Linux系统图像处理与计算机视觉开发环境配置指南

1. 系统准备

1.1 推荐Linux发行版

• Ubuntu LTS (20.04/22.04) - 最广泛支持的发行版
• Debian Stable - 稳定性优先
• Arch Linux - 最新软件包

1.2 基础开发工具安装

sudo apt update && sudo apt upgrade -y
sudo apt install -y build-essential cmake git wget unzip
sudo apt install -y pkg-config libgtk-3-dev
sudo apt install -y python3-dev python3-pip python3-venv

2. 图像处理库安装

2.1 基础图像库

sudo apt install -y libjpeg-dev libpng-dev libtiff-dev
sudo apt install -y libavcodec-dev libavformat-dev libswscale-dev libv4l-dev
sudo apt install -y libxvidcore-dev libx264-dev

2.2 OpenCV安装

方法一：从包管理器安装(快速但不一定是最新版本)

sudo apt install -y libopencv-dev python3-opencv

方法二：从源码编译安装(推荐)

# 安装依赖
sudo apt install -y cmake git libgtk2.0-dev pkg-config libavcodec-dev \
libavformat-dev libswscale-dev python3-dev python3-numpy \
libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libdc1394-22-dev

# 下载OpenCV
mkdir ~/opencv_build && cd ~/opencv_build
git clone https://github.com/opencv/opencv.git
git clone https://github.com/opencv/opencv_contrib.git

# 编译安装
cd opencv
mkdir build && cd build
cmake -D CMAKE_BUILD_TYPE=RELEASE \
    -D CMAKE_INSTALL_PREFIX=/usr/local \
    -D INSTALL_C_EXAMPLES=ON \
    -D INSTALL_PYTHON_EXAMPLES=ON \
    -D OPENCV_GENERATE_PKGCONFIG=ON \
    -D OPENCV_EXTRA_MODULES_PATH=~/opencv_build/opencv_contrib/modules \
    -D BUILD_EXAMPLES=ON ..
make -j$(nproc)
sudo make install

2.3 其他图像处理库

# PIL/Pillow
pip3 install --upgrade pillow

# scikit-image
pip3 install scikit-image

# SimpleITK (医学图像处理)
pip3 install SimpleITK

# VTK (3D可视化)
sudo apt install -y vtk7
pip3 install vtk

3. 深度学习框架安装

3.1 PyTorch

# 使用pip安装(推荐)
pip3 install torch torchvision torchaudio

# 或者指定CUDA版本(如有NVIDIA GPU)
pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113

3.2 TensorFlow

# CPU版本
pip3 install tensorflow

# GPU版本(需要CUDA支持)
pip3 install tensorflow-gpu

3.3 其他框架

# Keras
pip3 install keras

# MXNet
pip3 install mxnet

# Caffe (需要从源码编译)
sudo apt install -y libprotobuf-dev libleveldb-dev libsnappy-dev \
libopencv-dev libhdf5-serial-dev protobuf-compiler
git clone https://github.com/BVLC/caffe.git
cd caffe
pip3 install -r python/requirements.txt
mkdir build && cd build
cmake ..
make -j$(nproc)
make install

4. GPU加速配置(可选)

4.1 NVIDIA驱动安装

# 检查推荐驱动
ubuntu-drivers devices

# 安装推荐驱动
sudo ubuntu-drivers autoinstall

# 重启后验证
nvidia-smi

4.2 CUDA工具包安装

# 从NVIDIA官网下载对应版本的CUDA Toolkit
# 例如CUDA 11.3
wget https://developer.download.nvidia.com/compute/cuda/11.3.0/local_installers/cuda_11.3.0_465.19.01_linux.run
sudo sh cuda_11.3.0_465.19.01_linux.run

# 添加环境变量
echo 'export PATH=/usr/local/cuda/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

4.3 cuDNN安装

从NVIDIA开发者网站下载对应CUDA版本的cuDNN并按照官方指南安装。

5. 开发工具配置

5.1 IDE推荐

• VS Code + Python/C++扩展
• PyCharm Professional
• Jupyter Notebook/Lab

5.2 Jupyter配置

pip3 install jupyterlab
# 如果需要使用虚拟环境
pip3 install ipykernel
python3 -m ipykernel install --user --name=myenv

5.3 虚拟环境管理

# 创建虚拟环境
python3 -m venv cv_env
source cv_env/bin/activate

# 在虚拟环境中安装包
pip3 install numpy opencv-python

# 退出虚拟环境
deactivate

6. 验证安装

6.1 OpenCV验证

import cv2
print(cv2.__version__)
img = cv2.imread('test.jpg', cv2.IMREAD_COLOR)
cv2.imshow('Test Image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

6.2 PyTorch验证

import torch
print(torch.__version__)
print(torch.cuda.is_available())  # 检查CUDA是否可用

6.3 TensorFlow验证

import tensorflow as tf
print(tf.__version__)
print(tf.config.list_physical_devices('GPU'))  # 检查GPU是否可用

7. 常用数据集工具

# COCO API
pip3 install pycocotools

# TensorFlow Datasets
pip3 install tensorflow-datasets

# Torchvision Datasets
# 已包含在torchvision中

8. 性能优化工具

# 性能分析工具
sudo apt install -y linux-tools-common linux-tools-generic
pip3 install py-spy

# 内存分析
pip3 install memory_profiler

# GPU监控
pip3 install gpustat
nvidia-smi -l 1  # 实时监控GPU使用情况

9. 容器化开发(可选)

9.1 Docker安装

sudo apt install -y docker.io
sudo systemctl enable --now docker
sudo usermod -aG docker $USER

9.2 NVIDIA Docker支持

distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \
   && curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - \
   && curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt update && sudo apt install -y nvidia-docker2
sudo systemctl restart docker

9.3 使用预构建的CV容器

# OpenCV官方镜像
docker pull opencv/opencv

# PyTorch官方镜像
docker pull pytorch/pytorch

# TensorFlow官方镜像
docker pull tensorflow/tensorflow:latest-gpu

10. 常见问题解决

10.1 OpenCV视频I/O问题

sudo apt install -y ffmpeg

10.2 缺少动态链接库

# 查找缺失的库
ldd /path/to/your/executable | grep not

# 安装对应的开发包
sudo apt install -y lib<missing_library_name>-dev

10.3 Python包冲突

建议使用虚拟环境隔离不同项目的依赖。

10.4 CUDA相关错误

• 确保驱动、CUDA和cuDNN版本兼容
• 检查环境变量设置是否正确
• 验证GPU是否被正确识别

通过以上步骤，您应该已经配置好了一个功能完善的Linux图像处理与计算机视觉开发环境。根据具体项目需求，您可能需要安装额外的专用库或工具。