首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

用Cmake在Windows x64上构建Java的OpenCV

CMake是一个跨平台的构建工具,可用于生成与平台无关的构建脚本和配置文件。OpenCV是一个开源的计算机视觉库,用于图像处理、计算机视觉和机器学习任务。本问答的内容是如何在Windows x64上使用CMake构建Java的OpenCV。

首先,确保你已经安装了以下工具和软件:

  1. Java Development Kit (JDK):确保已经安装了适用于Windows x64的Java开发工具包。

接下来,按照以下步骤进行构建:

  1. 下载OpenCV源代码:访问OpenCV官方网站(https://opencv.org/releases/)并下载适用于Windows的最新稳定版本的源代码。
  2. 解压源代码:将下载的OpenCV源代码解压到你选择的目录。
  3. 创建一个新的文件夹:在OpenCV源代码的根目录中创建一个新的文件夹,用于存储构建文件。
  4. 打开CMake GUI:打开CMake GUI工具,选择OpenCV源代码的根目录作为"source code",选择上一步创建的新文件夹作为"build the binaries"。
  5. 点击"Configure":选择合适的Generator,并点击"Configure"按钮。
  6. 选择生成器选项:在弹出的对话框中,选择"Optional platform for generator"并选择"x64",然后点击"Finish"。
  7. 设置构建选项:CMake将自动填充一些默认选项,你可以根据需要进行修改。确保以下选项已启用:
    • BUILD_SHARED_LIBS: 启用生成共享库文件。
    • BUILD_JAVA: 启用构建Java支持。
    • JAVA_AWT_INCLUDE_PATH: 设置Java AWT头文件路径,通常可以找到于JDK的include目录下。
    • JAVA_INCLUDE_PATH: 设置Java头文件路径,通常可以找到于JDK的include目录下。
    • JAVA_INCLUDE_PATH2: 设置Java头文件路径,通常可以找到于JDK的include/win32目录下。
  • 点击"Configure":再次点击"Configure"按钮以应用更改。
  • 点击"Generate":点击"Generate"按钮生成构建脚本和配置文件。
  • 打开生成的构建文件夹:导航到上一步中创建的新文件夹,你将找到生成的构建文件。
  • 打开命令行界面:在构建文件夹中打开命令行界面。
  • 执行构建命令:在命令行界面中输入以下命令进行构建:
  • 执行构建命令:在命令行界面中输入以下命令进行构建:
  • 构建完成:等待构建完成,你将在构建文件夹中找到生成的Java的OpenCV库。

至此,你已成功使用CMake在Windows x64上构建了Java的OpenCV。

OpenCV的应用场景包括但不限于图像和视频处理、计算机视觉、模式识别、物体检测和跟踪等领域。如果你在使用腾讯云,推荐的相关产品是腾讯云AI视觉(https://cloud.tencent.com/product/ai)和腾讯云云开发(https://cloud.tencent.com/product/tcb)。腾讯云AI视觉提供了图像识别、人脸识别、图像标签等功能,腾讯云云开发提供了云端一体化开发工具套件,可用于快速开发和部署云原生应用。

请注意,这里没有提及其他云计算品牌商,因为要求答案中不能提及。但是在实际应用中,你可以根据需求选择适合自己的云计算品牌商来部署和管理你的Java的OpenCV应用。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

  • OpenCV 图像拼接 优化

    前面一篇文件 https://blog.csdn.net/zhanggqianglovec/article/details/103344658 讲述了如果将多个影像拼接为一个大的影像,本文将讲述 一些上面工具在使用过程中的问题及其优化 1. 问题出现: 首先直接说一下工具上的缺陷: 1.1 该工具依赖的是 x86库,包括opencv 2.4.3 ,cholmod 1.6.0 都是32位的,32和64都会影响工具在处理影像时的性能,比如在处理索尼相机的照片时,分辨率是 6000*4000,20多张照片,在处理到一半时会爆出 申请内存失败的情况。(本地环境为 i5处理器四核,16G内存),处理索尼相机时每张照片都会申请 6000*4000 字节内存块,直接内存爆出内存申请失败。 1.2 该工具迁移到其他机子上会出现不兼容的问题,应为opencv 底层设计到 GPU,CPU等指令,所以在其他机子上 运行,稍微大一点的图片 都会爆出 内存申请失败的问题。 2. 问题定位: 接下来说一下问题的定位 刚开始一直以为是内存的问题,因为在处理小一点的图片时,是没有问题的。在处理所以相机时才会出现;但是当迁移到其他机子上的时候,当地环境是 200G的内存,任然会报出 内存问题,这个就不是内存问题了。然后网上查询,大部分的解决思路 都是 32与64的不兼容。知其然不知其所以然,最后通过仔细的查看爆出来的原因,才豁然大悟,opencv底层调用到了cpu、gpu的指令,然后opencv对底层32/64的支持并不是很好,也就是说 在64环境下调用32 的指令,会出现不兼容的问题,从而导致频繁的爆出内存问题,到此为止,已经定位的差不多了,爆出内存问题只是表象,底层是msvcp.dll/msvcr.dll的执行。 3. 解决之道: 既然问题已经定位到,那么解决之道又是什么,毫无疑问:从底层实现对64的支持,不依赖32位的相关东西。说白了就一句话:重新编译mosaic的所有依赖库,全部换为 64版本 应该就能解决问题。 4. OpenCV 2.4.9 64位的编译 4.1 OpenCV下载: Opencv库的编译相对来说简单,通过Cmake直接可编译,问题是Opencv的源码获取比较麻烦,通过github获取,在git下载过程中时常会出现git下载失败,原因是github连接到了外网,会有网路断开等情况,所以通过github上查找 opencv来下载 还是比较麻烦的,需要多试几次。好在opencv2.4.9 有可执行程序,直接安装 opencv2.4.9 即可安装 他的源码,这个比较好,一下子全部搞定。 4.2 OpenCV工程生成: 在选择 Visual Studio 编译版本的时候需要注意下,Opencv 有区分 X86,X64 和 IA及RAM的编译,这个需要根据自己的情况进行选择,64位环境下一定选择 X64,因为我用的时候 Visual Studio 2010,所以我选择的是 Visual Studio 2010 X64版本,然后点集 Configure,Generate,OpenProject 即可在 Visual Studio 2010中 打开 Opencv 的工程。 4.3 OpenCV 工程编译: OpenCV 工程打开后,找到 ALL_BUILD工程,选择Debug/Release版本,右键build,这个工程只会生成对应的lib库和dll库,并不会生成头文件。 INSTALL工程,该工程首先会执行ALL_BUILD工程,然后复制相关库(lib/dll)到install下的 lib目录和bin目录,复制指定头文件到 include目录,这个工程满足要求,右键 build ,工程执行完毕后会在install目录下生成include目录,bin目录和lib目录。 4.4 Opencv编译完成 5. Cholmod 3.1.0 64位的编译 5.1 Cholmod的获取 网上关于Cholmod的讲解很少,在网上找了很久,找到了SuiteSparse这个产品,SuiteSparse是一个产品套件,里面包含了很多图像相关的处理库,Cholmod只是其中的一部分,而且SuiteSparse目前代码都是针对Linux下的开发,没有针对Windows做 相关的操作,源码目录下不存在cmaketext.txt 文件,不能在windows下直接编译。难道要全部

    01

    如何编译OpenCV4.1.0支持OpenVINO推断引擎加速支持

    OpenVINO自发布以来,依靠其强大的加速性能,在CPU上进行深度学习模型加速优势,迅速受到很多公司与开发者的青睐,但是如何从OpenCV源码编译生成OpenVINO的inferinference engine(IE)加速推理支持的OpenCV版本,一直是很多开发者头疼的事情,很多人都不得不使用OpenVINO官方编译的OpenCV支持版本,无法实现从源码开始的定制化的OpenCV版本编译。本人从2018年12月份开始研究OpenVINO开发技术,上半年也发布一系列的OpenVINO开发技术相关文章,得到了大家热烈响应,今天我们就来很详细的一步一步的教大家如何从OpenCV源码开始在windows10系统下如何编译IE加速版本的OpenCV安装包,并如何配置与测试IE支持之后的OpenCV DNN的卓越性能。

    03

    yolov5部署之七步完成tensorRT模型推理加速

    前段时间研究了Pytorch的环境配置,之后便从github上下载了yolov5的源码,并在自己的电脑端配置好对应的环境并运行,最后发现生成的权重文件yolov5s.pt不仅可以通过量化压缩成onxx模型,而且还可以使用TensorRT推理加速生成engine模型,这对使得模型部署在移动端具有很大的优势,于是便尝试着在自己的电脑上通过TensorRT部署yolov5模型。     现在网上有很多可以参考的博客,但大多数都是针对某一个环节进行了仔细的解释说明,这在前期的学习中不免会让人产生云里雾里的感觉,难以从一个全局的角度去看待这个问题,换句话说就是很少有把整个流程先总结下来,先让我们知道需要那些模块,该准备些什么模块,以及这些模块之间又有什么样的联系,然后再细分到各个小模块去说明解释。所以今天就从这个角度去发出,总结一下最近学习的一些内容。在此之前假设你已经掌握了Pytorch、CUDA、cuDNN的基础知识以及配置好了yolov5的环境并调试运行过源码

    02
    领券