当前位置： 首页 > news >正文

Ubuntu 16.04通过Anaconda源码编译安装OpenCV全流程指南

news 2026/8/26 4:52:54

1. 项目背景与核心价值

在Ubuntu 16.04这个经典的LTS发行版上，通过Anaconda来安装OpenCV，这件事听起来简单，但实际操作起来，尤其是在一个已经停止官方维护的系统上，绝对是一个能让你深刻理解Python包管理、系统依赖和编译兼容性的“绝佳”实践。我之所以用“绝佳”这个词，是因为这个过程里你会遇到各种版本冲突、依赖缺失和网络问题，而解决它们的过程，恰恰是提升你环境搭建和问题排查能力的硬核训练。

OpenCV作为计算机视觉领域的基石库，其重要性不言而喻。而Anaconda则以其强大的环境隔离和包管理能力，成为数据科学和机器学习开发者的首选。将两者结合，在Ubuntu 16.04上构建一个稳定、独立的视觉开发环境，其核心价值在于：隔离性和可复现性。你可以为不同的项目创建独立的conda环境，分别安装不同版本的OpenCV，而不用担心污染系统Python环境或与其他项目产生冲突。这对于需要同时维护多个涉及不同版本OpenCV库的项目来说，是至关重要的。

然而，Ubuntu 16.04已于2021年4月结束标准支持，其自带的软件源仓库很多已经不再更新。这意味着，当你试图用apt安装一些系统级的开发依赖时，可能会发现包找不到或者版本过于陈旧。同时，Anaconda的默认频道（channels）也在不断调整，一些旧的镜像链接（比如你搜索热词里出现的anaconda/pkgs/free）已经失效，直接使用conda install可能会遇到“HTTP 404”错误。因此，这个任务远不止是输入一行安装命令那么简单，它涉及到源配置、依赖梳理、编译选项选择等一系列细节。接下来，我将以一个完整的、可复现的流程，带你走通这条路，并重点剖析那些容易踩坑的环节。

2. 前期准备：系统、Anaconda与编译环境搭建

在开始安装OpenCV之前，我们必须确保地基是稳固的。这包括一个可用的Ubuntu 16.04系统、正确安装和配置的Anaconda，以及一套完整的编译工具链。

2.1 Ubuntu 16.04基础系统检查与更新

首先，确认你的系统版本。打开终端，执行：

lsb_release -a

你应该能看到类似Description: Ubuntu 16.04.7 LTS的输出。虽然官方支持已结束，但我们可以通过修改软件源为旧版本存档仓库来继续获取必要的包。

备份原有的源列表文件，然后将其内容替换为指向old-releases.ubuntu.com的源。这是Ubuntu为已结束支持的版本提供的存档。

sudo cp /etc/apt/sources.list /etc/apt/sources.list.backup sudo sed -i 's/archive.ubuntu.com/old-releases.ubuntu.com/g' /etc/apt/sources.list sudo sed -i 's/security.ubuntu.com/old-releases.ubuntu.com/g' /etc/apt/sources.list

更新软件包列表并升级已安装的包：

sudo apt update sudo apt upgrade -y

这个过程可能会比较慢，因为要从存档服务器拉取数据。升级完成后，建议重启系统以确保所有更新生效。

2.2 Anaconda的安装与基础配置

从Anaconda官网下载适用于Linux的安装脚本。由于网络原因，直接下载可能较慢，可以考虑使用国内镜像。这里以清华大学开源软件镜像站为例：

wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2023.09-0-Linux-x86_64.sh

注意：请根据你的需求选择Python 3.x版本对应的Anaconda安装包。对于OpenCV等科学计算库，Python 3.7-3.10通常是兼容性较好的选择。

运行安装脚本：

bash Anaconda3-2023.09-0-Linux-x86_64.sh

安装过程中，注意看提示，建议将Anaconda安装到你的用户目录下（例如/home/your_username/anaconda3），并在最后一步选择“yes”来让安装程序初始化conda。这样，每次打开终端，conda的基础环境就会自动激活。

安装完成后，关闭并重新打开终端，或者执行source ~/.bashrc来使配置生效。验证安装：

conda --version

接下来，为了加速后续包的下载，我们需要配置conda的国内镜像。编辑~/.condarc文件（如果不存在则创建）：

channels: - defaults show_channel_urls: true default_channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2 custom_channels: conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

配置完成后，运行conda clean -i清除索引缓存，再运行conda update conda测试通道是否可用。这个步骤至关重要，它能有效避免你搜索热词中出现的unavailableinvalidchannel: http 404 not found这类错误。

2.3 编译依赖与系统开发包的安装

OpenCV是一个庞大的C++库，通过conda安装的预编译包（conda install opencv）虽然方便，但有时可能不包含某些额外的模块（如contrib模块），或者与你的CUDA版本不匹配。因此，从源码编译是更灵活、更可控的选择。编译需要一系列开发工具和库。

首先，安装基础的编译工具：

sudo apt install build-essential cmake git pkg-config -y

然后，安装图像、视频I/O以及图形界面依赖。这些是OpenCV核心功能所必需的：

sudo apt install libjpeg8-dev libtiff5-dev libjasper-dev libpng12-dev -y sudo apt install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev -y sudo apt install libxvidcore-dev libx264-dev -y sudo apt install libgtk-3-dev -y

注意：在Ubuntu 16.04上，libpng12-dev是可用版本。在高版本Ubuntu中，它可能被libpng-dev替代。

安装数值计算优化库：

sudo apt install libatlas-base-dev gfortran -y

libatlas-base-dev提供了基础的BLAS和LAPACK实现，对于OpenCV中的矩阵运算有加速作用。

安装Python 3开发头文件。虽然Anaconda自带了Python，但编译OpenCV的Python绑定时，可能需要系统Python的头文件来满足一些编译检查。安装它不会有冲突：

sudo apt install python3-dev python3-pip -y

至此，系统级的准备工作就完成了。接下来，我们将在conda创建的独立环境中进行后续操作。

3. 创建与管理Conda虚拟环境

使用Anaconda的核心优势就是环境隔离。我们不应该在base环境中直接安装项目依赖，而是为OpenCV项目创建一个专属环境。

3.1 创建并激活新环境

打开终端，创建一个名为opencv_env的新环境，并指定Python版本。这里我选择Python 3.8，它在兼容性和库支持上比较均衡：

conda create -n opencv_env python=3.8 -y

创建完成后，激活该环境：

conda activate opencv_env

你会看到命令行提示符前面从(base)变成了(opencv_env)，这表示你已经进入了这个独立的环境。在这个环境下安装的所有包，都不会影响到base环境或其他环境。

3.2 安装NumPy与其他科学计算基础包

OpenCV的Python接口严重依赖NumPy数组来存储和操作图像数据。因此，在编译或安装OpenCV之前，必须先安装NumPy。此外，一些编译工具也可以通过conda安装，有时比系统版本更易管理。

conda install numpy cmake jupyter matplotlib scipy -y

这里我们一并安装了Jupyter和Matplotlib，方便后续进行代码测试和可视化。cmake也通过conda安装，可以确保版本的一致性。

3.3 环境变量的设置与验证

有时候，即使你在conda环境中，编译器可能还是会链接到系统路径下的库。为了确保编译过程优先使用conda环境中的库，我们可以临时设置一些环境变量。不过，在大多数情况下，conda activate脚本已经处理好了这些。我们可以通过以下命令验证关键工具的位置：

which python which pip which cmake

这些命令应该都指向你的conda环境路径（如/home/your_username/anaconda3/envs/opencv_env/bin/）。如果不是，请检查conda环境是否已正确激活。

4. OpenCV源码获取与编译配置

我们将采用“源码编译”的方式安装OpenCV，这样可以获得最大的灵活性和控制权，例如开启CUDA支持、包含额外的contrib模块等。

4.1 下载OpenCV与OpenCV Contrib源码

首先，在你喜欢的工作目录下（例如~/projects），使用git克隆OpenCV和OpenCV Contrib的源码。建议使用固定的发布版本标签，而不是默认的master分支，以保证稳定性。这里我们选择OpenCV 4.5.5，这是一个较新且稳定的版本。

cd ~/projects git clone https://github.com/opencv/opencv.git cd opencv git checkout tags/4.5.5 cd .. git clone https://github.com/opencv/opencv_contrib.git cd opencv_contrib git checkout tags/4.5.5 cd ..

现在，你的目录下应该有opencv和opencv_contrib两个文件夹，且都处于4.5.5版本。

4.2 使用CMake进行编译配置

进入OpenCV源码目录，并创建一个用于存放编译中间文件的build目录：

cd ~/projects/opencv mkdir build cd build

接下来是最关键的步骤：运行CMake生成Makefile。这里有一长串配置参数，我会逐一解释其作用：

cmake -D CMAKE_BUILD_TYPE=RELEASE \ -D CMAKE_INSTALL_PREFIX=/home/your_username/anaconda3/envs/opencv_env \ -D INSTALL_PYTHON_EXAMPLES=OFF \ -D INSTALL_C_EXAMPLES=OFF \ -D OPENCV_ENABLE_NONFREE=OFF \ -D WITH_TBB=ON \ -D WITH_V4L=ON \ -D WITH_QT=OFF \ -D WITH_OPENGL=ON \ -D OPENCV_EXTRA_MODULES_PATH=../../opencv_contrib/modules \ -D PYTHON3_EXECUTABLE=/home/your_username/anaconda3/envs/opencv_env/bin/python \ -D PYTHON3_INCLUDE_DIR=/home/your_username/anaconda3/envs/opencv_env/include/python3.8m \ -D PYTHON3_LIBRARY=/home/your_username/anaconda3/envs/opencv_env/lib/libpython3.8.so \ -D PYTHON3_NUMPY_INCLUDE_DIRS=/home/your_username/anaconda3/envs/opencv_env/lib/python3.8/site-packages/numpy/core/include \ -D BUILD_EXAMPLES=OFF \ -D BUILD_opencv_python3=ON \ -D BUILD_opencv_python2=OFF \ ..

关键参数解析：

  • CMAKE_INSTALL_PREFIX：这是最重要的参数之一。它指定了编译后库文件的安装路径。我们将其指向conda环境的根目录，这样安装后，OpenCV的Python包就会出现在环境的site-packages里，系统会自动识别。
  • OPENCV_EXTRA_MODULES_PATH：指向opencv_contrib的modules目录，这样就能编译SIFT、SURF等额外算法模块（注意，部分算法因专利问题，需OPENCV_ENABLE_NONFREE=ON，此处为OFF）。
  • PYTHON3_*系列参数：明确告诉CMake我们使用的Python解释器、头文件和库文件的位置，确保生成的Python绑定是针对当前conda环境的。
  • WITH_QT=OFF：在Ubuntu 16.04上编译Qt支持可能会遇到较复杂的依赖问题，为了简化流程，我们先关闭它。如果需要GUI功能，可以使用OpenCV自带的highgui模块（基于GTK）或者后续单独解决Qt依赖。
  • BUILD_EXAMPLES=OFF：不编译例子程序，以加快编译速度。

执行完cmake命令后，仔细查看终端输出。你需要重点关注以下几行：

  • Python 3：应该显示为Interpreter和libraries都指向你的conda环境路径，并且numpy也被找到。
  • To be built：列表中应该包含opencv_python3。
  • 如果一切顺利，最后会显示Configuring done和Generating done。如果出现任何关于缺失依赖（如找不到某个库）的警告或错误，需要根据提示安装对应的-dev包。

5. 编译、安装与验证

配置成功后，就可以开始编译了。这个过程会消耗大量CPU资源和时间，取决于你的电脑性能。

5.1 并行编译与安装

使用make命令进行编译，-j参数指定并行作业数，通常设置为CPU核心数，可以大幅加快编译速度。你可以用nproc命令查看核心数。

make -j$(nproc)

编译过程可能会持续十几分钟到一小时不等。如果中途报错，最常见的原因是内存不足（特别是虚拟机环境）。可以尝试减少并行数，如make -j2。编译成功后，执行安装：

sudo make install sudo ldconfig

sudo make install会将编译好的库和头文件安装到之前指定的CMAKE_INSTALL_PREFIX目录下。sudo ldconfig命令更新系统的动态链接库缓存，确保系统能找到新安装的OpenCV共享库。

5.2 在Conda环境中验证安装

安装完成后，务必先确保你仍在opencv_envconda环境中，然后启动Python进行验证：

python

在Python交互界面中，输入：

import cv2 print(cv2.__version__) print(cv2.__file__)

如果安装成功，你会看到输出版本号4.5.5。cv2.__file__的路径应该位于你的conda环境目录下，例如/home/your_username/anaconda3/envs/opencv_env/lib/python3.8/site-packages/cv2/python-3.8/cv2.cpython-38m-x86_64-linux-gnu.so。这证明OpenCV的Python绑定确实安装在了当前环境中。

5.3 基础功能测试

让我们写一个简单的脚本来测试核心功能是否正常。创建一个test_opencv.py文件：

import cv2 import numpy as np # 测试1: 创建一张随机图像并显示（需要图形界面支持） img = np.random.randint(0, 255, (300, 400, 3), dtype=np.uint8) cv2.imshow('Random Test Image', img) cv2.waitKey(1000) # 显示1秒 cv2.destroyAllWindows() # 测试2: 基础图像处理 - 灰度化和边缘检测 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) edges = cv2.Canny(gray, 50, 150) print(f"Edge image shape: {edges.shape}, dtype: {edges.dtype}") # 测试3: 检查contrib模块是否可用（如果编译时包含） try: from cv2 import xfeatures2d print("Contrib modules (xfeatures2d) are available.") except ImportError: print("Contrib modules are not available.") print("All basic tests passed!")

在终端运行这个脚本。如果能看到一个随机彩色图像的窗口弹出并关闭，并在终端打印出边缘图像的形状和“All basic tests passed!”，那么恭喜你，OpenCV已经成功安装并可以正常工作了。

6. 疑难排查与进阶配置

即使按照上述步骤操作，你也可能遇到一些特有的问题。这里我总结几个在Ubuntu 16.04 + Anaconda环境下高频出现的“坑”及其解决方案。

6.1 导入错误：ModuleNotFoundError: No module named 'cv2'

这是最常见的问题。原因和解决方案有以下几种：

  1. 环境未激活：你不在安装OpenCV的那个conda环境中。使用conda activate opencv_env切换环境。
  2. Python路径问题：在同一个conda环境下，可能存在多个Python解释器（比如系统自带的python3和conda的python）。确保你使用的是which python指向的那个解释器。
  3. 安装路径未正确加入Python路径：虽然我们指定了CMAKE_INSTALL_PREFIX到conda环境，但有时.so文件可能被安装到了非标准的子目录。检查cv2.__file__的输出，确认其路径在环境内。如果不在，可以手动将包含cv2.cpython-*.so文件的目录添加到sys.path中，但这通常是安装配置错误的表现，建议重新检查CMake的PYTHON3_*参数。

6.2 CMake找不到Python相关路径

在CMake配置阶段，如果Python相关项显示为NO或者路径不对，大概率是PYTHON3_EXECUTABLE、PYTHON3_INCLUDE_DIR、PYTHON3_LIBRARY这几个参数设置错误。

  • 如何查找正确的路径：
    • PYTHON3_EXECUTABLE:which python
    • PYTHON3_INCLUDE_DIR: 通常为$CONDA_PREFIX/include/python3.xm，其中3.x是你的Python次版本号。可以用python -c "from sysconfig import get_path; print(get_path('include'))"精确获取。
    • PYTHON3_LIBRARY: 通常为$CONDA_PREFIX/lib/libpython3.x.so。可以用find $CONDA_PREFIX -name \"libpython*.so\"查找。
  • 确保conda环境已激活：在运行cmake命令前，终端提示符必须是(opencv_env)。

6.3 编译错误：缺失依赖或头文件

错误信息通常类似于fatal error: xxx.h: No such file or directory。这表示缺少对应的系统开发库。

  • 通用解决方法：根据缺失的头文件名（如libavcodec/avcodec.h），使用apt search或apt-file search来查找是哪个开发包提供的。
    sudo apt update apt-file search libavcodec/avcodec.h # 如果未安装apt-file，先 sudo apt install apt-file
    找到包名（如libavcodec-dev）后，使用sudo apt install安装即可。
  • 高频缺失包：除了前面列出的，你可能还会需要libdc1394-22-dev(相机支持)、libgstreamer-plugins-base1.0-dev(GStreamer支持)等。根据你的实际需求（CMake输出会有提示）选择性安装。

6.4 启用CUDA支持（可选，针对有NVIDIA显卡的用户）

如果你想利用GPU加速OpenCV计算，需要在CMake阶段开启CUDA支持。这需要你先在系统上安装正确版本的NVIDIA驱动和CUDA Toolkit（例如CUDA 10.0或10.1，需与Ubuntu 16.04及你后续可能使用的深度学习框架版本兼容）。然后，在CMake命令中添加以下参数：

-D WITH_CUDA=ON \ -D WITH_CUDNN=ON \ -D OPENCV_DNN_CUDA=ON \ -D CUDA_TOOLKIT_ROOT_DIR=/usr/local/cuda-10.1 \ # 你的CUDA安装路径 -D CUDA_ARCH_BIN=6.1 \ # 根据你的GPU计算能力填写，如GTX 10系列多为6.1 -D CUDA_ARCH_PTX=6.1 \

开启CUDA后，编译时间会显著增加，并且对系统环境要求更高，更容易出错。对于初学者，建议先完成CPU版本的安装和验证，再尝试CUDA版本。

6.5 在PyCharm或Jupyter中使用该环境

  • PyCharm：在创建或打开项目后，进入File -> Settings -> Project: YourProjectName -> Python Interpreter。点击齿轮图标，选择Add...，然后选择Conda Environment->Existing environment，找到你的opencv_env环境下的Python解释器（路径类似/home/your_username/anaconda3/envs/opencv_env/bin/python）。添加后，PyCharm就会使用这个环境来运行和调试你的代码。
  • Jupyter Notebook/JupyterLab：首先在opencv_env环境中安装ipykernel：conda install ipykernel -y。然后，将该环境注册为Jupyter的一个内核：python -m ipykernel install --user --name opencv_env --display-name \"Python (OpenCV 4.5.5)\"。之后启动Jupyter，在新建笔记本时就可以选择Python (OpenCV 4.5.5)这个内核了。

7. 环境管理与项目迁移

成功搭建环境后，如何管理和复用这个环境就变得很重要。

7.1 导出与复现环境配置

你可以将当前环境的精确配置导出到一个YAML文件中：

conda activate opencv_env conda env export > opencv_env.yaml

这个opencv_env.yaml文件包含了所有通过conda安装的包及其精确版本。但是，请注意，它不包含我们通过源码编译安装的OpenCV！因为OpenCV是我们手动编译安装到环境路径下的，而不是通过conda命令安装的。

因此，为了完全复现环境，你需要：

  1. 在新机器上根据opencv_env.yaml创建基础conda环境。
  2. 手动保存我们用于编译OpenCV的CMake命令脚本（或者记录下所有参数）。
  3. 在新机器上重复第4、5节的源码编译和安装步骤。

对于团队协作，更推荐使用Docker容器来封装整个开发环境，包括系统依赖、Anaconda和编译好的OpenCV，这样可以实现百分之百的复现。

7.2 清理与卸载

如果你需要彻底清理这个OpenCV环境：

  1. 卸载手动编译安装的OpenCV文件（这比较麻烦，因为文件分散在CMAKE_INSTALL_PREFIX指定的目录下）。一个相对安全的方法是重新编译一遍，在build目录下执行sudo make uninstall（如果CMakeLists.txt支持的话），但并非所有项目都支持。更直接的方法是删除conda环境。
  2. 删除conda环境：
    conda deactivate # 先退出环境 conda remove -n opencv_env --all -y
    这会删除整个opencv_env环境及其所有通过conda安装的包，但手动安装到该环境路径下的OpenCV文件可能仍有残留，需要手动检查并清理$CONDA_PREFIX对应的文件夹。

在整个安装和调试过程中，保持耐心，仔细阅读终端输出的每一条错误信息，并善用搜索引擎（当然，是在遵守相关规定的前提下，使用合规的网络资源查找技术解决方案）。每一次解决问题的过程，都是对Linux系统、编译工具链和软件依赖关系理解加深的过程。这个在“老旧”系统上搭建“现代”工具链的经历，会让你在未来面对任何复杂环境配置时都更加从容。

http://www.cnnetsun.cn/news/4219282.html

相关文章：

  • FPGA加法器设计：从RCA到CLA、CSA的Verilog实现与优化
  • 机器学习在招聘筛选中的公平性与可解释性实践
  • Python集合(Set)完全指南：从哈希表原理到高效数据处理实战
  • Hallmark：从设计系统到上下文感知，AI设计工具如何告别“AI味”
  • 智能体技术如何解决实习资源短缺问题
  • 大学生网络安全实习指南：从入门到实战
  • 国赛级Flume配置：生产环境可靠性与Hadoop生态集成
  • 大厂软件测试面试全攻略：从初级到高级实战指南
  • Java算法刷题进阶指南：从环境配置到面试准备
  • 蓝桥杯国赛嵌入式代码工程化实践：模块化与状态机设计
  • 卡方检验实战：MATLAB/Python/R多语言实现与数模应用
  • Unity初学者必备：50个提升开发效率的核心技巧与工作流优化指南
  • JavaScript依赖错误排查：Class extends value undefined的根源与解决
  • 并查集进阶：从朋友圈到食物链，掌握带权并查集的核心原理与应用
  • Android应用打包发布全流程详解：从Gradle配置到商店上架
  • 基于MQTT与EMQX构建AI智能体间高效通信中间件
  • Unicode汉字部首对照表：解决中文编码混淆的实用指南
  • 软件过程模型实战指南：从瀑布到敏捷的项目地图选择与落地
  • VSCode搭建C/C++开发环境：从编译器选型到调试配置全攻略
  • PCB走线设计实战：从晶振到高速差分对的可靠性提升指南
  • Google SDE面试全解析：算法、系统设计与行为问题实战
  • 微信小程序自定义导航栏全攻略：动态高度计算与多机型适配
  • 米哈游2026春招笔试攻略：游戏开发算法与图形学考点解析
  • Linux下Tomcat启动方式全解析：从脚本到Systemd服务部署
  • Redis分布式锁实战：从原理到高可用架构设计
  • uniCloud一键登录全攻略：从原理到实战，提升App登录转化率
  • DAU与MAU深度解析：从核心指标到用户粘性实战指南
  • adb降级实战：解决设备兼容性问题与版本管理指南
  • 2026软件测试面试题库：功能、自动化与性能测试全解析
  • 2026软件测试面试核心考点与Linux环境实战