python编译环境配置的实现步骤_开发_开发者

第一步：装编译器

第一步安装spyder6：spyder6，以前我用的是PyCharm,试用期过了换工具了。

python编译环境配置的实现步骤

第二步：装Anaconda

第二步安装Anaconda:便捷获取包、管理第三方库的工具,我下载的是miniconda

python编译环境配置的实现步骤

第三步：在miniconda中装特定版本的python

第三步，因为spyder6需要特定版本的python才能运行，直接在miniconda中安装。

python编译环境配置的实现步骤

第四步：在miniconda中安装第三方库

要注意一点，就是python之后用到的第三方库，无论用cmd还是conda安装，都要以“管理员权限”运行。

python编译环境配置的实现步骤

可以看到安装spyder kernel之后编译环境就变成了Miniconda里的python

python编译环境配置的实现步骤

运行一个简单图js像特征提取的代码会发现报错没有module,这是因为没有安装第三方库

python编译环境配置的实现步骤

然后我尝试直接在miniconda中输入pip install opencv-python，

python编译环境配置的实现步骤

然后安装pip install scikit-image:

python编译环境配置的实现步骤

第五步：检验是否成功运行

成功之后返回到spyder再次运行代码，观察是否还会报错njso module

简单的图像特征提取：（提取小行星vesta图像特征，图像来源于PDS）

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

@author: galax
"""

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


# 读取PNG图像
#"C:\Users\galax\Desktop\数据Data\p\Vesta03.png"
#image_path = '/kaggle/input/asteroids-pngtest/Bennu02.png'
phpimage_path = r'C:\Users\galax\Desktop\Data\p\Vesta03.png'
image = cv2.imread(image_path, cv2.IMREAD_UNCHANGED)

# 检查图像是否加载成功
if image is None:
    raise ValueError("无法加载图像！请检查文件路径")

# 显示原始图像信息
print("[调试信息] 原始图像形状:", image.shape)  # 应显示 (1024, 1024)
print("[调试信息] 图像数据类型:", image.dtype)  # 应显示 uint8

# 灰度图像专用处理流程 ---------------------------------------------------
# 直接使用原始灰度图像（无需转换）
if len(image.shape) == 2:
    gray = image  # 直接使用原始灰度数据
    print("[调试信息] 检测到灰度图像，跳过通道转换")
else:
    # 如果意外出现彩色图像则转换为灰度
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 01: 提取颜色特征（灰度直方图）
color_hist = cv2.calcHist([gray], [0], None, [256], [0, 256])  # 单通道直方图
color_hist = cv2.normalize(color_hist, None).flatten()  # 修正归一化参数

# 02：提取纹理特征（GLCM）
glcm = graycomatrix(gray, 
                   distances=[1], 
                   angles=[0, np.pi/4, np.pi/2],  # 增加角度多样性
                   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: 优化边缘检测参数
edges = cv2.Canny(gray, threshold1=50, threshold2=150)  # 调整阈值适应太空图像

# 可视化设置
plt.figure(figsize=(15, 5))

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

# 颜色直方图（灰度分布）
plt.subplot(132)
plt.bar(range(256), color_hist.ravel()[:256], width=1.0)  # 显示前256个bin
plt.title('灰度直方图分布php')
plt.xlim([0, 256])

# 边缘检测结果
plt.subplot(133)
plt.imshow(edges, cmap='gray')
plt.title('优化边缘检测')

plt.tight_layout()
plt.show()

# 特征输出
print("\n特征提取结果：")
print(f"直方图维度: {len(color_hist)} (0-255灰度级分布)")
print(f"纹理特征 - 平均对比度: {contrast:.2f}")
print(f"         平均同质性: {homogeneity:.2f}")
print(f"         平均能量: {energy:.2f}")
print(f"边缘特征 - 边缘像素占比: {np.mean(edges > 0)*100:.1f}%")

在spyder6中的运行结果