ubuntu22.04@laptop OpenCV Get Started: 000_hello_opencv

ubuntu22.04@laptop OpenCV Get Started: 000_hello_opencv

  • [1. 源由](#1. 源由)
  • [2. Hello OpenCV](#2. Hello OpenCV)
    • [2.1 C++应用Demo](#2.1 C++应用Demo)
    • [2.2 Python应用Demo](#2.2 Python应用Demo)
  • [3. 参考资料](#3. 参考资料)

1. 源由

之前,通过敲门砖已经砸开了OpenCV的大门,接下来是体验下"Hello World!"程序。

2. Hello OpenCV

000_hello_opencv是从下一节图像读写、显示例程中复制过来的。

其主要目的就是为了让大家了解在敲门砖砸开大门后,如何临门一脚射门!

2.1 C++应用Demo

CMake可比Makefile容易理解多了,也更加容易上手。

鉴于大家安装OpenCV路径五花八门,因此,不推荐采用CMakeLists.txt文件中进行SET操作,而推荐export OpenCV_DIR环境变量。

C++应用Demo工程结构:

复制代码
000_hello_opencv/CPP$ tree .
.
├── CMakeLists.txt
├── grayscale_hello_opencv.jpg
├── hello_opencv.cpp
└── hello_opencv.jpg

0 directories, 4 files

确认OpenCV安装路径:

复制代码
$ find /home/daniel/ -name "OpenCVConfig.cmake"
/home/daniel/OpenCV/installation/opencv-4.9.0/lib/cmake/opencv4/
/home/daniel/OpenCV/opencv/build/OpenCVConfig.cmake
/home/daniel/OpenCV/opencv/build/unix-install/OpenCVConfig.cmake


$ export OpenCV_DIR=/home/daniel/OpenCV/installation/opencv-4.9.0/lib/cmake/opencv4/

C++应用Demo工程编译执行:

复制代码
$ mkdir build
$ cd build
$ cmake ..
$ cmake --build . --config Release
$ cd ..
$ ./build/hello_opencv

2.2 Python应用Demo

开发人员的开发计算机通常环境复杂,因此,不推荐直接使用命令行下的python环境,推荐使用虚拟python环境。

Python应用Demo工程结构:

复制代码
000_hello_opencv/Python$ tree .
.
├── grayscale_hello_opencv.jpg
├── hello_opencv.jpg
├── hello_opencv.py
└── requirements.txt

0 directories, 4 files

Python应用Demo工程执行:

复制代码
$ workoncv-4.9.0
$ python hello_opencv.py

3. 参考资料

【1】ubuntu22.04@laptop OpenCV Get Started

【2】ubuntu22.04@laptop OpenCV安装

【3】ubuntu22.04@laptop OpenCV定制化安装

相关推荐
f6m274dww2cmd2 小时前
拆一个类目第一的20个曝光词:43% 的搜索量来自第二页
人工智能
RobinDevNotes3 小时前
24GB Mac 做数字人:声音放本地,画面租云端
人工智能·python·macos·开发工具
user4465117917914 小时前
Agent 也能「过安检」:AgentScope 权限系统设计拆解
人工智能
烟小栀4 小时前
Windows下的深度学习环境配置参考及配置教程
人工智能
tellmewhoisi4 小时前
深度学习0:数学知识:最大似然推导过程
人工智能·深度学习·概率论
oil欧哟4 小时前
从产品经理视角拆解 DeepSeek Super-agent:双层路由与异步调度架构
人工智能
张张123y4 小时前
个人助手型 Agent 的六个工程细节:Hermes 与 OpenClaw 的审批、委派、上下文与调度
网络·人工智能·开源·后端开发·ai agent
Dawson Zhu5 小时前
【模型量化⑦】W4A8与GPTQ-Int4:极限压缩与MLC-LLM部署实战
人工智能·语言模型·架构·aigc·agi
千寻技术帮5 小时前
50055_基于AI的互帮互助小程序(源码+文档+数据库脚本+部署教程)
数据库·人工智能·小程序·毕业设计·springboot·课程设计
天树星智源5 小时前
KV 剪枝的同一个误差,模型确定时只改 1.4% 的 token,不确定时改 65%:接上不确定性,AIME25 端到端快 1.27 倍
人工智能·大模型