3、Python环境搭建：Anaconda安装、GDAL与Spectral库配置、GPU环境准备

说实话，搞高光谱图像处理，环境搭建往往是劝退很多人的第一道坎。我见过太多同学代码写好了，结果跑不起来，最后发现是GDAL没装对。嗯，这节课我们就来把这几个坑填平。

3.1 为什么选Python？

你可能要问：遥感领域不是有ENVI、ERDAS这些专业软件吗？为什么还要折腾Python？

我的回答很简单：批量处理。你想想看，一个高光谱影像上百个波段，手动操作得点到手抽筋。而Python脚本一跑，几分钟搞定。我在项目中处理过一颗卫星的连续10景影像，用ENVI打开都卡，但用Python+GDAL，半小时全部处理完。

另外，深度学习做高光谱分类，几乎清一色用Python。TensorFlow、PyTorch这些框架，Python是第一公民。所以，Python环境搭建是绕不开的第一步。

3.2 Anaconda安装——省心之选

我个人习惯用Anaconda来管理Python环境。为什么？因为它自带conda包管理器，能帮你隔离不同项目的依赖。说白了，就是避免「装了这个库，那个库就崩了」的惨剧。

3.2.1 下载与安装

1. 去Anaconda官网下载对应系统的安装包（Windows/Linux/Mac）
2. 安装时注意勾选「Add Anaconda to my PATH environment variable」
3. 安装完成后，打开终端（或Anaconda Prompt），输入 conda --version 验证

3.2.2 创建虚拟环境

我建议为高光谱课程单独建一个环境：

conda create -n hyperspectral python=3.9
conda activate hyperspectral

Python版本我选3.9，因为3.10以上有些库兼容性不太好。嗯，这里要注意，别追新版本，稳定才是王道。

3.3 GDAL配置——遥感数据的瑞士军刀

GDAL（Geospatial Data Abstraction Library）是遥感图像处理的基石。读取GeoTIFF、ENVI格式、HDF5……都离不开它。说白了，没有GDAL，你连数据都打不开。

3.3.1 安装方式

我推荐用conda安装，省去编译的麻烦：

conda install -c conda-forge gdal

如果你用pip安装，Windows上经常报错，因为需要C++编译环境。我曾经在Windows上折腾了整整一下午，最后发现conda一行命令就搞定了。

3.3.2 验证安装

python -c "from osgeo import gdal; print(gdal.__version__)"

如果能输出版本号，说明安装成功。如果报错，大概率是路径问题。检查一下环境变量里有没有GDAL的路径。

3.4 Spectral库配置——高光谱专用工具

Spectral库（SPy）是专门为高光谱图像设计的Python库。它提供了读取、可视化、分类等一系列功能。我个人觉得，它的ENVI文件读取接口特别好用。

3.4.1 安装

pip install spectral

或者用conda：

conda install -c conda-forge spectral

3.4.2 快速测试

import spectral
print(spectral.__version__)

如果能正常导入，说明安装成功。注意，Spectral库依赖numpy和matplotlib，这些conda会自动帮你装上。

3.5 GPU环境准备——深度学习加速

高光谱图像分类，尤其是用CNN、Transformer这些模型，没有GPU基本跑不动。一张256×256×200的高光谱影像，CPU训练可能要几个小时，GPU几分钟就搞定。

3.5.1 检查硬件

首先确认你的电脑有没有NVIDIA显卡：

• Windows：打开任务管理器 -> 性能 -> GPU
• Linux：运行 nvidia-smi

如果没有NVIDIA显卡，可以用Google Colab的免费GPU。我在早期做实验时，就是靠Colab撑过来的。

3.5.2 安装CUDA和cuDNN

CUDA是NVIDIA的并行计算平台，cuDNN是深度学习的加速库。安装步骤：

1. 去NVIDIA官网下载CUDA Toolkit（推荐11.8或12.1）
2. 安装后，在终端输入 nvcc --version 验证
3. 下载cuDNN，解压后把文件复制到CUDA安装目录

3.5.3 安装PyTorch（GPU版）

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

验证GPU是否可用：

import torch
print(torch.cuda.is_available())  # 输出True表示成功

3.6 整体环境验证

把所有库串起来跑一遍：

import numpy as np
from osgeo import gdal
import spectral
import torch

print("NumPy:", np.__version__)
print("GDAL:", gdal.__version__)
print("Spectral:", spectral.__version__)
print("PyTorch:", torch.__version__)
print("CUDA可用:", torch.cuda.is_available())

如果全部正常输出，恭喜你，环境搭建完成！

3.7 本章知识体系

下面这张图帮你理清整个环境搭建的逻辑：

环境搭建就像盖房子的地基，地基不稳，后面再漂亮的算法也跑不起来。我建议你按照上面的步骤一步步来，遇到问题别慌，多半是版本或路径的问题。

---

公众号:蓝海资料掘金营，微信deep3321