📚 课程目录第2章仿真环境搭建

2、仿真环境搭建：Python与OpenCV环境配置，MATLAB与Simulink基础，Docker容器化仿真环境部署

做算法仿真，第一件事就是把环境搭好。这事看着简单，但我在项目里见过太多人卡在这一步——装个库版本冲突，换个机器跑不起来，最后花半天排查环境问题。说白了，环境搭建不是「装好就行」，而是要「可复现、可迁移」。这一章我就带你把这套东西理清楚。

2.1 Python与OpenCV环境配置

Python 环境，我建议直接用 Anaconda。为什么？因为它自带 conda 包管理器，虚拟环境隔离做得好。你想想看，一个项目用 OpenCV 4.5，另一个用 4.8，要是装在一个环境里，迟早出问题。

核心原则：每个项目一个独立虚拟环境，不要用 base 环境跑项目。

2.1.1 创建虚拟环境

# 创建 Python 3.9 环境
conda create -n algo_sim python=3.9

# 激活环境
conda activate algo_sim

# 安装核心库
pip install numpy==1.24.3
pip install opencv-python==4.8.1.78
pip install opencv-contrib-python==4.8.1.78
pip install matplotlib==3.7.2
pip install scipy==1.11.2

这里有个坑——opencv-contrib-python 包含了 SIFT、SURF 等专利算法模块。如果你只做基础图像处理，装 opencv-python 就够了。我曾经有个项目，在服务器上只装了基础版，结果跑特征匹配时报错找不到 SIFT_create，折腾了半天才发现少装了 contrib 包。

2.1.2 验证安装

装完之后，跑个简单脚本验证一下：

import cv2
import numpy as np

print(f"OpenCV 版本: {cv2.__version__}")
print(f"NumPy 版本: {np.__version__}")

# 创建一个测试图像
img = np.zeros((480, 640, 3), dtype=np.uint8)
cv2.rectangle(img, (100, 100), (300, 300), (0, 255, 0), 2)
cv2.imwrite("test_output.png", img)
print("测试图像已生成")

如果控制台输出版本号，并且生成了 test_output.png，说明环境没问题。

小技巧：用 conda list | grep opencv 可以快速查看已安装的 OpenCV 版本和依赖关系。排查依赖冲突时，这个命令比 pip list 更直观。

2.2 MATLAB与Simulink基础

MATLAB 在算法原型验证阶段，效率确实高。我个人习惯是：Python 做数据处理和模型训练，MATLAB 做系统级仿真和可视化验证。两者配合，事半功倍。

2.2.1 MATLAB 环境配置要点

组件	用途	个人建议
MATLAB 基础	矩阵运算、脚本编写	必装，版本建议 R2022b 以上
Simulink	系统级建模与仿真	必装，算法验证核心工具
Computer Vision Toolbox	图像处理与计算机视觉	如果做视觉算法，建议装
Signal Processing Toolbox	信号处理与分析	做雷达/通信算法时必装
Parallel Computing Toolbox	并行计算加速	大数据量仿真时推荐

我记得刚用 MATLAB 时，总喜欢把所有代码写在一个脚本里。后来发现，用函数封装 + 实时脚本（.mlx）做文档化仿真，调试效率高得多。特别是 Simulink 模型，一定要养成「模块化 + 信号标注」的习惯，不然模型一复杂，连自己都看不懂。

2.2.2 Simulink 基础模型示例

创建一个简单的正弦波生成 + 显示模型：

% 在 MATLAB 命令窗口执行
open_system('simulink');  % 打开 Simulink 起始页

% 或者用代码创建模型
new_system('my_sine_wave');
open_system('my_sine_wave');

% 添加模块
add_block('simulink/Sources/Sine Wave', 'my_sine_wave/Sine Wave');
add_block('simulink/Sinks/Scope', 'my_sine_wave/Scope');

% 连接模块
add_line('my_sine_wave', 'Sine Wave/1', 'Scope/1');

% 设置仿真时间
set_param('my_sine_wave', 'StopTime', '10');

% 运行仿真
sim('my_sine_wave');

注意：Simulink 模型文件（.slx）在不同 MATLAB 版本间可能存在兼容性问题。团队协作时，建议统一 MATLAB 版本，或者使用 slxmlcomp 工具进行模型比较与合并。

2.3 Docker容器化仿真环境部署

环境迁移的痛，做过项目的人都懂。你在本地调好的代码，部署到服务器上跑不起来——库版本不对、系统依赖缺失、路径配置不同。Docker 就是解决这个问题的。

2.3.1 Docker 基础概念

说白了，Docker 就是把你的应用 + 依赖 + 配置打包成一个「集装箱」。不管搬到哪台机器上，只要装了 Docker，就能跑起来。

概念	类比	说明
镜像（Image）	类	只读模板，包含环境和代码
容器（Container）	实例	镜像的运行实例，可读写
Dockerfile	配方	描述如何构建镜像的脚本
卷（Volume）	U盘	持久化数据，容器删除后数据还在

2.3.2 构建算法仿真镜像

下面是一个完整的 Dockerfile，包含了 OpenCV 和 MATLAB Runtime 环境：

# 基础镜像：Ubuntu 22.04
FROM ubuntu:22.04

# 设置非交互模式
ENV DEBIAN_FRONTEND=noninteractive

# 安装系统依赖
RUN apt-get update && apt-get install -y \
    python3.9 \
    python3-pip \
    libgl1-mesa-glx \
    libglib2.0-0 \
    libsm6 \
    libxext6 \
    libxrender-dev \
    libgomp1 \
    wget \
    && rm -rf /var/lib/apt/lists/*

# 安装 Python 包
RUN pip3 install --no-cache-dir \
    numpy==1.24.3 \
    opencv-python==4.8.1.78 \
    matplotlib==3.7.2 \
    scipy==1.11.2

# 创建工作目录
WORKDIR /workspace

# 复制算法代码
COPY ./src /workspace/src

# 设置默认命令
CMD ["python3", "/workspace/src/main.py"]

构建和运行命令：

# 构建镜像
docker build -t algo-sim:v1.0 .

# 运行容器（挂载数据卷）
docker run --rm -v $(pwd)/data:/workspace/data algo-sim:v1.0

经验之谈：我习惯在 Dockerfile 里把 apt-get install 和 pip install 合并成一条 RUN 指令。这样能减少镜像层数，构建出来的镜像更小。另外，--no-cache-dir 参数一定要加，不然 pip 缓存会撑大镜像。

2.3.3 使用 Docker Compose 管理多服务

如果你的仿真系统包含多个组件（比如算法服务 + 可视化前端 + 数据库），用 Docker Compose 会更方便：

version: '3.8'

services:
  algorithm:
    build: ./algorithm
    volumes:
      - ./data:/workspace/data
    environment:
      - PYTHONUNBUFFERED=1

  visualization:
    image: nginx:alpine
    ports:
      - "8080:80"
    volumes:
      - ./visualization:/usr/share/nginx/html
    depends_on:
      - algorithm

启动命令：docker-compose up -d

2.4 环境搭建知识体系

下面这张图，把本章的核心内容串起来了。你可以把它当作环境搭建的「导航图」：

2.5 常见问题与避坑指南

问题1：OpenCV 报错 "libGL.so.1: cannot open shared object file"

这是 Docker 容器里缺少 OpenGL 库。解决方案：在 Dockerfile 里加上 libgl1-mesa-glx 和 libglib2.0-0。我曾经在部署一个视觉算法服务时，被这个错误卡了整整一个下午，最后发现就是少装了两个系统库。

问题2：MATLAB 许可证激活失败

MATLAB 在容器里激活时，需要网络连接许可证服务器。建议使用网络许可证（Network License），或者在 Dockerfile 里预置激活文件。注意：MATLAB Runtime 是免费的，不需要许可证，但功能有限。

问题3：Docker 镜像太大

一个包含 MATLAB Runtime 的镜像可能超过 5GB。优化方法：使用 Alpine 基础镜像、多阶段构建、清理 apt 缓存。我有个项目，通过多阶段构建把镜像从 4.2GB 压缩到了 1.8GB。

环境搭建这块，说白了就是「一次配置，到处运行」。不管是 Python 的虚拟环境，还是 Docker 的容器化，核心都是隔离和复现。你想想看，如果每次换机器都要重新装一遍环境，那时间都花在重复劳动上了。把这套流程标准化，后面做算法仿真才能专心搞算法本身。