OpenCV

int main(){ cv::Mat m1 =(cv::Mat_< int >( 3 , 2 )<< 1 , 2 , 3 , 4 , 5 , 6 ); cv::Mat m2 =(cv::Mat_< int >( 3 , 2 )<< 2 , 4 , 6 , 8 , 10 , 12 ); cv::Mat m3 =(cv::Mat_< int >( 3 , 2 )<< 3 , 6 , 9 , 12 , 15 , 18 ); cv::Mat inm[] = {m1,m2,m3}; cv::Mat outm; cv::merge(inm, 3 ,outm); // 合并后行数和列数不变。each element of the output array will be a concatenation of the elements of // the input arrays, where elements of i-th input array are treated as mv[i].channels()-element vectors. std::cout<<outm<< std::endl; std::vector <cv::Mat> inm1; inm1.push_back(m1); inm1.push_back(m2); inm1.push_back(m3); cv::Mat

安装前需要保证以下文件正确安装： gcc 4.4.x 或更高版本。sudo apt-get install build-essential（这个包中包含g++，gcc等） cmake 2.6 或更高版本。sudo apt-get install cmake gtk+ 2.x 或更高版本，这个必须包含头（sudo apt-get isntall libgtk2.0-dev） pkgconfig ----sudo apt-get install pkgconfig python 2.6 或更高版本。这个ubuntu 12.04以及12.10都已经安装，可以不用安装了。 一般来说，这么多就够了。 至于安装包，可以通过google找到官方网站直接下载，也可以通过git。我使用的是OpenCV-2.4.3.tar.bz2，下好后解压：tar -jxvf OpenCV-2.4.3.tar.bz2。接下来开始编译、安装了 进入文件夹。cd OpenCV-2.4.3 使用cmake构建makefile文件。cmake . 你可以仔细看看有没有缺什么。 使用make编译。make 安装，这个需要root权限。sudo make install。 这样可能出现头文件包含问题，你最好把opencv 的 include文件复制到/usr/include。 接下来我们来先写个例子吧(显示图像)：

参考： https://www.cnblogs.com/hxzkh/p/8473190.html 将该博主的某一部分摘录出来 ->lsdslam 中的opencv版本 3、编译 opencv 由于这个代码用到了opencv2.4 版本，所以我们要下载对版本。之前一直编译不同，以为是下载的版本有问题，我下载了 2.4.9、2.4.13、2.4.13.5，最后用 2.4.13版本跑通了，当然我不是说 2.4.9、2.4.13.5 等其他 2.4 版本不能跑通。为什么这么说呢？因为我之前之所以出问题编译出错是因为我之前装了 3.1.0的版本，所以不行。所以，你可以试一试，我觉得只要是 2.4. 的版本应该都可以。 这里我简单交代一下我曲折的编译之路。。。然后再给出正确方法。 首先说一下 opencv 版本的问题，之前跑另一个程序需要opencv3，,那时候没玩过这，也不懂，就按默认路径安装了 opencv3.1.0，然后它自己就装到了 usr/local/include、usr/local/lib，还有share什么的，好多个文件夹，导致我卸载都很麻烦，要卸载它，你就得手动删掉它所有安装的路径下的相关文件，这些安装信息在安装时保存在了一个什么 install 文件中，具体我忘了（反正我是运行 unintall 不行，所以才手动一个一个删的）。 就这样，删掉了opencv3.1.0版本

开发环境选择 本文操作系统为Windows，因为Windows上的安卓模拟器选择较多，并且真机调试也比较方便； 交叉编译在Windows和Ubuntu上都进行了尝试，都可行，但是如果是Ubuntu上交叉编译之后再挪到Windows的话，容易出幺蛾子； 我目前使用的最稳定的工具版本组合是：ndk18、androidstudio4.1、cmake3.10、gradle6.5、MinGW（CodeBlocks自带）。 1. PyTorch模型转NCNN 这一小节是介绍如何将自己重新训练过的PyTorch模型转成ncnn，如果没有重训练需求的话，可以直接跳过这一节。 （1） 整体步骤 理想情况下，从PyTorch转到ncnn只需要下面两步: PyTorch转ONNX torch.onnx._export(model, x, path, opset_version=11) ONNX转NCNN ./onnx2ncnn model.onnx model.param model.bin 遇到问题的适合解决思路如下： convert.png 下面介绍一下我在做ChineseOCRLite中的PSENet模型转换的过程中遇到的问题。 （2）实际操作的时候可能会遇到各种问题 问题1：ReLU6不支持 概述：ReLU6算子在转换的时候容易出现不支持的情况，需要使用其他算子替代 解决：使用torch