2. 环境搭建：Python环境配置、OpenCV安装、NumPy基础、Matplotlib可视化工具

说实话，很多初学者一上来就急着写代码，结果卡在环境搭建上半天出不来。我见过太多人花了两天装OpenCV，最后发现是Python版本不对。这一章，咱们就把地基打牢。

2.1 Python环境配置

我个人习惯用Anaconda来管理Python环境。为什么？因为它自带了一堆科学计算库，省得你一个个去pip。而且虚拟环境隔离得好，项目之间不会打架。

安装步骤其实就三步：

1. 去Anaconda官网下载对应系统的安装包（Windows/Mac/Linux）
2. 一路默认安装，但记得勾选「Add Anaconda to my PATH environment variable」
3. 打开终端或Anaconda Prompt，输入 conda --version 验证

验证成功后，创建一个专用环境：

conda create -n threshold_detection python=3.9
conda activate threshold_detection

嗯，这里要注意：每次打开新终端，都要先 conda activate threshold_detection。我曾经忘了激活环境，直接pip install，结果装到了base环境里，后来项目依赖全乱了。

2.2 OpenCV安装

OpenCV是咱们做阈值检测的核心工具。安装其实就一行命令：

pip install opencv-python

但这里有个坑——opencv-python 和 opencv-contrib-python 有什么区别？

咱们这门课用基础版就够了。装完之后，验证一下：

python -c "import cv2; print(cv2.__version__)"

如果输出了类似 4.8.0 的版本号，恭喜你，成了。

2.3 NumPy基础

说白了，图像在计算机里就是NumPy数组。一张灰度图就是一个二维数组，每个像素值0-255。彩色图就是三维数组——高、宽、通道。

你不需要精通NumPy，但下面这几个操作必须会：

• 创建数组： np.zeros((480, 640), dtype=np.uint8) 生成一张全黑图
• 索引与切片： img[100:200, 150:250] 截取图像区域
• 类型转换： img.astype(np.float32) 做浮点运算前必须转
• 统计运算： np.mean(img)、np.max(img)、np.where(img > 128)

举个例子，咱们手动生成一个渐变图像：

import numpy as np

# 生成一个从0到255渐变的灰度图
gradient = np.linspace(0, 255, 640, dtype=np.uint8)
gradient_img = np.tile(gradient, (480, 1))

print(gradient_img.shape)  # (480, 640)

你想想看，这个 gradient_img 其实就是一张从左到右由黑变白的图像。阈值检测的本质，就是在这个数组上做条件判断。

2.4 Matplotlib可视化工具

做图像处理，光看数字不行，得看到图。Matplotlib就是咱们的眼睛。

安装：

pip install matplotlib

最常用的就是 imshow 和 subplot。我习惯这样写：

import matplotlib.pyplot as plt
import cv2

# 读取图像
img = cv2.imread('example.jpg')
# OpenCV默认是BGR，Matplotlib用RGB，必须转换
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.imshow(img_rgb)
plt.title('原图')

plt.subplot(1, 2, 2)
plt.imshow(img_rgb[:, :, 0], cmap='gray')
plt.title('红色通道')

plt.tight_layout()
plt.show()

还有一个技巧：用 plt.hist 画直方图，这对阈值选择特别有用。

plt.hist(img_rgb.ravel(), bins=256, range=[0, 256])
plt.title('灰度直方图')
plt.xlabel('像素值')
plt.ylabel('像素数量')
plt.show()

直方图能告诉你：图像的整体亮度分布如何？阈值应该选在哪个波谷？这些在后面章节会反复用到。

2.5 本章知识体系

下面这张图，把咱们这一章的核心脉络串起来了：

说白了，环境搭建就是这三板斧：Python环境管运行，NumPy管数据，OpenCV管处理，Matplotlib管展示。后面所有阈值检测的代码，都跑在这个框架上。