搭建开发环境

要开始尝试计算机视觉，你需要一个编写和运行代码的地方。这包括在你的计算机上搭建开发环境。可以把这看作是准备好你的数字工作台和所需工具。Python编程语言和一些专用库在计算机视觉的许多方面都会被使用。

Python因其可读性、丰富的库集合和强大的社区支持而成为一个常用选择。库是预先编写好的代码集合，提供我们能直接使用的功能，省去我们从头编写一切的麻烦。

为何使用专用环境？

在安装任何东西之前，强烈建议为你的项目创建一个隔离环境。为何如此？不同的项目可能需要同一库的不同版本。全局安装所有东西（直接安装到你的主Python中）之后可能导致冲突。虚拟环境就像一个自给自足的工作区，为每个项目使其依赖项彼此分开。

必要工具

我们将需要以下组成部分：

1. Python: 核心编程语言。我们假定你已安装Python 3。如果没有，可以从Python官方网站(python.org)下载。在Windows上安装时，请确保勾选“将Python添加到PATH”选项。
2. pip: Python的包安装器。它通常随Python 3一同提供。我们将使用pip来安装所需库。
3. 虚拟环境工具: Python自带venv模块用于创建虚拟环境。
4. OpenCV: 计算机视觉任务的主要库。它提供了一系列图像和视频分析功能。
5. NumPy: Python中用于数值运算的基本库。图像本质上是数值数据（像素值数组），NumPy提供处理这些数组的有效方法。OpenCV很大程度上依赖于NumPy。
6. Matplotlib: 一个用于创建图表和可视化内容的库。我们将偶尔用它来显示图像或直方图等图表。

工作区搭建步骤

让我们通过命令行或终端逐步完成搭建过程。

1. 打开终端或命令提示符：

   • 在 Windows 上，搜索 cmd 或 PowerShell。
   • 在 macOS 上，打开 终端 应用程序（位于“应用程序”>“实用工具”中）。
   • 在 Linux 上，打开你常用的终端模拟器（例如，gnome-terminal、konsole）。

2. 创建项目目录： 为你的课程学习准备一个专用文件夹是个良好习惯。

   # 创建一个目录（例如'cv_intro'）并进入该目录
   mkdir cv_intro
   cd cv_intro
   

3. 创建虚拟环境： 我们将使用Python内置的venv模块。我们将环境命名为env（一种常见做法）。

   # 在macOS/Linux上
   python3 -m venv env
   
   # 在Windows上
   python -m venv env
   

   此命令会创建一个名为env的新目录，其中包含Python解释器副本和用于安装库的地方。

4. 激活虚拟环境： 每次在新的终端会话中处理项目时，你都需要激活环境。

   # 在macOS/Linux上 (bash/zsh)
   source env/bin/activate
   
   # 在Windows上 (命令提示符)
   .\env\Scripts\activate.bat
   
   # 在Windows上 (PowerShell)
   .\env\Scripts\Activate.ps1
   

   激活后，你的终端提示符通常会改变以显示环境名称（例如，(env) Your-Computer:cv_intro user$）。这表示python和pip命令现在将使用此隔离环境中的版本。

5. 安装库： 现在，使用pip安装OpenCV、NumPy和Matplotlib。我们将安装主要的OpenCV模块（opencv-python），它将NumPy作为依赖项，同时也会安装Matplotlib。

   pip install opencv-python matplotlib
   

   pip将下载并安装指定的包及其依赖项到你当前激活的虚拟环境中。

6. 验证安装： 快速检查是否一切安装正确的方法是启动Python解释器并尝试导入库。

   • 在已激活的终端中输入python（或某些系统上的python3）并按回车键。你应该会看到Python提示符（>>>）。
   • 尝试导入库：

     >>> import cv2
     >>> import numpy
     >>> import matplotlib
     >>> print(cv2.__version__)
     # 预期输出：版本号，例如 4.9.0（或类似）
     >>> exit()
     

   如果没有收到任何ModuleNotFoundError消息，并且cv2.__version__命令打印出版本号，则你的环境已准备好！输入exit()退出Python解释器。

关于OpenCV包的说明： 你可能会看到通过pip可用的不同OpenCV包（例如，opencv-contrib-python）。对于本入门课程，opencv-python包含我们所需的核心功能。contrib包包含附加的、通常是实验性的模块。

替代方案：使用Anaconda

数据科学和机器学习 (machine learning)领域的许多人倾向于使用Anaconda，它是Python和R的一个发行版，包含其自己的包管理器（conda）和环境管理系统。如果你已经使用Anaconda，可以使用以下方式创建环境并安装包：

# 使用Python创建一个名为'cv_intro_env'的新环境
conda create --name cv_intro_env python=3.9 # 或你偏好的Python 3版本

# 激活环境
conda activate cv_intro_env

# 安装库（通常使用不同的通道配置）
conda install -c conda-forge opencv numpy matplotlib

虽然Anaconda功能强大，但为保持简洁和符合标准Python习惯，本课程将主要采用pip和venv方法。选择你最习惯的方法。

现在你已经拥有一个可用的Python环境，并配备了计算机视觉的必要工具。在下一节中，我们将使用此搭建来加载和显示我们的第一张数字图像。请记住，每当你启动新的终端会话来完成课程练习时，都要激活你的虚拟环境（source env/bin/activate 或 .\env\Scripts\activate）。