2. OpenCV环境搭建：三平台安装与源码编译实战

说实话，环境搭建这事儿，看着简单，坑却不少。我见过太多同学卡在这一步，代码写好了，结果环境没配好，半天跑不起来。今天我就把Windows、Linux、Mac三个平台的安装经验一次性说清楚。

2.1 准备工作：先搞清楚你要什么

在动手之前，我建议你先想清楚一个问题：你只是要用OpenCV，还是要改OpenCV？

• 只想用：直接装预编译包，pip install opencv-python 搞定
• 要改源码：比如你想加自己的算法模块，或者要用CUDA加速，那就得编译源码
• 嵌入式/移动端：交叉编译，这个我们后面单独讲

我个人习惯是：开发阶段用预编译包快速验证，正式项目一定编译源码。为什么？因为预编译包可能没开优化选项，性能差一截。

2.2 Windows平台安装

2.2.1 预编译包安装（最快方式）

# 基础版
pip install opencv-python

# 包含contrib模块的完整版
pip install opencv-contrib-python

# 验证安装
python -c "import cv2; print(cv2.__version__)"

嗯，这里要注意：如果你要用SIFT、SURF这些专利算法，必须装contrib版。我曾经有个项目，在客户机器上只装了基础版，结果SIFT死活调不出来，排查了半天才发现是这个问题。

2.2.2 源码编译（推荐）

为什么要编译源码？说白了，就是你要榨干硬件的每一分性能。

1. 安装VS Build Tools：Visual Studio 2019或2022，记得勾选C++开发组件
2. 安装CMake：从官网下载，安装时选"Add to PATH"
3. 下载OpenCV源码：从GitHub拉取最新版

# 我习惯用git clone，方便切换版本
git clone https://github.com/opencv/opencv.git
git clone https://github.com/opencv/opencv_contrib.git

# 创建构建目录
cd opencv
mkdir build && cd build

# CMake配置（关键步骤）
cmake -DCMAKE_BUILD_TYPE=RELEASE ^
      -DCMAKE_INSTALL_PREFIX=../install ^
      -DWITH_CUDA=ON ^
      -DWITH_OPENCL=ON ^
      -DBUILD_opencv_world=ON ^
      -DOPENCV_EXTRA_MODULES_PATH=../../opencv_contrib/modules ^
      ..

# 编译（-j后面的数字是并行线程数，根据CPU核心数调整）
cmake --build . --config Release -j 8

# 安装
cmake --install .

2.3 Linux平台安装

2.3.1 Ubuntu/Debian系

# 安装依赖（我建议一次性装全）
sudo apt update
sudo apt install build-essential cmake git pkg-config
sudo apt install libjpeg-dev libtiff-dev libpng-dev
sudo apt install libavcodec-dev libavformat-dev libswscale-dev
sudo apt install libgtk2.0-dev libcanberra-gtk-module
sudo apt install python3-dev python3-numpy python3-pip

# 编译源码（和Windows类似，但命令更简洁）
cd opencv && mkdir build && cd build
cmake -DCMAKE_BUILD_TYPE=RELEASE \
      -DCMAKE_INSTALL_PREFIX=/usr/local \
      -DWITH_CUDA=ON \
      -DWITH_OPENCL=ON \
      -DBUILD_opencv_python3=ON \
      -DOPENCV_EXTRA_MODULES_PATH=../../opencv_contrib/modules \
      ..
make -j$(nproc)
sudo make install

2.3.2 验证安装

# 检查OpenCV版本
pkg-config --modversion opencv4

# Python验证
python3 -c "import cv2; print(cv2.getBuildInformation())"

你想想看，getBuildInformation()这个函数能输出完整的编译信息，包括用了哪些模块、开了哪些优化。我每次编译完第一件事就是跑这个，确认CUDA和OpenCL都正确开启了。

2.4 Mac平台安装

2.4.1 Homebrew安装（推荐）

# 安装Homebrew（如果没有的话）
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

# 安装OpenCV
brew install opencv

# 或者指定版本
brew install opencv@4

2.4.2 源码编译（M1/M2芯片注意）

Mac的M系列芯片有点特殊。我刚开始用M1 Mac时，直接brew install，结果发现OpenCV没用到GPU加速。后来查了文档才知道，需要手动开启Metal支持。

# M1/M2芯片编译要点
cmake -DCMAKE_BUILD_TYPE=RELEASE \
      -DCMAKE_INSTALL_PREFIX=/usr/local \
      -DWITH_METAL=ON \        # 开启Metal加速
      -DWITH_VULKAN=ON \       # 可选，Vulkan加速
      -DBUILD_opencv_python3=ON \
      -DOPENCV_EXTRA_MODULES_PATH=../../opencv_contrib/modules \
      ..

make -j$(sysctl -n hw.logicalcpu)
sudo make install

2.5 验证安装是否成功

不管哪个平台，我都用同一套验证脚本。说白了，能跑通这几个测试，环境就算搭好了。

import cv2
import numpy as np

# 测试1：基本功能
print(f"OpenCV版本: {cv2.__version__}")

# 测试2：读取摄像头
cap = cv2.VideoCapture(0)
if cap.isOpened():
    ret, frame = cap.read()
    if ret:
        print(f"摄像头正常，图像尺寸: {frame.shape}")
    cap.release()
else:
    print("摄像头未检测到，跳过")

# 测试3：图像处理流水线
img = np.zeros((480, 640, 3), dtype=np.uint8)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150)
print(f"基础图像处理正常，边缘检测结果尺寸: {edges.shape}")

# 测试4：GPU加速（如果编译时开启了）
try:
    # 检查是否支持CUDA
    cuda_enabled = cv2.cuda.getCudaEnabledDeviceCount()
    print(f"CUDA设备数量: {cuda_enabled}")
except:
    print("未启用CUDA加速")

print("环境搭建验证通过！")

2.6 常见问题与避坑指南

问题	原因	解决方案
ImportError: No module named cv2	Python路径不对	检查pip list，确认opencv-python已安装
编译时找不到CUDA	CUDA路径未配置	cmake时加 -DCUDA_TOOLKIT_ROOT_DIR=/usr/local/cuda
摄像头打不开	权限问题	Linux下加用户到video组，Mac下允许摄像头权限
编译特别慢	没开并行编译	用 -j 参数指定并行数

好了，环境搭建就讲到这里。说白了，这步虽然繁琐，但一次配好，后面能省很多事。我建议你三个平台都试试，毕竟实际工作中，你永远不知道客户用的是Windows笔记本还是Mac工作站。

下一章，我们会真正开始写代码，从摄像头读取第一帧图像。到时候你会发现，前面这些折腾都是值得的。