linux 查找opencv的安装目录 linux怎么查看opencv版本

一、OpenCV简要介绍

　　OpenCV是一个跨平台的计算机视觉库，可以运行在Windows、Linux、MacOS等操作系统上。OpenCV提供了众多语言的接口，其中就包含了Python，Python是一门上手容易、使用起来十分让人愉悦的语言，利用Python学习OpenCV，相信能获得不错的效果。

 

二、从官网上下载源码或安装包

　　OpenCV的官方下载网址是http://opencv.org/releases.html，我选择的是最新2.4.13版本。

三、编译安装前的准备工作

　　安装依赖包

[compiler] $ sudo apt-get install build-essential 
[required] $ sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev
[optional] $ sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev

在解压后的opencv-XXX 文件夹内建立一个release文件夹，编译生成的文件会放在release文件夹里面。完成后，就可以开始正式的编译了。

四、编译安装

　　1.配置。

cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..

　　CMAKE_BUILD_TYPE:　　　　   build的类型，有Release和Debug两种

　　CMAKE_INSTALL_PREFIX：　　指定想要安装OpenCV的文件夹目录，一般就用/usr/local

　　除此之外，还可以添加上BUILD_DOCS 来build文档以及 BUILD_EXAMPLES 来build所有的样例

　　注意：如果上面的命令行无法工作，则把-D后面的空格去掉： 

cmake -D CMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=/usr/local ..

如果安装Opencv的时候，停在了下载ippicv的地方，一直都下载不下来，可以手动下载解决。

ippicv是一个并行计算库，其实可以不用的。 如果不想用这个并行计算库，在做Cmake的时候用参数关闭即可，但我还是建议使用这个库。 首先，

手动下载[ippicv](https://raw.githubusercontent.com/Itseez/opencv_3rdparty/81a676001ca8075ada498583e4166079e5744668/ippicv/ippicv_linux_20151201.tgz) ，

或者https://github.com/opencv/opencv_3rdparty/branches/all下载源码然后自己打包，

将刚才下载的ippicv文件直接拷贝进入opencv2.4.13源码的下面这个目录：opencv-3.1.0/3rdparty/ippicv/downloads/linux-808b791a6eac9ed78d32a7666804320e

最后一个目录可能不一样，但无所谓。 最后再使用命令编译：cmake -D CMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=/usr/local ..

　　2.编译。

　　为了加快编译速度，一般会使用多线程的方法：

make -j7 # 同时使用七个线程

　　3.安装

sudo make install

 　　安装过程时间可能会有点长10~30分钟左右，编译完成之后OpenCV就安装到了指定的/usr/local下面的一些目录中，库文件就安装到了/usr/local/lib下，Python的模块安装位置是：/usr/local/lib/python2.7/site-packages（有些是/usr/local/lib/python2.7/dist-packages），执行 ls /usr/local/lib/python2.7/site-packages/ 可以看到两个文件，一个是cv2.so一个是cv.py

　　

　　这两个文件在刚才opencv-2.4.13编译的目录下面/usr/local/src/opencv-2.4.13/release/lib下也存在着两个python模块文件，但是不幸的是现在并不能直接使用，原因是我们操作系统python依赖包的位置是/usr/lib/python2.7下，所以刚才如果编译到/usr下是直接可以用的，不过这个也不重要，只要我们将这两个文件复制到正确的目录下，那么就能正常使用OpenCV的功能了，执行： cp /usr/local/lib/python2.7/site-packages/cv* /usr/lib/python2.7/site-packages/ 复制过去之后进入python交互式界面执行 import cv2 没有报错则安装成功。

测试文件1：

#!/usr/bin/python
# -*- coding:utf-8 -*-
import cv2
image = cv2.imread("test.jpg")
print image
cv2.imwrite("test1.jpg",image)//修改图片的名字

读取并显示图像

import cv2 # 引入OpenCV模块

image = cv2.imread("logo.png", 1)  # 读取一张图片，存储在image中
cv2.namedWindow("Hello, world!")     # 创建一个名为"Hello,world!"的窗口
cv2.imshow("Hello, world!", image) # image在窗口中展示出来
cv2.waitKey(0)                     # 等待用户按下任意按键
cv2.destroyAllWindows()            # 销毁所有的窗口

创建/复制图像

import cv2
import numpy as np

img = cv2.imread("D:\cat.jpg")
emptyImage = np.zeros(img.shape, np.uint8)  //创建一个新的图像
emptyImage2 = img.copy();                   //复制原有的图像获得新的图像
emptyImage3=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  //获得元图像的副本，emptyImage3[...]=0是将其转成空白的黑色图像。
#emptyImage3[...]=0

在新的OpenCV-Python绑定中，图像使用NumPy数组的属性来表示图像的尺寸和通道信息。这里是以OpenCV自带的cat.jpg为示例，如果输出img.shape，将得到(500, 375, 3)。最后的3表示这是一个RGB图像。

保存图像 

保存图像很简单，直接用cv2.imwrite即可。

　　cv2.imwrite("D:\\cat.jpg", img)

第一个参数是保存的路径及文件名，第二个是图像矩阵。其中，imwrite()有个可选的第三个参数，如下：

cv2.imwrite("D:\\cat.jpg", img，[int(cv2.IMWRITE_JPEG_QUALITY), 5])

第三个参数针对特定的格式：

对于JPEG，其表示的是图像的质量，用0-100的整数表示，默认为95。 注意，cv2.IMWRITE_JPEG_QUALITY类型为Long，必须转换成int。下面是以不同质量存储的两幅图：

对于PNG，第三个参数表示的是压缩级别。cv2.IMWRITE_PNG_COMPRESSION，从0到9,压缩级别越高，图像尺寸越小。默认级别为3。

import cv2  
import numpy as np  
  
img = cv2.imread("cat.jpg")  
emptyImage = np.zeros(img.shape, np.uint8)  
  
emptyImage2 = img.copy()  
  
emptyImage3=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  
#emptyImage3[...]=0  
  
cv2.imshow("EmptyImage", emptyImage)  
cv2.imshow("Image", img)  
cv2.imshow("EmptyImage2", emptyImage2)  
cv2.imshow("EmptyImage3", emptyImage3)  
cv2.imwrite("cat2.jpg", img, [int(cv2.IMWRITE_JPEG_QUALITY), 5])  
cv2.imwrite("cat3.jpg", img, [int(cv2.IMWRITE_JPEG_QUALITY), 100])  
cv2.imwrite("cat.png", img, [int(cv2.IMWRITE_PNG_COMPRESSION), 0])  
cv2.imwrite("cat2.png", img, [int(cv2.IMWRITE_PNG_COMPRESSION), 9])  
cv2.waitKey (0)  
cv2.destroyAllWindows()

 opencv-python 提取sift特征并匹配

# -*- coding: utf-8 -*-  
import cv2  
import numpy as np  
from find_obj import filter_matches,explore_match  
from matplotlib import pyplot as plt  
  
def getSift():  
    ''''' 
    得到并查看sift特征 
    '''  
    img_path1 = '../../data/home.jpg'  
    img = cv2.imread(img_path1)  #读取图像 
    gray= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  #转换为灰度图  
    sift = cv2.SIFT()  #创建sift的类

    #在图像中找到关键点 也可以一步计算#kp, des = sift.detectAndCompute  
    kp = sift.detect(gray,None)  
    print type(kp),type(kp[0])  
    #Keypoint数据类型分析 http://www.cnblogs.com/cj695/p/4041399.html  
    print kp[0].pt 
des = sift.compute(gray,kp)  #计算每个点的sift  
    print type(kp),type(des)  
    #des[0]为关键点的list，des[1]为特征向量的矩阵  
    print type(des[0]), type(des[1])  
    print des[0],des[1]  
    #可以看出共有885个sift特征，每个特征为128维  
    print des[1].shape 
 
    #在灰度图中画出这些点  
    img=cv2.drawKeypoints(gray,kp)  
    #cv2.imwrite('sift_keypoints.jpg',img)  

    plt.imshow(img),plt.show()  
  
def matchSift():  
    ''''' 
    匹配sift特征 
    '''  
    img1 = cv2.imread('../../data/box.png', 0)  # queryImage  
    img2 = cv2.imread('../../data/box_in_scene.png', 0)  # trainImage  
    sift = cv2.SIFT()  
    kp1, des1 = sift.detectAndCompute(img1, None)  
    kp2, des2 = sift.detectAndCompute(img2, None) 
 
    # 蛮力匹配算法,有两个参数，距离度量(L2(default),L1)，是否交叉匹配(默认false)  
    bf = cv2.BFMatcher()  
    #返回k个最佳匹配  
    matches = bf.knnMatch(des1, des2, k=2)  
    # cv2.drawMatchesKnn expects list of lists as matches.  
    # opencv2.4.13没有drawMatchesKnn函数，需要将opencv2.4.13\sources\samples\python2下的common.py和find_obj文件放入当前目录，并导入  
    p1, p2, kp_pairs = filter_matches(kp1, kp2, matches)  
    explore_match('find_obj', img1, img2, kp_pairs)  # cv2 shows image  
    cv2.waitKey()  
    cv2.destroyAllWindows()  
  
def matchSift3():  
    ''''' 
    匹配sift特征 
    '''  
    img1 = cv2.imread('../../data/box.png', 0)  # queryImage  
    img2 = cv2.imread('../../data/box_in_scene.png', 0)  # trainImage  
    sift = cv2.SIFT()  
    kp1, des1 = sift.detectAndCompute(img1, None)  
    kp2, des2 = sift.detectAndCompute(img2, None)  

    # 蛮力匹配算法,有两个参数，距离度量(L2(default),L1)，是否交叉匹配(默认false)  
    bf = cv2.BFMatcher()  
    #返回k个最佳匹配  
    matches = bf.knnMatch(des1, des2, k=2)  
    # cv2.drawMatchesKnn expects list of lists as matches.  
    # opencv3.0有drawMatchesKnn函数  
    # Apply ratio test  
    # 比值测试，首先获取与A 距离最近的点B（最近）和C（次近），只有当B/C  
    # 小于阈值时（0.75）才被认为是匹配，因为假设匹配是一一对应的，真正的匹配的理想距离为0  
    good = []  
    for m, n in matches:  
        if m.distance < 0.75 * n.distance:  
            good.append([m])  
    img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, good[:10], None, flags=2)  
    cv2.drawm  
    plt.imshow(img3), plt.show()  
  
matchSift()

 

logo匹配效果图.：

其中

是logo标识,

#coding=utf-8  
import cv2  
import scipy as sp  
  
img1 = cv2.imread('x1.jpg',0) # queryImage  
img2 = cv2.imread('x2.jpg',0) # trainImage  
  
# Initiate SIFT detector  
sift = cv2.SIFT()  
  
# find the keypoints and descriptors with SIFT  
kp1, des1 = sift.detectAndCompute(img1,None)  
kp2, des2 = sift.detectAndCompute(img2,None)  
  
# FLANN parameters  
FLANN_INDEX_KDTREE = 0  
index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)  
search_params = dict(checks=50)   # or pass empty dictionary  
flann = cv2.FlannBasedMatcher(index_params,search_params)  
matches = flann.knnMatch(des1,des2,k=2)  
  
print 'matches...',len(matches)  
# Apply ratio test  
good = []  
for m,n in matches:  
    if m.distance < 0.75*n.distance:  
        good.append(m)  
print 'good',len(good)  
# #####################################  
# visualization  
h1, w1 = img1.shape[:2]  
h2, w2 = img2.shape[:2]  
view = sp.zeros((max(h1, h2), w1 + w2, 3), sp.uint8)  
view[:h1, :w1, 0] = img1  
view[:h2, w1:, 0] = img2  
view[:, :, 1] = view[:, :, 0]  
view[:, :, 2] = view[:, :, 0]  
  
for m in good:  
    # draw the keypoints  
    # print m.queryIdx, m.trainIdx, m.distance  
    color = tuple([sp.random.randint(0, 255) for _ in xrange(3)])  
    #print 'kp1,kp2',kp1,kp2  
    cv2.line(view, (int(kp1[m.queryIdx].pt[0]), int(kp1[m.queryIdx].pt[1])) , (int(kp2[m.trainIdx].pt[0] + w1), int(kp2[m.trainIdx].pt[1])), color)  
  
cv2.imshow("view", view)  
cv2.waitKey()

View Code

另一种匹配方法：

import cv2 

ImgName1 = 'home1.jpg'     # 原图
ImgName2 = 'home2.jpg'     # 要匹配的图
img1=cv2.imread(ImgName1,0)    # 读取图片
img2=cv2.imread(ImgName2,0)    
sift=cv2.SIFT()
kp1 = sift.detect(img1, None)
kp2 = sift.detect(img2, None)
des1 = sift.compute(img1, kp)
des2 = sift.compute(img2, kp)
if len(kp2)<20:   
    status=-1
    print "特征值点太少"
featureList = [kp1,des1]            
for img1,kp1,des1 in featureList:  #一一比对
    if len(kp1)<80:  # 设置阈值，特征低于80个的，阈值大一些。
        thres=(-0.5)*len(kp1)+60
    else:
        thres=th
        
    FLANN_INDEX_KDTREE = 0
    index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)
    search_params = dict(checks=50)   # or pass empty dictionary
    flann = cv2.FlannBasedMatcher(index_params,search_params)
    matches = flann.knnMatch(des1,des2,k=2)    
    good = []
    for m,n in matches:
        if m.distance<0.60*n.distance:  # 判断特征点不能便离太远
            good.append(m)    
    total=len(matches)
    if(total>0):
        percent=len(good)*100.0/total    #匹配的相似度    

    if percent>thres:    # 当匹配度超过阀值，匹配成功
        status=1
        print "匹配成功"

View Code