python編譯環(huán)境配置的實現(xiàn)步驟

更新時間：2025年05月27日 09:39:48 作者：花生_TL00007

本文主要介紹了python編譯環(huán)境配置的實現(xiàn)步驟,文中通過圖文示例介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧

第一步：裝編譯器

第一步安裝spyder6：spyder6，以前我用的是PyCharm,試用期過了換工具了。

第二步：裝Anaconda

第二步安裝Anaconda:便捷獲取包、管理第三方庫的工具,我下載的是miniconda

第三步：在miniconda中裝特定版本的python

第三步，因為spyder6需要特定版本的python才能運行，直接在miniconda中安裝。

第四步：在miniconda中安裝第三方庫

要注意一點，就是python之后用到的第三方庫，無論用cmd還是conda安裝，都要以“管理員權(quán)限”運行。

可以看到安裝spyder kernel之后編譯環(huán)境就變成了Miniconda里的python

運行一個簡單圖像特征提取的代碼會發(fā)現(xiàn)報錯沒有module,這是因為沒有安裝第三方庫

然后我嘗試直接在miniconda中輸入pip install opencv-python，

然后安裝pip install scikit-image:

第五步：檢驗是否成功運行

成功之后返回到spyder再次運行代碼，觀察是否還會報錯no module

簡單的圖像特征提?。海ㄌ崛⌒⌒行莢esta圖像特征，圖像來源于PDS）

# -*- coding: utf-8 -*-
"""
Created on Sun May 25 19:13:37 2025

@author: galax
"""

# 導入必要的庫
import cv2
import numpy as np
from skimage.feature import graycomatrix, graycoprops
from matplotlib import pyplot as plt


# 讀取PNG圖像
#"C:\Users\galax\Desktop\數(shù)據(jù)Data\p\Vesta03.png"
#image_path = '/kaggle/input/asteroids-pngtest/Bennu02.png'
image_path = r'C:\Users\galax\Desktop\Data\p\Vesta03.png'
image = cv2.imread(image_path, cv2.IMREAD_UNCHANGED)

# 檢查圖像是否加載成功
if image is None:
    raise ValueError("無法加載圖像！請檢查文件路徑")

# 顯示原始圖像信息
print("[調(diào)試信息] 原始圖像形狀:", image.shape)  # 應顯示 (1024, 1024)
print("[調(diào)試信息] 圖像數(shù)據(jù)類型:", image.dtype)  # 應顯示 uint8

# 灰度圖像專用處理流程 ---------------------------------------------------
# 直接使用原始灰度圖像（無需轉(zhuǎn)換）
if len(image.shape) == 2:
    gray = image  # 直接使用原始灰度數(shù)據(jù)
    print("[調(diào)試信息] 檢測到灰度圖像，跳過通道轉(zhuǎn)換")
else:
    # 如果意外出現(xiàn)彩色圖像則轉(zhuǎn)換為灰度
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 01: 提取顏色特征（灰度直方圖）
color_hist = cv2.calcHist([gray], [0], None, [256], [0, 256])  # 單通道直方圖
color_hist = cv2.normalize(color_hist, None).flatten()  # 修正歸一化參數(shù)

# 02：提取紋理特征（GLCM）
glcm = graycomatrix(gray, 
                   distances=[1], 
                   angles=[0, np.pi/4, np.pi/2],  # 增加角度多樣性
                   levels=256,
                   symmetric=True, 
                   normed=True)
contrast = np.mean(graycoprops(glcm, 'contrast'))
homogeneity = np.mean(graycoprops(glcm, 'homogeneity'))
energy = np.mean(graycoprops(glcm, 'energy'))

# 03: 優(yōu)化邊緣檢測參數(shù)
edges = cv2.Canny(gray, threshold1=50, threshold2=150)  # 調(diào)整閾值適應太空圖像

# 可視化設(shè)置
plt.figure(figsize=(15, 5))

# 原始灰度圖像
plt.subplot(131)
plt.imshow(gray, cmap='gray')
plt.title('原始灰度圖像')

# 顏色直方圖（灰度分布）
plt.subplot(132)
plt.bar(range(256), color_hist.ravel()[:256], width=1.0)  # 顯示前256個bin
plt.title('灰度直方圖分布')
plt.xlim([0, 256])

# 邊緣檢測結(jié)果
plt.subplot(133)
plt.imshow(edges, cmap='gray')
plt.title('優(yōu)化邊緣檢測')

plt.tight_layout()
plt.show()

# 特征輸出
print("\n特征提取結(jié)果：")
print(f"直方圖維度: {len(color_hist)} (0-255灰度級分布)")
print(f"紋理特征 - 平均對比度: {contrast:.2f}")
print(f"         平均同質(zhì)性: {homogeneity:.2f}")
print(f"         平均能量: {energy:.2f}")
print(f"邊緣特征 - 邊緣像素占比: {np.mean(edges > 0)*100:.1f}%")

在spyder6中的運行結(jié)果