代码改变世界

opencv安装

2021-12-27 17:11  youxin  阅读(279)  评论(0)  编辑  收藏  举报

Opencv2标志着opencv革命性的改变，Opencv2带来了全新的C++接口，将Opencv的能力无限放大。在2.0时代，opencv增加了新的平台支持，包括iOS和Android，通过CUDA和openGL实现了GPU加速，为Python和Java用户提供了接口。

Opencv 3改变了项目架构的方式，3.0版本不会像2.0版本一样激进的尝试，只会有足够稳定的改进。项目架构的改变是Opencv 3最为重大的革新之处。2.0版本是各个模块都是以整体的形式构建然后组合在一起的。然而，随着功能的增加，opencv主体集成了各种各样的功能模块，变得越来越臃肿。而3.0版本就是为了给日益发福的opencv减肥，因为Opencv3决定向其他大项目一样，抛弃整体架构，使用内核+插件的架构形式。

在GitHub中，除了存放着正式版本的opencv的主仓库和新增加的“opencv_extra”仓库以外，opencv3中还添加了一个名为“opencv_contrib”的全新仓库，该仓库包括很多让人兴奋的功能：脸部识别，文本探测，文本识别，新的边缘检测器，充满艺术感的图像修复，深度地图处理，新的光流和追踪算法等。

opencv_contrib仓库是大多数实验性代码放置的地方，一些API可能会有改变，这些额外模块可以在CMake中用OPENCV_EXTRA_MODULES_PATH=/modules传递给CMake文件。

OpenCV 1.x
OpenCV 最初基于C语言开发，API也都是基于C的，面临内存管理、指针等C语言固有的麻烦。

2006年10月1.0发布时，部分使用了C++，同时支持Python，其中已经有了random trees、boosted trees、neural nets等机器学习方法，完善对图形界面的支持。

2008年10月1.1pre1发布，使用 VS2005构建，Python bindings支持Python 2.6，Linux下支持Octave bindings，在这一版本中加入了SURF、RANSAC、Fast approximate nearest neighbor search等，Face Detection (cvHaarDetectObjects)也变得更快。

OpenCV 2.x
当C++流行起来，OpenCV 2.x发布，其尽量使用C++而不是C，但是为了向前兼容，仍保留了对C API的支持。从2010年开始，2.x决定不再频繁支持和更新C API，而是focus在C++ API，C API仅作备份。

2009年9月2.0 beta发布，主要使用CMake构建，加入了很多新特征、描述子等，如FAST、LBP等。

2010年4月2.1版本，加入了Grabcut等，可以使用SSE/SSE2…指令集。

2010年10月2.2版本发布，OpenCV的模块变成了大家熟悉的模样，像opencv_imgproc、opencv_features2d等，同时有了opencv_contrib用于放置尚未成熟的代码，opencv_gpu放置使用CUDA加速的OpenCV函数。

2011年6月起的2.3.x版本、2012年4月起的2.4.x版本，一面增加新方法，一面修复bug，同时加强对GPU、Java for Android、 OpenCL、并行化的支持等等，OpenCV愈加稳定完善，值得注意的是 SIFT和SURF从2.4开始被放到了nonfree 模块（因为专利）。

考虑到过渡，OpenCV 2.4.x仍在维护，不过以后可能仅做bug修复和效率提升，不再增加新功能——鼓励向3.x迁移。

OpenCV 3.x
随着3.x的发布，1.x的C API将被淘汰不再被支持，以后C API可能通过C++源代码自动生成。3.x与2.x不完全兼容，与2.x相比，主要的不同之处在于OpenCV 3.x 的大部分方法都使用了OpenCL加速。

2014年8月3.0 alpha发布，除大部分方法都使用OpenCL加速外，3.x默认包含以及使用IPP，同时，matlab bindings、Face Recognition、SIFT、SURF、 text detector、motion templates & simple flow 等都移到了opencv_contrib下（opencv_contrib不仅存放了尚未稳定的代码，同时也存放了涉及专利保护的技术实现），大量涌现的新方法也包含在其中。

2017年8月3.3版本，2017年12月开始的3.4.x版本，opencv_dnn从opencv_contrib移至opencv，同时OpenCV开始支持C++ 11构建，之后明显感到对神经网络的支持在加强，opencv_dnn被持续改进和扩充。

OpenCV 4.0
2018年10月4.0.0发布，OpenCV开始需要支持C++11的编译器才能编译，同时对几百个基础函数使用 "wide universal intrinsics"重写，这些内联函数可以根据目标平台和编译选项映射为SSE2、 SSE4、 AVX2、NEON 或者 VSX 内联函数，获得性能提升。此外，还加入了QR code的检测和识别，以及Kinect Fusion algorithm，DNN也在持续改善和扩充。
————————————————
原文链接：https://blog.csdn.net/weixin_46195203/article/details/116990969

 

Anaconda  安装opencv3：

conda install --channel https://conda.anaconda.org/menpo opencv3

 

测试opencv3是否安装好

直接进入python环境，然后import cv2 ，没报错就是装好了

 

提示

UnsatisfiableError: The following specifications were found
to be incompatible with the existing python installation in your environment:

Specifications:

- opencv3 -> python[version='2.7.*|3.4.*|3.5.*']

Your python: python=3.7

 

我们换个源，用conda-forge

conda search -c conda-forge opencv

或者官网上搜索 https://anaconda.org/conda-forge/opencv/files 

 

 

ImportError: DLL load failed: 找不到指定的模块。

https://blog.csdn.net/mingxiaod/article/details/88665418

 

换种方式 （手动下注whl文件安装，推荐这种）

https://pypi.org/project/opencv-python/ 

 

打开网页选择对应Python版本的.whl文件并下载至硬盘（.whl件是python的包文件，包含了py文件，以及经过编译的pyd文件，用于安装），版本对应关系如下图所示。

 

 

 

 

 

由于本机是64bit系统，且刚才我们通过Anaconda安装的是Python3.5.2版本，因此，在上面的列表中下载名字中含有cp35和win_amd64的.whl安装文件，下述两个都可以（contrib模块会提供更多的图像处理功能）：

opencv_python‑3.4.1+contrib‑cp35‑cp35m‑win_amd64.whl

opencv_python‑3.4.1‑cp35‑cp35m‑win_amd64.whl

而如果大家安装的是Anaconda3.4.4版本，则对应的Python3.6.1版本，下载名字中含有cp36和win_amd64的.whl安装文件：

opencv_python‑3.4.1+contrib‑cp36‑cp36m‑win_amd64.whl

opencv_python‑3.4.1‑cp36‑cp36m‑win_amd64.whl

下载whl文件后，然后

pip install xx.whl 

 

测试import cv2， 没有报错就成功了 .

 

基础用法

图像读取和写入

　　　　cv2.imread()

imread(img_path,flag) 读取图片，返回图片对象
    img_path: 图片的路径，即使路径错误也不会报错，但打印返回的图片对象为None
    flag：cv2.IMREAD_COLOR，读取彩色图片，图片透明性会被忽略，为默认参数，也可以传入1
          cv2.IMREAD_GRAYSCALE,按灰度模式读取图像，也可以传入0
          cv2.IMREAD_UNCHANGED,读取图像，包括其alpha通道，也可以传入-1

　　　　cv2.imshow()

复制代码
imshow(window_name,img)：显示图片，窗口自适应图片大小
    window_name: 指定窗口的名字
    img：显示的图片对象
    可以指定多个窗口名称，显示多个图片
    
waitKey(millseconds)  键盘绑定事件，阻塞监听键盘按键，返回一个数字（不同按键对应的数字不同）
    millseconds: 传入时间毫秒数，在该时间内等待键盘事件；传入0时，会一直等待键盘事件
    
destroyAllWindows(window_name) 
    window_name: 需要关闭的窗口名字，不传入时关闭所有窗口
复制代码

　　　　cv2.imwrite()

imwrite(img_path_name,img)
    img_path_name:保存的文件名
    img：文件对象

 

OpenCV中的图像是以BGR的通道顺序存储的，但Matplotlib是以RGB模式显示的，所以直接在Matplotlib中显示需要转换一下：

 

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('lena.jpg')
img2 = img[:, :, ::-1]

# 或者使用cv2.COLOR_BGR2RGB 其实这种写法更常见
#img2 = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 显示不正确的图
plt.subplot(121),plt.imshow(img)

# 显示正确的图
plt.subplot(122)
plt.xticks([]),plt.yticks([])  # 隐藏x和y轴
plt.imshow(img2)
plt.show()

 

 

参考:

https://blog.csdn.net/iracer/article/details/80498732

https://blog.csdn.net/wyj_love_wjy/article/details/85066127

https://blog.csdn.net/mingxiaod/article/details/88665418