windows上安装Anaconda和python

我就是我 2022-03-07 01:26 284阅读 0赞

转载自：http://www.cnblogs.com/denny402/p/5121501.html

一提到数字图像处理编程，可能大多数人就会想到matlab，但matlab也有自身的缺点：

1、不开源，价格贵

2、软件容量大。一般3G以上，高版本甚至达5G以上。

3、只能做研究，不易转化成软件。

因此，我们这里使用python这个脚本语言来进行数字图像处理。

要使用python，必须先安装python，一般是2.7版本以上，不管是在[windows][]系统，还是[linux系统][linux]，安装都是非常简单的。

要使用python进行各种开发和科学计算，还需要安装对应的包。这和matlab非常相似，只是matlab里面叫工具箱（toolbox)，而python里面叫库或包。基于python脚本语言开发的数字图片处理包，其实很多，比如PIL,Pillow, opencv, scikit-image等。

对比这些包，PIL和Pillow只提供最基础的数字图像处理，功能有限；opencv实际上是一个c++库，只是提供了python接口，更新速度非常慢。到现在python都发展到了3.5版本，而opencv只支持到python 2.7版本；scikit-image是基于scipy的一款图像处理包，它将图片作为numpy数组进行处理，正好与matlab一样，因此，我们最终选择scikit-image进行数字图像处理。

一、需要的安装包

因为scikit-image是基于scipy进行运算的，因此安装numpy和scipy是肯定的。要进行图片的显示，还需要安装matplotlib包，综合起来，需要的包有：

![复制代码][copycode.gif]

Python >= 2.6
    
    Numpy >= 1.6.1
    
    Cython >= 0.21
    
    Six >=1.4
    
    SciPy >=0.9
    
    Matplotlib >= 1.1.0
    
    NetworkX >= 1.8
    
    Pillow >= 1.7.8
    
    dask[array] >= 0.5.0

![复制代码][copycode.gif]

比较，安装起来非常费事，尤其是scipy，在windows上基本安装不上。

但是不用怕，我们选择一款集成安装环境就行了，在此推荐Anaconda, 它把以上需要的包都集成在了一起，因此我们实际上[从头到尾][Link 1]只需要安装Anaconda软件就行了，其它什么都不用装。

二、下载并安装 anaconda

先到[https://www.continuum.io/downloads][https_www.continuum.io_downloads] 下载anaconda, 现在的版本有python2.7版本和python3.5版本，下载好对应版本、对应系统的anaconda，它实际上是一个sh脚本文件，大约280M左右。

本系列以windows7+python3.5为例，因此我们下载如下图红框里的版本：

![140867-20160111155041616-433515227.png][]

名称为： Anaconda3-2.4.1-Windows-x86\_64.exe

是一个可执行的exe文件，下载完成好，直接双击就可以安装了。

在安装的时候，假设我们安装在D盘根目录，如：

![140867-20160111155053960-1150576793.png][]

并且将两个选项都选上，将安装路径写入环境变量。

![140867-20160111155106522-1988128417.png][]

然后等待安装完成就可以了。

安装完成后，打开windows的命令提示符：

输入conda list 就可以查询现在安装了哪些库，常用的numpy, scipy名列其中。如果你还有什么包没有安装上，可以运行

conda install \*\*\*  来进行安装。（\*\*\*为需要的包的名称）

如果某个包版本不是最新的，运行 conda update \*\*\* 就可以更新了。

三、简单测试

anaconda自带了一款编辑器spyder，我们以后就可以用这款编辑器来编写代码。

spyder.exe放在安装目录下的Scripts里面，如我的是 D:/Anaconda3/Scripts/spyder.exe, 直接双击就能运行。我们可以右键发送到桌面快捷方式，以后运行就比较方便了。

我们简单编写一个程序来测试一下安装是否成功，该程序用来打开一张图片并显示。首先准备一张图片，然后打开spyder，编写如下代码：

from skimage import io
    img=io.imread('d:/dog.jpg')
    io.imshow(img)

将其中的d:/dog.jpg 改成你的图片位置

然后点击上面工具栏里的绿色三角进行运行，最终显示

![140867-20160111155306725-1815981094.png][]

如果右下角“ Ipython console" 能显示出图片，说明我们的运行环境安装成功。

我们可以选择右上角的 ” variable explorer" 来查看图片信息，如

![140867-20160111155216491-666932938.png][]

我们可以把这个程序保存起来，注意python脚本文件的后缀名为py.

四、skimage包的子模块

skimage包的全称是scikit-image SciKit (toolkit for SciPy) ，它对`scipy.ndimage进行了扩展，提供了更多的图片处理功能。它是由python语言编写的，由scipy 社区开发和维护。skimage包由许多的子模块组成，各个子模块提供不同的功能。主要子模块列表如下：`

<table> 
 <tbody> 
  <tr> 
   <td>子模块名称　</td> 
   <td>主要实现功能</td> 
  </tr> 
  <tr> 
   <td>io</td> 
   <td>读取、保存和显示图片或视频</td> 
  </tr> 
  <tr> 
   <td>data</td> 
   <td>提供一些测试图片和样本数据</td> 
  </tr> 
  <tr> 
   <td>color</td> 
   <td>颜色空间变换</td> 
  </tr> 
  <tr> 
   <td>filters</td> 
   <td>图像增强、边缘检测、排序滤波器、自动阈值等</td> 
  </tr> 
  <tr> 
   <td>draw</td> 
   <td>操作于numpy数组上的基本图形绘制，包括线条、矩形、圆和文本等</td> 
  </tr> 
  <tr> 
   <td>transform</td> 
   <td>几何变换或其它变换，如旋转、拉伸和拉东变换等</td> 
  </tr> 
  <tr> 
   <td>morphology</td> 
   <td>形态学操作，如开闭运算、骨架提取等</td> 
  </tr> 
  <tr> 
   <td>exposure</td> 
   <td>图片强度调整，如亮度调整、直方图均衡等</td> 
  </tr> 
  <tr> 
   <td>feature</td> 
   <td>特征检测与提取等</td> 
  </tr> 
  <tr> 
   <td>measure</td> 
   <td>图像属性的测量，如相似性或等高线等</td> 
  </tr> 
  <tr> 
   <td>segmentation</td> 
   <td>图像分割</td> 
  </tr> 
  <tr> 
   <td>restoration</td> 
   <td>图像恢复</td> 
  </tr> 
  <tr> 
   <td>util</td> 
   <td>通用函数</td> 
  </tr> 
 </tbody> 
</table>

用到一些图片处理的操作函数时，需要导入对应的子模块，如果需要导入多个子模块，则用逗号隔开，如：

from skimage import io,data,color

[windows]: https://www.baidu.com/s?wd=windows&tn=24004469_oem_dg&rsv_dl=gh_pl_sl_csd
[linux]: https://www.baidu.com/s?wd=linux%E7%B3%BB%E7%BB%9F&tn=24004469_oem_dg&rsv_dl=gh_pl_sl_csd
[copycode.gif]: /images/20220307/ae62e89571b4443abb8a385f2cf475f9.png
[Link 1]: https://www.baidu.com/s?wd=%E4%BB%8E%E5%A4%B4%E5%88%B0%E5%B0%BE&tn=24004469_oem_dg&rsv_dl=gh_pl_sl_csd
[https_www.continuum.io_downloads]: https://www.continuum.io/downloads
[140867-20160111155041616-433515227.png]: /images/20220307/8dd41570e7ae48079fad6ab378ba0f86.png
[140867-20160111155053960-1150576793.png]: /images/20220307/fc20a3c626ce4b478661a4ddd2b64044.png
[140867-20160111155106522-1988128417.png]: /images/20220307/d31f59764ff94e87bf5c151c172a074a.png
[140867-20160111155306725-1815981094.png]: /images/20220307/f27b0d62ca874514b54e2928cae527ee.png
[140867-20160111155216491-666932938.png]: /images/20220307/1c9fe940ee9247d094cb725e597b5827.png