win10 编译cuda版OpenCV
一、环境
win10系统 + vs2017 + opencv3.4.15 + cuda11.1 + cmake
注：我本来用的是 opencv3.4.7，然后查了很多教程尝试都未成功，一直报错：
CMake Error: The following variables are used in this project, but they are set to NOTFOUND.
Please set them or make sure they are set and tested correctly in the CMake files:
CUDA_nppi_LIBRARY (ADVANCED)
后来查到原因 可能是新版cuda11.1 对旧版本的 opencv 支持不友好，需要修改一些编译的配置，比如这两个博文中的解决方法：链接1 链接2
但是最终还是没能解决。所以果断放弃了使用 opencv3.4.7 ，更换成 opencv3.4.15，新版本的 opencv 对 cuda11.1 的支持会更好。
二、编译cuda版OpenCV
1、下载好 opencv-3.4.15 源码、opencv_contrib-3.4.15 源码，并解压；
2、在解压后的 opencv-3.4.15目录中创建目录 build，用于存放编译后的文件；创建 install 目录用于存放最终编译生成的头文件、dll、lib文件；
3、打开cmake，源码目录选择解压后的 opencv-3.4.15 目录，编译目录选择刚刚创建的build目录。点击“Configure”按钮，选择vs2017 、x64，配置成功；
4、编译选项：
（1）WITH_CUDA 勾选上；
（2）OPENCV_EXTRA_MODULES_PATH 选中解压后的 opencv_contrib-3.4.15目录中的 modules 路径；
（3）ENABLE_FAST_MATH 勾选上；
（4）CMAKE_INSTALL_PREFIX 修改为刚刚创建的 install 目录，用于存放生成的头文件、库文件等；
（5）BUILD_opencv_world 勾选上，可将所有的库文件汇总到 opencv_world 这1个库文件中。
5、再次点击“Configure”按钮，成功后再点击“Generate”按钮。
6、在 build 目录中找到 OpenCV.sln，用 vs2017 打开；
7、在生成库文件之前，需要做一件事，修改“python37_d.lib” 为 “python37.lib”； 是因为我生成库文件时（大概过了5个小时），最终报错 “无法打开文件“python37_d.lib””，导致生成失败，很扎心，又要重新生成；具体操作方法：
（1）在 bindings 项目中的外部依赖项中，找到 pyconfig.h 头文件，并打开；
（2）找到如下代码，把 # define Py_DEBUG 屏蔽 ：
#ifdef _DEBUG
# define Py_DEBUG
#endif 
（3）将 pragma comment(lib,"python37_d.lib") 修改为 pragma comment(lib,"python37.lib")
8、在 vs 中的 “生成” -> “批生成” 中 选择 项目All_BUILD 的 Debug|x64 和 Release|x64，点击生成。【漫长的等待，至少5个小时以上】
9、生成成功后，再在“生成” -> “批生成” 中 选择 项目 INSTALL 的 Debug|x64 和 Release|x64，点击生成 。【这次不需要等待很长时间】
.
10、然后再 install 目录中，就可以看到生成的 头文件、库文件等；
11、我们只需要 install 目录中生成的即可，其他的文件都可以删除了。把 install 目录名称修改为 opencv3.4.15， 在windows中配置系统环境变量。
三、测试
新建项目，并配置好刚刚生成的 opencv3.4.15 环境（包含目录、库目录、依赖项），这里就不介绍了，网上很多，而且很简单。
直接上测试程序代码：
#include
#include "opencv2/opencv.hpp"
using namespace std;
using namespace cv;
//#define CUDA_OPENCV
int main()
{
Mat img1 = imread("1.jpg");
Mat img2 = imread("2.jpg");
if (img1.empty() | img2.empty()) {
cout << "Could not open an image!" << endl;
return -1;
}
int len = 10000;
auto start = std::chrono::system_clock::now();
#ifdef CUDA_OPENCV
//Create memory for resorting images on device
cuda::GpuMat d_result, d_img1, d_img2;
//Upload images to device
d_img1.upload(img1);
d_img2.upload(img2);
Mat h_result;
for (size_t i = 0; i < len; i++)
{
cuda::add(d_img1, d_img2, d_result);
}
//Download result back to host
d_result.download(h_result);
#else
Mat h_result;
for (size_t i = 0; i < len; i++)
{
cv::add(img1, img2, h_result);
}
#endif // CUDA_OPENCV
auto end = std::chrono::system_clock::now();
cout << "Times：" << std::chrono::duration_cast(end - start).count() * 1.0f / len << "ms";
imshow("Image1", img1);
imshow("Image2", img2);
imshow("Result", h_result);
waitKey();
system("pause");
return 0;
} 程序中包含了 cpu 运行和 gpu 运行，直接看下运行耗时：
1、cpu 运行每次耗时：
2、 gpu 运行每次耗时：
结论：从上面测试中可以看到，cuda opencv 运行有着明显的效率优势。