目录

0.写作背景

1.安装visual studio

2.下载OpenCV相关的源码

下载OpenCV原始的源码

  下载OpenCV contrib的源码 

下载安装cmake

3.cmake编译OpenCV

初始编译

CmakeDownload的bug修复

OpenCV-crontrib编译：

Generate生成代码

VS生成代码：

报错修复

 4.Visual Studio配置变量

 5.Case测试：

初始测试

SIFT算子测试

SURF算子测试

6.总结

7.参考链接：

8.预告：关于修改源码

---

0.写作背景

        OpenCV可能是目前使用最广泛的开源图像处理工具了，尤其是在科研领域。

        在读研期间进行图像拼接相关的科研工作时候，我遇到了和OpenCV相关很棘手的两个问题：

        1.为什么的我的OpenCV安装不成功？？？

        2.为什么我的OpenCV不能修改源码？

        那个时候CSDN上的相关资料也不多，甚至现在关于OpenCV安装的很多问题，CSDN上说的也不算很清楚。与此同时那段时间也是自己比较艰难的一段时间，在OpenCV上花了很多时间和精力才终于解决了上述两个问题。我在此分享一下如何解决这两个问题。

        本篇主要详细记录一下如何在Windows 操作系统下，搭建Visual Studio+OpenCV+OpenCV contrib的运行环境。

1.安装visual studio

        关于安装visual studio，最保险的方法首先去官网下载安装器：

下载 Visual Studio Tools - 免费安装 Windows、Mac、Linux

        暂时使用Community版本就好，尤其是对学生or个人用户而言。

         然后安装的时候，参考第一个"参考链接"（我自己安装的时候忘记截图了啦真的是很对不起了啦，谁要是质疑我就很机车了啦）：

         然后只要选择"使用C++的桌面开发"就好。

         然后一路默认安装就好。

        本地随便建一个新项目运行：

         选择“控制台应用”：

         项目建立之后，点击"本地Windows调试器"：

         然后就可以运行输出HelloWorld了：

2.下载OpenCV相关的源码

下载OpenCV原始的源码

        既然要下载源码了，我们还是去OpenCV的官网，下载最新的release版本：

Releases - OpenCV

                截止至2022年4月4号，最新的Release版本是OpenCV – 4.5.5。我们下载Sources（后面修改源码需要用到）：

         下载之后解压到特定文件夹，当前case之中我解压到了E:\Downloads\opencv-4.5.5

  下载OpenCV contrib的源码 

        然后我们去下载OpenCV contrib，官网链接：

GitHub - opencv/opencv_contrib: Repository for OpenCV's extra modules

Q：为什么要下载OpenCV contrib呢？

A：因为自从OpenCV 3.0之后，很多经典的算法，比如sift和surf特征点检测算法，由于专利原因，已经不包含在OpenCV的源码当中了，需要下载OpenCV contrib包才能继续使用。

        OpenCV contrib的版本记得要和OpenCV版本符合哦（例如上图我们选择的是4.X版本）。还是要下载源码哦。

下载完解压，本文的路径为：E:\Downloads\opencv_contrib-4.x

下载安装cmake

之后我们还需要去下载cmake 用于编译OpenCV。

这里别下载错了下载成source了。在安装OpenCV的过程之中，我们只需要使用Cmake的gui程序图像化运行就好，不需要去管cmake的源码。

下载完解压，本文的解压地址为：E:\Downloads\cmake-3.23.0-windows-x86_64。在bin目录下运行cmake-gui.exe即可。

 

3.cmake编译OpenCV

前置工作结束就需要开始编译OpenCV了。

初始编译

1.第一步先按下图操作：

 2.弹窗出来的配置，按照自己的开发环境配置即可（本文的环境是VS 2022，平台是X64平台），然后点击"Finish"即可：

 3.cmake的窗口开始打印信息：

 打印出来的信息中如果出现python、matlab相关的报错，例如下图，直接pass。（Python……ptsd，想到python就ptsd……想起某人爱用python造轮子……） 

这一步需要等到cmake初始编译完成。

CmakeDownload的bug修复

这一步很多博客都没有写清楚如何排查，导致很多新手在之后VisualStudio阶段导包的时候出错。

上一步完成之后，大部分情况下会报错。

不出意外会看到如下的报错信息。

 仔细阅读之后，我们应该查看一下CMakeDownloadLog.txt。

使用Notepad++或者其他软件打开CMakeDownloadLog.txt,

        有时间的同学自己阅读和翻译。我直接说一下问题：Cmake去下载相关的包没有下载下来。

        所以根据红框处的信息我们需要自行下载，方法：将链接输入到浏览器，然后就会自动下载。一些链接输入到浏览器之后，显示的是文本，那么就将文本拷贝到本地并重命名，如下图的cmake文件。

        这种情况，就ctrl+s保存，注意命名。

        此处我不把包上传到CSDN上，因为版本更新之后还是有可能遇到同样问题，希望后续OpenCV版本更新之后，大家能自行解决问题。

        另外此处的链接可能会被屏蔽，大家自行找办法下载。        

        下载之后将这些包拷贝到.cache文件夹下，并且需要更改包的名字（cmake下载包之后将校验的hash码重命名到了包中），下图以ippcv包为例：

下载的包原名为：

ippicv_2020_win_intel64_20191018_general.zip         

复制到CmakeDownloadLog.txt中的.cache文件夹下，并改名为：

879741a7946b814455eee6c6ffde2984-ippicv_2020_win_intel64_20191018_general.zip

 其他的包同上。不赘述。

这些拷贝结束之后，我们重新configure：

然后我们在看CmakeDownLoadLog.txt，已经不报错了：

cmake也不标红和报错了：

OpenCV-crontrib编译：

在cmake的OPENCV_EXTRA_MODULES_PATH之中输入之前下载的OpenCV-contrib的路径（精确到modules：

 

 再次configure，然后又看到一大堆报错：

 查看CmakeDownLoadLog.txt，是的，又来了：

再次下载吧。（有一说一，多了好多微信二维码的内容，不愧是你，腾讯！不愧是你，化腾！） 

        下载完成，再次configure，并查看CmakeDownLoadLog.txt，好的不报错了。PS：如果过程中发现CmakeDownLoadLog.txt还是有报错，继续下载，继续复制。

        另外在多次configure过程中，每次都会尝试从.cache文件中获取原始文件，再拷贝到build之后的文件夹下面，复制的过程也会打日志的。建议多点几次configure。

        最后我们查看CmakeDownLoadLog.txt，我们会看到如下信息： 

终于都是match了，开心！ 

注：史前大坑：OPENCV_ENABLE_NONFREE一定要勾选上啊！否则Nonfree没法用。

Generate生成代码

上述工作检查无误，到了这一步才可以点击Generate哦。

VS生成代码：

找到build之后的OpenCV.sln文件，用VS打开。

 右键项目，并点击“重新生成解决方案”：

另外这里只是生成了debug版本，后面记得把Release版本也生成一下，Debug和Relea版本都生成之后，后续的代码才能在debug和release两个环境下运行。

 这一步会等很久，等待时间从2小时到12个小时不等。

（注：这里有点错误，参考了其他一些链接，实际上只需要对CMakeTargets文件夹下的Install进行重新生成即可，如下图，但是全部重新生成应该也不影响）。

报错修复

之前安装OpenCV 3.X版本没有遇到过这个错误，这次遇到了，就尝试修复一下吧。参考链接4。 

vs2022重新编译opencv-python cuda加速时报错_Harry Xu的博客-CSDN博客

解决方法的核心就是找到出错的文件，然后保存为Unicode格式的文件即可。

 个人猜测这个问题不修复也不会怎么影响OpenCV大部分功能的使用。

 然后重新生成，可以看到没有报错了（无论是debug还是release版本）。

注：如果只重新生成INSTALL的话，之前的报错应该是不会出现的。

只重新生成INSTALL之后，可以看到170个项目都成功了。

 4.Visual Studio配置变量

        我们首先创建一个空的"控制台应用"项目，就叫OpenCVtest。

        然后先配置系统环境变量，Windows控制台搜索即可查询到。

 把之前install产出的bin的包的路径填进去。

然后重启电脑才会生效。

 

        

 这里还是使用Release版本 x64的编译环境，debug的类似。

然后右键项目，更改属性：

然后编辑VC++目录下的包含目录（其实就是英文版本的include path）:

然后把install之后的include文件夹路径添加上去（注意，是install之后的include路径，不要填错成了其他的include路径） 

 然后我们编辑库目录（其实就是英文版的lib path）

把install之后的lin目录输入进去（再次强调是install之后的lib目录）

 

 链接器->附加依赖项->编辑，输入所有的xxxxx/install\x64\vc16\lib中 所有xxxd.lib文件名字：

 这里建议使用windows命令行操作获取所有的XXX455.lib文件名（455是opencv版本名字，不同版本的opencv安装后，敲命令行使用不同的版本号哦）。

操作命令如下：

dir *.*  /B  | findstr 455.lib

复制进去：

然后我们开始测试。

 5.Case测试：

        为了验证我们安装OpenCV的效果，我们需要使用测试Case进行测试。

        这里先测试OpenCV的基本功能，再使用SIFT算子和SURF算子进行测试。 由于SIFT算子和SURF算子都是OpenCV contrib里面才有的图像库，这两个算子能测试通过，说明OpenCV contrib安装完成（更正：opencv4.4之后sift又回到opencv普通库了……崩溃）。

初始测试

在项目中输入下述代码：

// OpenCVTest.cpp : 此文件包含 "main" 函数。程序执行将在此处开始并结束。
//

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

int main()
{
    cv::Mat src = cv::imread("E:\\images\\00000.jpg");//图片路径
    if (src.empty())
    {
        std::cout << "pic is empty!\n";
        return -1;
    }
    cv::imshow("show", src);
    cv::waitKey(0);
    std::cout << "Hello World!\n";
}

运行结果：

好了，说明能展示了。 

SIFT算子测试

参考上述文章：

代码如下：

#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>
#include <opencv2/xfeatures2d/nonfree.hpp> //OpenCV 4.2.0 及之后版本

int main()
{
	cv::Mat imageL = cv::imread("E:\\images\\3.jpg");
	cv::Mat imageR = cv::imread("E:\\images\\4.jpg");


	//提取特征点方法
	//SIFT
	//cv::Ptr<cv::xfeatures2d::SIFT> sift = cv::xfeatures2d::SIFT::create();
	cv::Ptr<cv::SIFT> sift = cv::SIFT::create(); //OpenCV 4.4.0 及之后版本
	//ORB
	//cv::Ptr<cv::ORB> orb = cv::ORB::create();
	//SURF
	//cv::Ptr<cv::xfeatures2d::SURF> surf = cv::xfeatures2d::SURF::create();

	//特征点
	std::vector<cv::KeyPoint> keyPointL, keyPointR;
	//单独提取特征点
	sift->detect(imageL, keyPointL);
	sift->detect(imageR, keyPointR);

	//画特征点
	cv::Mat keyPointImageL;
	cv::Mat keyPointImageR;
	drawKeypoints(imageL, keyPointL, keyPointImageL, cv::Scalar::all(-1), cv::DrawMatchesFlags::DRAW_RICH_KEYPOINTS); 
	drawKeypoints(imageR, keyPointR, keyPointImageR, cv::Scalar::all(-1), cv::DrawMatchesFlags::DRAW_RICH_KEYPOINTS);

	//显示窗口
	cv::namedWindow("KeyPoints of imageL");
	cv::namedWindow("KeyPoints of imageR");

	//显示特征点
	cv::imshow("KeyPoints of imageL", keyPointImageL);
	cv::imshow("KeyPoints of imageR", keyPointImageR);

	//特征点匹配
	cv::Mat despL, despR;
	//提取特征点并计算特征描述子
	sift->detectAndCompute(imageL, cv::Mat(), keyPointL, despL);
	sift->detectAndCompute(imageR, cv::Mat(), keyPointR, despR);

	//Struct for DMatch: query descriptor index, train descriptor index, train image index and distance between descriptors.
	//int queryIdx –>是测试图像的特征点描述符（descriptor）的下标，同时也是描述符对应特征点（keypoint)的下标。
	//int trainIdx –> 是样本图像的特征点描述符的下标，同样也是相应的特征点的下标。
	//int imgIdx –>当样本是多张图像的话有用。
	//float distance –>代表这一对匹配的特征点描述符（本质是向量）的欧氏距离，数值越小也就说明两个特征点越相像。
	std::vector<cv::DMatch> matches;

	//如果采用flannBased方法 那么 desp通过orb的到的类型不同需要先转换类型
	if (despL.type() != CV_32F || despR.type() != CV_32F)
	{
		despL.convertTo(despL, CV_32F);
		despR.convertTo(despR, CV_32F);
	}

	cv::Ptr<cv::DescriptorMatcher> matcher = cv::DescriptorMatcher::create("FlannBased");
	matcher->match(despL, despR, matches);

	//计算特征点距离的最大值 
	double maxDist = 0;
	for (int i = 0; i < despL.rows; i++)
	{
		double dist = matches[i].distance;
		if (dist > maxDist)
			maxDist = dist;
	}

	//挑选好的匹配点
	std::vector< cv::DMatch > good_matches;
	for (int i = 0; i < despL.rows; i++)
	{
		if (matches[i].distance < 0.5 * maxDist)
		{
			good_matches.push_back(matches[i]);
		}
	}



	cv::Mat imageOutput;
	cv::drawMatches(imageL, keyPointL, imageR, keyPointR, good_matches, imageOutput);

	cv::namedWindow("picture of matching");
	cv::imshow("picture of matching", imageOutput);
	cv::waitKey(0);
	return 0;
}

原始图像如下： 

 运行结果：

SURF算子测试

代码如下，参考了：

【OpenCV】OpenCV 4 下 SIFT、SURF的使用_魏Gordon的博客-CSDN博客_opencv4 surf

#include "opencv2/core/core.hpp"
#include "opencv2/features2d/features2d.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/calib3d/calib3d.hpp"
#include "opencv2/xfeatures2d/nonfree.hpp"
#include "opencv2/xfeatures2d.hpp"
#include "opencv2/features2d/features2d.hpp"
#include "opencv2/imgproc.hpp"
#include <opencv2/imgproc/types_c.h>
#include<opencv2/imgproc/imgproc.hpp>
#include <iostream>
using namespace cv;
using namespace std;
using namespace cv::xfeatures2d;

int main()
{
	//【0】改变console字体颜色
	system("color 1F");


	//【1】载入原始图片
	Mat srcImage1 = imread("E:/images/3.jpg", 1);
	Mat srcImage2 = imread("E:/images/4.jpg", 1);
	Mat copysrcImage1 = srcImage1.clone();
	Mat copysrcImage2 = srcImage2.clone();

	if (!srcImage1.data || !srcImage2.data)
	{
		printf("读取图片错误，请确定目录下是否有imread函数指定的图片存在~！ \n"); return false;
	}

	//【2】使用SURF算子检测关键点
	int minHessian = 100;//SURF算法中的hessian阈值

	Ptr<SURF> detector = SURF::create(minHessian);//定义一个SurfFeatureDetector（SURF） 特征检测类对象  
	// Ptr<SURF> detector = cv::xfeatures2d::SURF::create(400);

	vector<KeyPoint> keypoints_object, keypoints_scene;//vector模板类，存放任意类型的动态数组

	//【3】调用detect函数检测出SURF特征关键点，保存在vector容器中
	detector->detect(srcImage1, keypoints_object);
	detector->detect(srcImage2, keypoints_scene);

	//【4】计算描述符（特征向量）
	Ptr<SURF> extractor = SURF::create();

	Mat descriptors_object, descriptors_scene;
	extractor->compute(srcImage1, keypoints_object, descriptors_object);
	extractor->compute(srcImage2, keypoints_scene, descriptors_scene);

	//【5】使用FLANN匹配算子进行匹配
	FlannBasedMatcher matcher;
	vector< DMatch > matches;
	matcher.match(descriptors_object, descriptors_scene, matches);
	double max_dist = 0; double min_dist = 100;//最小距离和最大距离

	//【6】计算出关键点之间距离的最大值和最小值
	for (int i = 0; i < descriptors_object.rows; i++)
	{
		double dist = matches[i].distance;
		if (dist < min_dist) min_dist = dist;
		if (dist > max_dist) max_dist = dist;
	}

	printf(">Max dist 最大距离 : %f \n", max_dist);
	printf(">Min dist 最小距离 : %f \n", min_dist);

	//【7】存下匹配距离小于3*min_dist的点对
	std::vector< DMatch > good_matches;
	for (int i = 0; i < descriptors_object.rows; i++)
	{
		if (matches[i].distance < 3 * min_dist)
		{
			good_matches.push_back(matches[i]);
		}
	}

	//绘制出匹配到的关键点
	Mat img_matches;
	drawMatches(srcImage1, keypoints_object, srcImage2, keypoints_scene,
		good_matches, img_matches, Scalar::all(-1), Scalar::all(-1),
		vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);

	//定义两个局部变量
	vector<Point2f> obj;
	vector<Point2f> scene;

	//从匹配成功的匹配对中获取关键点
	for (unsigned int i = 0; i < good_matches.size(); i++)
	{
		obj.push_back(keypoints_object[good_matches[i].queryIdx].pt);
		scene.push_back(keypoints_scene[good_matches[i].trainIdx].pt);
	}
	vector<unsigned char> listpoints;

	//Mat H = findHomography( obj, scene, CV_RANSAC );//计算透视变换 
	Mat H = findHomography(obj, scene, RANSAC, 3, listpoints);//计算透视变换 


	std::vector< DMatch > goodgood_matches;
	for (int i = 0; i < listpoints.size(); i++)
	{
		if ((int)listpoints[i])
		{

			goodgood_matches.push_back(good_matches[i]);


			cout << (int)listpoints[i] << endl;
		}

	}
	cout << "listpoints大小：" << listpoints.size() << endl;
	cout << "goodgood_matches大小：" << goodgood_matches.size() << endl;
	cout << "good_matches大小：" << good_matches.size() << endl;
	Mat Homgimg_matches;
	drawMatches(copysrcImage1, keypoints_object, copysrcImage2, keypoints_scene,
		goodgood_matches, Homgimg_matches, Scalar::all(-1), Scalar::all(-1),
		vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);

	imshow("去除误匹配点后;", Homgimg_matches);


	//从待测图片中获取角点
	vector<Point2f> obj_corners(4);
	obj_corners[0] = cvPoint(0, 0); obj_corners[1] = cvPoint(srcImage1.cols, 0);
	obj_corners[2] = cvPoint(srcImage1.cols, srcImage1.rows); obj_corners[3] = cvPoint(0, srcImage1.rows);
	vector<Point2f> scene_corners(4);

	//进行透视变换
	perspectiveTransform(obj_corners, scene_corners, H);

	//绘制出角点之间的直线
	line(img_matches, scene_corners[0] + Point2f(static_cast<float>(srcImage1.cols), 0), scene_corners[1] + Point2f(static_cast<float>(srcImage1.cols), 0), Scalar(255, 0, 123), 4);
	line(img_matches, scene_corners[1] + Point2f(static_cast<float>(srcImage1.cols), 0), scene_corners[2] + Point2f(static_cast<float>(srcImage1.cols), 0), Scalar(255, 0, 123), 4);
	line(img_matches, scene_corners[2] + Point2f(static_cast<float>(srcImage1.cols), 0), scene_corners[3] + Point2f(static_cast<float>(srcImage1.cols), 0), Scalar(255, 0, 123), 4);
	line(img_matches, scene_corners[3] + Point2f(static_cast<float>(srcImage1.cols), 0), scene_corners[0] + Point2f(static_cast<float>(srcImage1.cols), 0), Scalar(255, 0, 123), 4);

	//显示最终结果
	imshow("效果图", img_matches);

	waitKey(0);
	return 0;
}

        测试结果如下。

 在OpenCV4.X版本中，SURF依然是OpenCV contrib中的代码。SURF代码测试成功，说明我们的安装已经成功了。

看到这里的都不容易，大家休息一下吧，下一步就可以考虑修改源码啦。

6.总结

        OpenCV的安装的确是一个非常复杂和麻烦的过程，即使我之前已经有了成功安装的经验，这一次安装（加写教程）还是花了我大约一天的时间。

        在安装过程中，主要注意以下几点：

1.cmake阶段注意查看Cmake的报错信息，及时检查CMakeDownLog.txt文件；

2.根据日志文件自行下载相应的依赖；

3.最后的测试case能够跑通才算完成整个安装流程。

7.参考链接：

VS2019+OpenCV4.1.0安装及整合详细步骤 - 简书

OpenCV3.3+contrib+VS2017+CMake+Win10_码代马的博客-CSDN博客

OpenCV+opencv_contrib+VS2015+CMake+Win10编译过程_TechGreat的博客-CSDN博客_cmake opencv_contrib

vs2022重新编译opencv-python cuda加速时报错_Harry Xu的博客-CSDN博客win10 +visual studio 2019 +opencv4.5.0+opencv_contrib4.5.0源码编译安装_语符律的博客-CSDN博客_win10安装opencv4.5

OpenCV3.4.0+Visual Studio2017配置 - 上中下，高平宽 - 博客园

opencv::sift特征提取 - osbreak - 博客园

【VS2017】【OpenCV4.0.0】调用SIFT出错_啊吼！的博客-CSDN博客

8.预告：关于修改源码

        安装OpenCV已经这么费劲了，不如继续改改源码？

        关于如何修改OpenCV的源码（以修改SURF算子为例），请参考下一篇文章：

OpenCV 修改源码：基于hpp文件，修改SURF算子（支持打断点、调试、debug）_树叶的叶and开心的开的博客-CSDN博客