build && cd build cmake .. make -j$(nproc) sudo make install ``` 这里采用了多线程加速编译过程的方式(`-j$(nproc)`表示自动检测CPU核心数),从而节省时间成本;而`sudo make install`则负责把最终产物部署到系统默认路径下使得全局可见可访问。 #### 配置VSCode工作区 完成以上准备工作之后,便可以在目标目录内初始化一个新的Git存储库作为项目的根节点,接着打开它对应的文件夹让VSCode接管整个流程: ```bash mkdir my_opencv_project && cd $_ git init . code . ``` 进入IDE界面后建议立即启用扩展插件市场中的C/C++ IntelliSense支持功能,这样有助于提高编码效率减少错误发生几率。与此同时,还需定义好launch.json调试配置文件和tasks.json任务描述文档以确保能够顺利启动测试实例[^1]。 ##### launch.json 示例 此JSON对象主要用于指定断点跟踪时的各项参数选项,比如选择合适的GDB引擎版本号、设定初始加载地址范围等重要属性。 ```json { "version": "0.2.0", "configurations": [ { "name": "(gdb) Launch", "type": "cppdbg", "request": "launch", "program": "${workspaceFolder}/main", "args": [], "stopAtEntry": false, "cwd": "${fileDirname}", "environment": [], "externalConsole": true, "MIMode": "gdb", "setupCommands": [ { "description": "Enable pretty-pretty-printing", "ignoreFailures": true } ], "preLaunchTask": "build" } ] } ``` ##### tasks.json 示例 该部分用来声明预处理阶段的任务列表,其中最典型的就是调用Makefile重新生成二进制镜像的过程。 ```json { "version": "2.0.0", "tasks": [ { "label": "build", "command": "/usr/bin/make", "group": { "kind": "build", "isDefault": true }, "detail": "Generated task.", "problemMatcher": ["$gcc"], "presentation": { "echo": true, "reveal": "always", "focus": false, "panel": "shared" } } ] } ``` 最后但同样至关重要的一环就是编写实际业务逻辑代码——即实现特定图像处理算法的具体细节。考虑到篇幅限制此处仅给出一个简单的hello world风格案例供参考学习之用: ```cpp #include <iostream> #include <opencv2/core.hpp> #include <opencv2/imgcodecs.hpp> #include <opencv2/highgui.hpp> int main(int argc, char* argv[]) { cv::Mat image; image = cv::imread("/path/to/image.jpg", cv::IMREAD_COLOR); if(image.empty()){ std::cout << "Could not open or find the image" << std::endl ; return -1; } cv::imshow("Display window", image); int k = cv::waitKey(0); // Wait indefinitely until keypress event occurs. return 0; } ``` 通过上述指南应该已经掌握了怎样借助Visual Studio Code搭建起一套完整的面向Linux平台的OpenCV+C++应用框架体系结构。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

qq_17616

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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