Win10的64位操作系统,Visual Studio 2019配置OpenCV4.1.0

VisualStudio2019配置OpenCV4.1.0 一.Win10的64位操作系统,直接在VS官网下载VisualStudioCommunity,默认安装,安装的是VisualStudioCommunity2019: (安装的【工作负载】步骤时选的是【.NET桌面开发】和【使用C++的桌面开发】和其它工具集中的【VisulStudio扩展开发】) 二.在已经安装好OpenCV4.1.0的情况下(参看前一篇博客)配置环境变量: 1.【此电脑... 阅读详情

一.Win10的64位操作系统,直接在VS官网下载VisualStudioCommunity,默认安装,安装的是VisualStudioCommunity2019:

(安装的【工作负载】步骤时选的是【.NET桌面开发】和【使用C++的桌面开发】和其它工具集中的【VisulStudio扩展开发】)

二.在已经安装好OpenCV4.1.0的情况下(参看前一篇博客)配置环境变量:

1.【此电脑】,单击右键,选择【属性】

2. 选择【高级系统设置】--【环境变量】,双击【Path】,单击【新建】:

3. 点击【浏览】,找到安装OpenCV4.1.0下的相应安装目录的的bin路径(本机OpenCV4.1.0安装在了D盘下的OpenCV文件夹中):

注意:在D:\OpenCV\opencv\build\x64路径下有vc14和vc15两个文件夹,选择vc15最新的(网上有参考vc15对应的是VisualStudio2017),但这里只能选择vc15尽管用的是VisualStudio2019。

4.依次点击确定返回即可。

三. 配置VisualStudio中的相关目录:

1.工程包含(include)目录的配置:

1.1打开VisualStudio2019,选择【创建新的项目】:

1.2 选择【空项目】,然后单击【下一步】:

1.3 填写【项目名称】,单击【创建】:

1.4创建结果如图所示:

1.5 右键单击【源文件】,选择【添加】-->【新建项】:

1.6选择【C++文件】,输入文件名称(比如main),点击【添加】:

1.7结果如图:

1.8 单击【视图】-->【其他窗口】-->【属性管理器】:

1.9结果如下图:

1.10 将X86改为X64,Debug不变:

1.11 找到OpenCV安装后文件夹D:\OpenCV\opencv\build\x64\vc15\bin,将下面的3个.dll文件复制到C:\Windows\System32这个文件夹下:

 

结果如下图所示:

1.12 定位到1.9步骤中的属性管理器,发现 Debug|X64下并没有 Microsoft.Cpp.x64.user,需要自己新建配置,右键单击Debug|X64,选择【添加新项目属性表】,输入名称(自己起的任意)OpenCV410x64Debug:

1.13 双击新建的OpenCV410x64Debug,在【通用属性】-->【VC++目录】-->【包含目录】中, 点击最右侧的倒三角按钮,选择<编辑>,

选择【新行】图标(文件夹左上角带的*号的那个), 将鼠标定位到新行中,

结果如下图所示,不要手动输入,点击右侧的...按钮,选择 D:\OpenCV\opencv\build\include 和 D:\OpenCV\opencv\build\include\opencv2 这2个路径(没有D:\OpenCV\opencv\build\include\opencv), 点击 确定。

2. 工程库(lib)目录的配置 :

 步骤与第1个步骤差不多,在【属性管理器】下双击OpenCV410x64Debug,在【通用属性】-->【VC++目录】-->【库目录】中,采用同样的方法(不要手动输入)添加 D:\OpenCV\opencv\build\x64\vc15\lib 这条路径,结果如下图所示:

3. 链接库的配置:

3.1 在OpenCVx64Debug属性页中,选择【通用属性】-->【链接器】-->【输入】-->【附加依赖项】,选择<编辑>:

3.2 在弹出的附加依赖项 对话面板中,手动输入 opencv_world410d.lib ,依次单击确定返回即可。

输入 opencv_world410d.lib 是因为在OpenCV的安装目录下的这个对应。

四. 测试 ,通过OpenCV载入并显示一张图片到窗口:

4.1 在F盘下的 F:\TuPian 目录中放入一张图片 FuChouZhe4.jpeg

4.2 在步骤1.6中建立的 mian.cpp 中输入如下参考代码:

    #include <iostream>
    #include <opencv2/opencv.hpp>
    using namespace std;
    using namespace cv;
    int main()
    {
            // 读取图片(使用图片的绝对路径,参考自己的图所在目录)
            Mat srcImg = imread("F:\\TuPian\\FuChouZhe4.jpg");
            if (srcImg.empty()) {
                   cout << "could not load image..." << endl;
                   return -1;
            }
          
            imshow("Test opencv setup", srcImg);
            // 显示灰度图
            Mat Gray;
            cvtColor(srcImg, Gray, 6);
            imshow("Gray", Gray);
            // 等待任意按键按下,不添加此语句图片会一闪而过
            waitKey(0);
        
            cout << "Hello,world." << endl;
            return 0;
    }

4.3 按下 F5 执行结果如图:

将显示的两幅图片依次关闭:

OK。

五. 参考及注意事项:

5.1 复制过程参考:

https://blog.csdn.net/weixin_42274148/article/details/85321091

 这个参考稍微有点问题,不过在讨论中已经解决:

5.2 正确配置过程参考:

https://blog.csdn.net/yefcion/article/details/80632301

5.3  Debug|x64的文件夹下面没有名为Microsoft.Cpp.x64.user的文件,需要自己新建配置:

 https://blog.csdn.net/weixin_42274148/article/details/85321091

https://blog.csdn.net/weixin_41991128/article/details/83656543

5.4  链接器>>输入>>附加依赖库>>添加 opencv_world400d.lib,不要同时将opencv_world400d.lib和opencv_world400.lib放到一起,会出Bug。

 https://blog.csdn.net/qq_40755094/article/details/84504708

下面这个参考都加上了,没报错?

https://blog.csdn.net/weixin_41991128/article/details/83656543

下面的这个参考讲出了区别:

https://www.cnblogs.com/fzu-Z9h/p/10762318.html

5.5  注意DeBug中是X64,而不是X32,新版本的OpenCV不支持X32

 http://www.cnblogs.com/zangdalei/p/5339316.html

将编译器由【x86】改为【x64】,这是因为OpenCV4.1.0仅支持x64。

https://blog.csdn.net/qq_15971883/article/details/88858497


---------------------
作者:Rustone
原文:https://blog.csdn.net/m0_37360684/article/details/89716881

Opencv4.5.0+VS2019+win10安装配置 Opencv4.5.0+VS2019+win10安装配置环境第一步:下载解压opencv安装包第二步:配置系统环境变量第三步:相关文件的配置第四步:VS2019配置属性管理器进行相关配置 环境 系统:win10系统 opencv版本:4.5.0版本 IDE:Visual Studio 2019社区版 第一步:下载解压opencv安装包 到官网下载最新Opencv, 此处用的是4.5.0版本。 官网地址:Opencv ; opencv-releases 双击下载好的或者拷好的安装包,选择解压路径后点Ext 阅读详情

相关推荐

opencv2.4.13+vs2015+win10 64位环境配置

1. 环境变量配置 在电脑中找到环境变量的设置窗口,可以按如下路径去查找——我的电脑—>属性—>高级系统设置—>高级—>环境变量,看不懂请百度。 在系统变量中找到变量名为path的项目,选中后双击进去。 在path里新建一个opencv的bin目录,我的opencv装在D:\Program Files\opencv里因此我电脑上的路径为: D:\Program Files\opencv\openc

oscarwin 3960

MySQL MSI 安装程序 提示需要 Visual Studio 20 19 x64Redistributable

我们在使用 MSI 安装程序,安装MySQL时提示需要Visual Studio 20 19 x64 Redistributable。点击下载后需要登陆微软账号,登陆成功后就可以下载了。最后在使用 MSI 应用程序安装MySQL试一下吧。下载成功后我们得到,运行安装就可以了。去下载就好了我们来到官网、

JiuMen3520的博客 2153

OpenCV3.0.0+win10 64位+vs2015环境的下载,安装,配置与属性表的生成

操作系统:WIN10 pro 64 软件版本:VS2015+OpenCV3.0.0 一、OpenCV3.0.0下载 下载链接:http://opencv.org/ 选择OpenCV for Windows,version3.0.0 下载后,可得到一个exe文件(实际上可以看作一个压缩包) 二、OpenCV3.0.0安装 这个过程实际上是一个解压的过

小旭同学的博客 9364

Win10 Visual Studio 2019 安装配置opencv4全过程(超详细,实测成功)

OpenCV4 C++版在Win10上的部署全过程,全网最详细

Li_yan的博客 8341

Visual Studio 2019 C++环境配置:解决Microsoft.Cpp.x64.user问题

在现代软件开发中,一个稳定高效的开发环境是项目成功的关键之一。对于使用Visual Studio 2019(VS2019)的开发者来说,环境配置问题往往是他们面临的首要挑战。环境配置不仅包括软件本身的安装和设置,还包括开发环境与操作系统间的协同工作,涉及到编译器、链接器、调试器等多个组件。配置不当可能导致编译错误、链接失败甚至运行时异常,这些都可能给开发进度带来不必要的延误。

weixin_33812391的博客 3025

英特尔SVS:十亿级向量搜索的硬件优化与LVQ压缩实战

向量搜索作为处理高维嵌入数据的核心技术,其核心原理是通过近似最近邻(ANN)算法在海量数据中快速找到相似项,以解决传统暴力搜索在规模上的瓶颈。这项技术的核心价值在于为推荐系统、图像检索、自然语言处理等AI应用提供高效的相似性匹配能力,尤其在RAG架构中成为连接非结构化数据与大语言模型的关键基础设施。面对十亿级数据带来的内存与算力挑战,局部自适应向量量化(LVQ)等压缩技术通过减少存储开销并保持精度,而硬件层面的深度优化则利用AVX-512等指令集大幅提升计算效率。本文聚焦于英特尔开源的Scalable Ve

weixin_42526310的博客 556

Visual Studio Community 2019 安装

在VisualStudio安装程序中查找所需的工作负载。

Miss_xuan的博客 1万+

最小二乘法(看完即会)

其中,X是数据矩阵,每一行是一个数据点,每一列是一个自变量(包括截距项),Y是观测值向量,β是待求的系数向量。为了找到使S最小的a和b的值,我们需要对S求关于a和b的偏导数,并令它们等于零。最小二乘法的数学公式通常用于线性回归问题,其中目标是找到一条直线(或更高维度的超平面),使得这条直线与给定数据点的误差平方和最小。同样地,通过求偏导数和令偏导数等于零,我们可以得到一个线性方程组,解这个方程组可以找到最优的b_0, b_1, …+ b_m*x_m,其中b_0是截距,b_1到b_m是各个自变量的系数。

qlkaicx的博客 2万+

VS2019下载、安装和测试

2022年的VS2019下载、安装和安装是否成功的测试操作

The_bad的博客 2万+

实战教程:用DETR+超分辨率搞定红外小目标检测(附完整代码)

本文提供了一套完整的红外小目标检测实战方案,通过融合EDSR超分辨率技术与改进型DETR深度学习算法,有效解决了红外图像中小目标检测的难题。文章详细介绍了从环境搭建、数据预处理、模型定制(如引入EMA注意力与S2特征层)到训练调优的全流程,并附有完整代码,旨在帮助开发者将前沿算法高效落地于安防、自动驾驶等实际场景。

weixin_29057163的博客 538

基于Xilinx的I2S Receiver IP核和I2S Transmitter IP核音频验证

基于Xilinx的I2S Receiver IP核和I2S Transmitter IP核音频验证 文章目录前言一、工程构架二、Xilinx IP的配置1.I2S Transmitter IP配置:2.I2S Receiver IP配置:3.WM8960的配置:总结 前言 本实验基于Xilinx ZU4EV平台,也适用于ZYNQ平台。音频验证完成,记录调过程。 ①Xilinx 音频IP只支持主模式,左对齐或右对齐方式,16bit或24bit字长。 ②WM8960器件作为从模式;24bit字长;数据传输格

weixin_45637597的博客 6818

opencv源码编译及配置完整版教程(win10+vs2019+opencv-4.4.0+opencv_contrib-4.4.0)

opencv源码编译及配置完整版教程(win10+vs2019+opencv4.4.0+opencv_contrib-4.4.0)

zhoufm260613的博客 1万+

YOLOv13改进策略【小目标改进】| Shape-NWD:融合改进,结合Shape-IoU和NWD 更好地适应小目标特性

Bw−wgt2h−hgt2weight2Bweight2w−wgt​2h−hgt​2​其中weight2weight = 2weight2。

Limiiiing的博客 596

Win10(64位)系统中OpenCV4.1.0的下载及安装

1.OpenCV官网,下载最新的版本是OpenCV4.1.0 https://opencv.org/ 2.点击页面上的Release,进入网址 https://opencv.org/releases/ 可以看到最新的版本为OpenCV-4.1.0,点击对应的Windows图标处下载OpenCV-4.1.0安装软件。 3.双击安装,单击右侧的...的按钮,选择D盘下的Open...

Rustone的博客 8580

RK3588开发笔记-Buildroot编译Qt5WebEngine-5.15.10

Rockchip RK3588是一款强大的多核处理器,广泛应用于边缘计算、人工智能、嵌入式系统等领域。为了在RK3588上运行自定义的Linux系统,并使用Qt5WebEngine进行Web内容渲染,Buildroot是一个非常合适的工具。本文将详细介绍如何使用Buildroot编译并配置Qt5WebEngine-5.15.10。Qt5WebEngine是Qt框架中的一个模块,它提供了一个功能强大的Web浏览器引擎,允许开发者在Qt应用程序中嵌入和显示现代网页内容。

flypig has a dream! 1162

14、方法论 - 自顶向下与自底向上的结合

本文探讨了如何将自顶向下的规范驱动方法与自底向上的组件构建方法相结合,以形成更加全面的编程理论。通过引入代数法则,简化逻辑关系、提高代码可读性并支持形式化验证,结合实际案例(如智能家居控制系统)展示了如何在设计和实现阶段确保系统的正确性和可靠性。文章还讨论了工具支持的重要性,并提出了未来发展的方向。

lstm7chronicler的博客 177

Win10的64位操作系统,Visual Studio 2019配置OpenCV

参考1:https://blog.csdn.net/qq_45095360/article/details/106194245 参考2:https://blog.csdn.net/ctrigger/article/details/91359483 一、Visual Studio的安装 二、opencv的下载安装 网址:https://opencv.org/releases/ 下载windows,正常安装 三、设置环境变量 右击我的电脑(此电脑)——>属性——>高级系统设置—.

weixin_50988214的博客 437

【天工Godwork精品教程】天工3.1.7安装教程(附Godwork完整版下载地址)

本文讲解天工3.1.7安装过程(附Godwork完整版网盘下载地址)。 一、天工3.1.7安装教程 1. 安装GodWork-AT 3.1.7 2. 安装GodWork-AT 3.1.7补丁 3. 安装GodWork-EOS-Setup-2017B-1231 4. 安装GodWork-EOS补丁 5. 运行godwokr软件 6. 生成ZC码 7. 输入ZC码 8. eos插

智慧空间实验室 5295

VS2019+Opencv4.0+Win10配置

一.下载OpenCV4.0的安装文件: OpenCV官网 然后安装到你想要的地方 二.添加到Path里面: 并且把文件opencv_world400.dll和opencv_world400d.dll文件复制到 C:\Windows\SysWOW64这个文件夹; 三.配置Vs2019环境(OpenCV4.0只能用x64配置) 1.在把opencv的include添加到Inc...

kiripeng的博客 7051

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

VS2019 Qt5.14.2 OpenCV4.4.0 全流程安装及开发环境搭建与配置(工业相机环境配置)

本文详细介绍了在Windows 10系统下搭建海康威视工业相机SDK二次开发环境的完整流程。主要内容包括:Visual Studio 2019的安装与C++项目验证、Qt 5.14.2的安装配置、Visual Studio与Qt的集成拓展、OpenCV 4.4.0的安装与环境变量配置、以及MVS驱动的安装与系统路径设置。文章提供了详细的安装步骤截图、网盘资源链接,并针对常见问题如Qt库识别、OpenCV链接错误等给出了解决方案。

qq_35540725的博客 2611

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

VS2019+opencv4.0.1安装配置详解及填坑(win10)

1.下载(github+迅雷) https://github.com/opencv/opencv/releases/download/4.0.1/opencv-4.0.1-vc14_vc15.exe 复制此链接到迅雷下载,这是windows版,要不然会非常慢. 其他版本:https://github.com/opencv/opencv/releases 2. 安装opencv 双击下...

2020 1万+

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

Windows10 + Visual Studio 2013 + OpenCV2.4.10配置

OpenCV2.4.10    1.  从官网https://opencv.org/releases.html下载OpenCV2.4.10,推荐Win pack方式(下载页面里的Sources和Win pack有什么区别?Sources只是源码,Win pack除了源码外还包括已经编绎好的支持各平台和语言对应的库文件,免去了编译)    2.  下载完成后得到一个exe文件,提取到制定目录即完成安...

InMKaKui的博客 3922

Win10下Visual Studio 2019+OpenCV 4.3.0环境搭建过程

Win10下Visual Studio 2019+OpenCV 4.3.0环境搭建过程 安装Visual Studio 2019 安装Visual Studio 2019,从官网下载vs_community.exe安装就可以了,记得选c++。 下载OpenCV 4.3.0 opencv官网 https://opencv.org/releases/ 下载opencv-4.3.0-vc14_vc15.exe,这是一个自解压的exe文件,双击文件,单击Extract解压。 添加系统环境变量 控制面板–>系

mirana的专栏 1240

win7 64位环境下配置visual studio2013 的opencv 3.0环境

# 安装 *首先去官网下载opencv3.0.,今天中午的时候,我下载了opencv3.1版本后,竟然发现include中没有X86的文件夹,无耐之下只好下载了opencv3.0的安装包。 * 下载好之后,双击opencv3.0.0.exe的可执行文件,接着程序会自动解压,选择你要安装的地址。 选择好安装目录之后,就可以等待解压了。 * 环境变量配置 在你安装的目录中找到

zccrazywinds 1970

在visual studio 2019中配置opencv4.1.0

一、下载visual studio 2019 官网地址(社区版免费使用):https://visualstudio.microsoft.com/zh-hans/vs/whatsnew/ 二、下载opencv 官网下载途径有两个:https://opencv.org/releases/ https://github.com/opencv/opencv/releases 但是自己打开这两个网页时,...

weixin_44195690的博客 588

OpenCV2.4.10+VS2013+Win8.1 64位配置

OpenCV2.4.10+VS2013+Win8.1 64位配置原创转载请注明~对opencv接触了一阵子,最近从网上又下了opencv2.4.10。就想重新装一下,想到以前看到那些配置的教程,不胜感激,节约了我很多时间,现在我也把我的经验发给大家,有错误的地方请指出,我也是新手,谢谢~ 好了废话不多说了开始配置!一. 需要准备的东西 Visual Studio 2013 Update 4 (x8

珈蓝EL 2075
上一篇: 计算机视觉行业迎来大发展,多角度解读未来前景
下一篇: OpenCV 4.1.0 + Visual Studio 2019 开发环境搭建 超级简单
ctrigger
博客等级 码龄16年 1766粉丝 1577原创
评论 18
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址