基于Visual Stduio 2019的Cmake3.28.6编译OpenCV4.9.0，CUDA12.3.2，cudnn8.9.7.29，TBB21.13.0操作步骤（小白零基础操作版）

版本使用说明：
目前网上已经发布的教程大多是基于OpenCV，CUDA，TBB等较古老版本搭建的，对于深度学习，人工智能飞速发展的今天，引入新的版本，使用最新的功能特性，充分利用电脑的性能，从而加速项目的开发是非常有必要的。本项目选用的版本均为2023年到2024年之间发布的版本，既考虑了最新版本的不稳定性，又兼顾了一些新的功能特性，理论上该版本在未来五年内都是一个比较好的选择，如有不当之处，恳请大家批评指正。本项目版本编译时与网上的一些古老版本有一些不同之处，笔者在编译时一次编译成功，并测试完全可用，具体效果见下图。同时本文也介绍了一些环境变量的简短配置方法，解决环境变量路径长度限制的报错以及构建C++工程项目文件时的相对路径的设置。

本项目的构建硬件平台如下：
电脑操作系统：WINDOWS 10 22H2 19045.4894
CPU：Intel® Core™ i7-10870H CPU @ 2.20GHz
GPU：NVIDlA GeForce RTX 2070 with Max-Q Design

文件下载及准备工作

操作步骤
首先通过Win+R，输入cmd，通过nvidia -smi查询电脑所支持的CUDA最高版本
本电脑支持版本如下:

如果电脑显卡驱动过低，可以通过电脑中的NIVDIA GeForce Experience程序来更新驱动程序，在下图位置点击安装即可。

OpenCV版本链接：
https://opencv.org/releases/#:~:text=Google%20Summer%20of%20Code.%20Google%20Summer

OpenCV4.9.0版本链接
opencv_contrib-4.9.0

CUDA 12.3.2版本链接：
CUDA的历史版本下载
笔者这里选择的是CUDA Toolkit 12.3

cuDNN版本链接：
cuDNN历史版本
笔者这里选择的是Download cuDNN v8.9.7 (December 5th, 2023), for CUDA 12.x

Cmake版本下载
cmake-3.28.6-windows-x86_64.msi
Cmake版本发行说明

TBB版本下载
说明：TBB本身是一个函数库，因此不需要安装，只需要将下载好的文件解压到一个文件夹中，之后回到计算机的“环境变量”中配置环境变量路径，但请注意所有路径不能包含中文。 正常在使用OpenCV和CUDA的时候可以不添加TBB库，但是部分函数在加添TBB库时才能正常使用，所以建议在混合编译的过程中将TBB库一同编译进去。当然，如果仅仅是使用一些基础函数还是可以不加入的。如下给出了TBB库的安装过程。
oneapi-tbb-2021.13.0-win.zip
截止发稿时，该版本为当前发布的TBB最新版本。

好了，准备工作做好了，下面就是安装过程了。
对于OpenCV来说，直接解压下载好的两个文件夹即可。
安装OpenCV时注意设置如下目录架构：

------1.opencv4.9_source

--------- 1.1 opencv_contrib-4.9.0
--------- 1.2 opencv-4.9.0
--------------- 1.2.1 3rdparty
----------------1.2.2 apps
----------------1.2.3 build（注意，该名称为新建名称，即后续Cmake编译结果的存放路径）
--------------- 1.2.4 …

接下是CUDA的安装过程，为方便以后出现问题时快速找到目录，可参考笔者在C盘以外的安装路径：
D:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.3.2
其中NVIDIA GPU Computing Toolkit\CUDA\v12.3.2均为笔者新建文件夹 !

下面安装选择自定义

下面安装选项时，注意观察版本信息。

后面的三个选项因为电脑的当前版本比老版本的版本号更新，所以笔者选择较新的版本，因此后面三项笔者并未勾选。
接着将下载好的cuDNN解压，将里面的将bin，include，lib文件夹复制到刚才NVIDIA CUDA 12.3的安装位置，如图所示：

此时，需要在电脑中添加系统的环境变量

具体步骤如下：
WINDOWS 10 系统下右键此电脑，选择属性，在设置中打开高级系统设置，在下图页面中选择环境变量选项，找到系统变量。

在系统变量中找到Path变量，将下面几个变量添加进去。
D:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.3.2\libnvvp
D:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.3.2\bin
D:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.3.2\extras\CUPTI\lib64

由于笔者这里电脑环境变量过多，若将地址完整地传递进去，在后续添加环境变量时WINDOWS系统会报变量值过长的错误信息，因此，笔者建议在系统变量这一栏，选择新建，变量名以简短清晰明了为佳，该变量名不做特殊要求，可根据个人喜好起名字。变量值需要填写文件的具体的地址，此处填写地址是为了尽可能缩短在Path路径下的地址。笔者的变量名和变量值如下所示：

变量名：CUDA_PATH_V12_3
变量值：D:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.3.2

这里提供一个添加地址的教程：（仅是帮助理解，可以直接跳过）
假设添加地址为：
D:\OpenCV\opencv4.0.1\opencv\build\bin
D:\OpenCV\opencv4.0.1\opencv\build\etc
D:\OpenCV\opencv4.0.1\opencv
此时变量名可以自定义（但最好不要有中文）
变量值是其最大的公共部分，如：D:\OpenCV\opencv4.0.1\opencv。适当短一些也无伤大雅。

好了，书归正传，接下来点击系统变量中的Path，新建下方几个变量
%CUDA_PATH_V12_3%\libnvvp
%CUDA_PATH_V12_3%\bin
%CUDA_PATH_V12_3%\extras\CUPTI\lib64
注意，若电脑存在其他CUDA版本的环境变量，请将上面的三个环境变量上移到其他CUDA版本环境变量上方。
如果Cmake是想编译较少的安装包，环境更加简洁，出错概率更加小一些的话，如果不使用java，python等环境，可以考虑在这里暂时移除

接着配置TBB,Cmake的系统环境变量，由于笔者这两个安装包均直接安装在D盘，路径相对较短，这里直接在变量Path里直接添加。笔者这里直接给出自己路径参考。
D:\TBB21.13.0\include
D:\TBB21.13.0\redist\intel64\vc14
D:\Cmake\bin

项目编译

到这里前期工作已经差不多做好了，接下来是愉快的编译过程。
启动Cmake

Where is the source code：填写OpenCV的源码路径
Where to build the binaries：填写生成Cmake的路径（这里一定要按照前文提到的目录架构来写）
笔者目录参考如下：
!

Where is the source code：   D:/OpenCV/opencv4.9_source/opencv-4.9.0
Where to build the binaries：D:/OpenCV/opencv4.9_source/opencv-4.9.0/build

初次直接点击Configure时会出现一些参数设置，具体如下

完成后进行一次环境构建。观察是否出现Java，Python等环境，

如果不想要该环境的，可以在Search中搜索其关键词，取消勾选即可。这里可以直接跳过。

下面是重点
在Search中搜索下面几项，并分别勾选
WITH_CUDA
WITH_TBB（注意只勾选这一个）
OPENCV_ENABLE_NONFREE
OPENCV_EXTRA_MODULES_PATH

并在此处的Value填写D:/OpenCV/opencv4.9_source/opencv_contrib-4.9.0/modules
为了提升项目的生成速度，若不需要test和sample相关的内容，这些标签可以去掉
继续搜索world

将其勾选
接着点击Configure，再次完成一次项目构建。
接着搜索CUDA_FAST_MATH，将其勾选上。

在Search中查询TBB

手动添加以下路径

D:/TBB21.13.0/lib/cmake/tbb
D:/TBB21.13.0/include
D:/TBB21.13.0/lib/intel64/vc14/tbb.lib
D:/TBB21.13.0/lib/intel64/vc14/tbb_debug.lib

在编译时可能出现以下报错：

cudacodec::VideoReader requires Nvidia Video Codec SDK：
cudacodec::VideoWriter requires Nvidia Video Codec SDK：

这个错误是因为OpenCV 的cudacodec模块使用 Nvidia Video Codec SDK 来处理视频解码( VideoReader)。如果系统中没有安装这个 SDK，或者 CMake 就无法找到它，编译时会提示这个警告。类似地，cudacodec模块的VideoWriter功能也依赖于 Nvidia Video Codec SDK 来进行视频编码。如果缺少该 SDK，或者没有正确配置，CMake 会发出警告。

解决方案如下：
1.安装Nvidia视频编解码器SDK：Nvidia Video Codec SDK
2.禁用相关选项：在Search中搜索WITH_NVCUVID和WITH_NVCUVENC，将其取消勾选即可。

在编译时还有一个重要选项，即GPU算力架构设置。
在Search中搜索CUDA_ARCH_BIN，这里面默认有几个值，代表了GPU的架构

常见值：
5.0：Maxwell
6.0, 6.1：Pascal
7.0, 7.5：Volta, Turing
8.0, 8.6：Ampere
9.0：Ada Lovelace, Hopper

在Search中搜索CUDA_ARCH_PTX

PTX代码是一种虚拟架构的代码，不针对任何特定的GPU架构，可以视作一种“汇编代码”。
作用：生成PTX代码通常是为了确保未来的CUDA驱动可以针对未被当前CUDA版本直接支持的未来GPU架构，动态编译生成适配的二进制代码。PTX在执行时，CUDA驱动会根据当前运行的GPU架构重新编译这些PTX代码。
使用场景：如果需要兼容未来发布的GPU架构，生成PTX代码会让程序具备更好的向前兼容性，但运行时需要额外的开销（在运行时重新编译PTX代码）。

笔者只打算让程序在 RTX 2070 或其他 Turing架构 GPU 上运行，故只设置CUDA_ARCH_BIN=7.5。CUDA_ARCH_PTX 可以设置为空，或者设置为 7.5，这样只生成 Turing 架构的代码，不会为其他未来架构生成额外的 PTX代码。笔者这里将CUDA_ARCH_PTX设置为空

再次点击Configure，观察输出是否有红色警告，务必多次Configure，直至红色警告消失。此时TBB_VER_FILE的值会有系统自动填充。
在TBB模块中可能会出现TBB_DIR-NOTFOUND错误。
错误原因如下：

CMake 通过查找 TBBConfig.cmake 或者 FindTBB.cmake 文件来定位 TBB 库。如果这些文件缺失或路径不正确，就会导致 TBB_DIR-NOTFOUND。

个人解决方案：将TBBConfig.cmake文件复制后放到目标路径文件夹下即可解决。但是该方法可能出现_tbb_debug_lib-NOTFOUND以及_tbb_release_lib-NOTFOUND。需要多次尝试，或重启或重启后Configure解决。

笔者在编译时较为顺利，因此提供的错误解决方案较少，部分博主提到出现一些错误可以尝试通过多次Configure解决。

再确认上述配置没有问题后，输出全白，说明配置没有问题，点击Generate。
生成的文件在D:/OpenCV/opencv4.9_source/opencv-4.9.0/build 路径下，此时建议使用Cmake打开项目，点击Open Project启动。

在生成选项中选择批生成


在ALL_BUILD，以及INSTALL上面打上勾，最后点击生成。此过程较为缓慢，在去掉tset，sample的情况下预计生成67个项目，大概耗时4小时左右，全量生成预计为263个项目。笔者在这一过程中较为顺利，未出现报错。如果存在其他错误请自查前面步骤是否有遗漏，或参照其他解决方案。

完成编译后，其生成路径放在下面路径中

D:\OpenCV\opencv4.9_source\opencv-4.9.0\build\install

在D:\OpenCV\opencv4.9_source\opencv-4.9.0\build\install\x64\vc16\lib路径下的文件如下：

在D:\OpenCV\opencv4.9_source\opencv-4.9.0\build\install\x64\vc16\bin路径下的文件如下：

运行测试

最后笔者新建项目进行GPU加速测试，以验证安装是否成功。

启动Visual Stduio 2019，选择创建新项目
笔者这里使用Release x64平台，并采用相对路径配置环境。
将D:\OpenCV\opencv4.9_source\opencv-4.9.0\build下的install文件夹复制到目标项目中，笔者这里将其重命名为OpencvCudainstall，具体位置参考如下：

为配置项目的相对路径，方便项目的可移植性，笔者在项目的属性管理器中新建Opencv490_Cuda12_3的相对路径属性表。具体如下：

在VC++目录中配置包含目录如下：

.\OpencvCudainstall\include\opencv2
.\OpencvCudainstall\include

库目录配置如下：

.\OpencvCudainstall\x64\vc16\lib

解释：

. 表示当前所在的目录，意味着路径是从当前工作目录开始的。
\ 是路径分隔符，用于连接不同目录或文件夹。
../ 表示上一级目录

接着在链接器中找到输入，添加附加依赖项opencv_world490.lib
最后点击应用。
此时点击生成，选择生成解决方案。会发现和OpencvCudainstall同级的目录下出现了x64文件夹。
将......OpencvCudainstall\x64\vc16\bin路径中的opencv_videoio_ffmpeg490_64.dll以及
opencv_world490.dll（Debug版本使用opencv_world490d.dll）复制到上面提到的x64\Release文件夹内。
通过这样配置，其他项目可通过移动OpencvCudainstall库文件，以及Opencv490_Cuda12_3相对路径属性表快速实现项目配置。

接着使用GPU测试文件测试，具体代码如下：
在Visual Stduio 2019中的源文件中新建.cpp文件。在OpencvCudainstall同级的目录中放置两张图片，笔者这里命名分别为yuan.bmp和1.bmp。请复制下面代码测试。

#include <iostream>                   // Console I/O
#include <sstream>                    // String to number conversion

#include <opencv2/core.hpp>      // Basic OpenCV structures
#include <opencv2/core/utility.hpp>
#include <opencv2/imgproc.hpp>// Image processing methods for the CPU
#include <opencv2/imgcodecs.hpp>// Read images

// CUDA structures and methods
#include <opencv2/cudaarithm.hpp>
#include <opencv2/cudafilters.hpp>

using namespace std;
using namespace cv;

double getPSNR(const Mat& I1, const Mat& I2);      // CPU versions
Scalar getMSSIM( const Mat& I1, const Mat& I2);

double getPSNR_CUDA(const Mat& I1, const Mat& I2);  // Basic CUDA versions
Scalar getMSSIM_CUDA( const Mat& I1, const Mat& I2);

//! [psnr]
struct BufferPSNR                                     // Optimized CUDA versions
{
      // Data allocations are very expensive on CUDA. Use a buffer to solve: allocate once reuse later.
    cuda::GpuMat gI1, gI2, gs, t1,t2;

    cuda::GpuMat buf;
};
//! [psnr]
double getPSNR_CUDA_optimized(const Mat& I1, const Mat& I2, BufferPSNR& b);

//! [ssim]
struct BufferMSSIM                                     // Optimized CUDA versions
{
      // Data allocations are very expensive on CUDA. Use a buffer to solve: allocate once reuse later.
    cuda::GpuMat gI1, gI2, gs, t1,t2;

    cuda::GpuMat I1_2, I2_2, I1_I2;
    vector<cuda::GpuMat> vI1, vI2;

    cuda::GpuMat mu1, mu2;
    cuda::GpuMat mu1_2, mu2_2, mu1_mu2;

    cuda::GpuMat sigma1_2, sigma2_2, sigma12;
    cuda::GpuMat t3;

    cuda::GpuMat ssim_map;

    cuda::GpuMat buf;
};
//! [ssim]
Scalar getMSSIM_CUDA_optimized( const Mat& i1, const Mat& i2, BufferMSSIM& b);

static void help()
{
   
    cout
        << "\n--------------------------------------------------------------------------" << endl
        << "This program shows how to port your CPU code to CUDA or write that from scratch." << endl
        << "You can see the performance improvement for the similarity check methods (PSNR and SSIM)."  << endl
        << "Usage:"                                                               << endl
        << "./gpu-basics-similarity referenceImage comparedImage numberOfTimesToRunTest(like 10)." << endl
        << "--------------------------------------------------------------------------"   << endl
        << endl;
}

int main(int, char *argv[])
{
   
    
    help(