Linux系统如何安装配置OpenCV并实现基础图像处理操作？

在Linux系统中使用OpenCV是进行计算机视觉和图像处理的常见需求，OpenCV（Open Source Computer Vision Library）提供了丰富的函数库，支持C++、Python等多种编程语言，本文将从安装、配置、基本使用到高级应用,详细说明Linux环境下OpenCV的使用方法。

安装OpenCV

Linux下安装OpenCV有三种主要方式：系统包管理器安装、源码编译安装、pip安装（Python环境），不同方式适用于不同需求，系统包管理器安装最简单，但版本可能较旧；源码编译可定制功能，但过程复杂；pip安装适合Python开发者,版本较新。

系统包管理器安装

以Ubuntu/Debian为例，使用apt命令：

sudo apt update
sudo apt install libopencv-dev python3-opencv

以CentOS/RHEL为例，使用yum命令：

sudo yum install opencv opencv-devel python3-opencv

优点：快速安装，自动处理依赖；缺点：版本可能滞后（如Ubuntu 20.04默认OpenCV 4.2）。

源码编译安装

适用于需要最新版本或自定义功能的情况，步骤如下：

• 安装依赖：

  sudo apt install build-essential cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev

• 下载源码：

  git clone https://github.com/opencv/opencv.git
  cd opencv
  git checkout <版本号>  # 如4.8.0

• 编译安装：

  mkdir build && cd build
  cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local ..
  make -j$(nproc)
  sudo make install

pip安装（Python环境）

若仅需Python支持，可直接安装opencv-python：

pip install opencv-python

或包含扩展模块的opencv-python-headless（无GUI依赖）：

pip install opencv-python-headless

不同Linux发行版安装命令对比
| 发行版 | 包管理器 | 安装命令（C++库） | 安装命令（Python库） |
|————–|———-|————————|————————–|
| Ubuntu/Debian | apt | sudo apt install libopencv-dev | sudo apt install python3-opencv |
| CentOS/RHEL | yum | sudo yum install opencv-devel | sudo yum install python3-opencv |
| Fedora | dnf | sudo dnf install opencv-devel | sudo dnf install python3-opencv |
| 通用（Python）| pip | – | pip install opencv-python |

配置环境变量

源码编译安装后，需配置LD_LIBRARY_PATH以动态链接OpenCV库：

echo 'export LD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

验证安装：

• C++：运行pkg-config --modversion opencv4，显示版本号则成功。
• Python：运行python3 -c "import cv2; print(cv2.__version__)",显示版本号则成功。

基本使用示例

C++示例：读取并显示图片

#include <opencv2/opencv.hpp>
using namespace cv;
int main() {
    Mat image = imread("test.jpg", IMREAD_COLOR); // 读取图片
    if (image.empty()) {
        std::cerr << "Could not read image!" << std::endl;
        return -1;
    }
    imshow("Display Window", image); // 显示图片
    waitKey(0); // 等待按键
    return 0;
}

编译（需链接OpenCV库）：

g++ -std=c++11 display_img.cpp -o display_img `pkg-config --cflags --libs opencv4`
./display_img

Python示例：图像灰度化

import cv2
# 读取图片
image = cv2.imread("test.jpg")
if image is None:
    print("Could not read image!")
    exit()
# 转换为灰度图
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 显示图片
cv2.imshow("Gray Image", gray_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

高级应用

视频处理

• 读取摄像头：

  cap = cv2.VideoCapture(0) # 0为默认摄像头
  while True:
      ret, frame = cap.read()
      if not ret:
          break
      cv2.imshow("Camera", frame)
      if cv2.waitKey(1) & 0xFF == ord('q'):
          break
  cap.release()
  cv2.destroyAllWindows()

图像处理

边缘检测（Canny算子）：

import cv2
import numpy as np
image = cv2.imread("test.jpg", cv2.IMREAD_GRAYSCALE)
edges = cv2.Canny(image, 100, 200)
cv2.imshow("Edges", edges)
cv2.waitKey(0)

DNN模块加载预训练模型

net = cv2.dnn.readNet("model.onnx") # 加载ONNX格式模型
blob = cv2.dnn.blobFromImage(image, scalefactor=1/255.0, size=(224, 224), mean=(0,0,0), swapRB=True)
net.setInput(blob)
output = net.forward()

常见问题与解决（FAQs）

Q1：Linux下OpenCV编译时报错“undefined reference to cv::imread”怎么办？
A：通常是由于链接库缺失导致，确保编译时正确链接OpenCV库：

• 使用CMakeLists.txt（推荐）：

  find_package(OpenCV REQUIRED)
  target_link_libraries(your_target ${OpenCV_LIBS})

• 或手动指定库路径：

  g++ your_file.cpp -o your_app -I/usr/local/include/opencv4 -L/usr/local/lib -lopencv_core -lopencv_highgui

Q2：如何在Python中使用OpenCV处理视频并保存为MP4文件？
A：使用cv2.VideoCapture读取视频，cv2.VideoWriter保存，需设置编码格式（如MP4V）和帧率：

import cv2
cap = cv2.VideoCapture("input.mp4")
fps = cap.get(cv2.CAP_PROP_FPS)
frame_size = (int(cap.get(3)), int(cap.get(4)))
# 初始化VideoWriter（MP4编码需支持，如MP4V）
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
out = cv2.VideoWriter("output.mp4", fourcc, fps, frame_size)
while True:
    ret, frame = cap.read()
    if not ret:
        break
    # 处理帧（如灰度化）
    processed_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    out.write(processed_frame)
cap.release()
out.release()

通过以上步骤，可在Linux系统中完成OpenCV的安装、配置及基础应用,并根据需求扩展至复杂的计算机视觉任务。