opencv3.4.7+opencv_contrib3.4.7 cmake编译完成版（vs2019）

opencv3.4.7+opencv_contrib3.4.7 安装 cmake编译适用于vs2019 教程

(9条消息) opencv_contrib安装笔记_weijifen000的博客-CSDN博客_opencv_contrib

首先非常感谢上面博客的博主。

编译后的opencv3.4.7 opencv_contrib3.4.7 总体资源如下网盘连接：（真心分享给需要的初学opencv的朋友们）

1.链接：https://pan.baidu.com/s/1tktzImF00I7magqAUrIR4A
提取码：ly01

2.或者扫下列二维码

之所以用网盘，是因为超出可csdn上传资源的1g限制。

具体使用：

1.下载好压缩包OpenCV后，解压到C盘，（其实解压到哪里都可以，只要相关配置改为与你的路径一致即可，我这里是直接装载了C盘，下面就以C盘为例）

2.解压后文件夹里什么也别改。大的文件夹叫OpenCV（别改这个名字）。内部包含一下情况：（具体要用到的在opencv-build文件中）

3.配置环境变量

在系统环境变量path中加入以下路径：（根据你OpenCV文件夹的路径，更改下面C:\的部分）

C:\OpenCV\opencv-build\install\x64\vc16\bin

4.配置vs2019

包含目录中添加：

C:\OpenCV\opencv-build\install\include
C:\OpenCV\opencv-build\install\include\opencv
C:\OpenCV\opencv-build\install\include\opencv2

库目录中添加：

C:\OpenCV\opencv-build\install\x64\vc16\lib

链接器--输入中添加：

opencv_world347d.lib

5.然后就可以使用了你可以试一下以下程序能不能用

在进行Debug编译时，注意：

#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>
//#include <opencv2/>

using namespace std;
using namespace cv;

int main()
{
	cv::Mat imageL = cv::imread("origin_1.jpg");
	cv::Mat imageR = cv::imread("origin_2.jpg");
	/*imshow("1", imageL);
	imshow("2", imageR);
	waitKey();
	return 0;*/



	//提取特征点方法
	//SIFT
	cv::Ptr<cv::xfeatures2d::SIFT> sift = cv::xfeatures2d::SIFT::create();
	//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;
}

在Qt的工程中，环境配置如下：

在.pro文件中指定位置添加如下路径：

UI_DIR=./
INCLUDEPATH += C:\OpenCV\opencv-build\install\include
INCLUDEPATH += C:\OpenCV\opencv-build\install\include\opencv
INCLUDEPATH += C:\OpenCV\opencv-build\install\include\opencv2
LIBS += C:\OpenCV\opencv-build\install\x64\vc16\lib\opencv_world347.lib
LIBS += C:\OpenCV\opencv-build\install\x64\vc16\lib\opencv_world347d.lib

如需，请转载

love you！！！