Windows 下的 Python Embedded 版本（如 python-3.10.10-embed-amd64）是为应用程序打包设计的精简运行时，其剥离了 pip 包管理器与站点配置，这导致常规的 import cv2 或 from PIL import Image 操作无法直接进行。本文将在不依赖外部 IDE 的环境下，通过命令行完成 OpenCV (cv2) 与 Pillow (PIL) 的完整部署，并从线性代数的角度深入推导图像在计算机内部的张量表示形式。
嵌入式 Python 的核心限制在于 python310._pth 文件。该文件控制着模块的搜索路径，默认情况下注释掉了 import site，这意味着 Python 不会自动加载 site-packages 目录。因此，第一步必须解除该限制。使用记事本打开 C:\Users\JZ1570\Downloads\python-3.10.10-embed-amd64\python310._pth，确保其内容为：
python310.zip
.
import site
这一改动使得 Python 能够识别通过 pip 安装的第三方库。随后，我们需要引导安装 pip。由于嵌入式版本缺乏 ssl 模块支持的部分特性，有时直接使用系统证书会有问题，但在大多数现代 Windows 环境下，以下引导代码是有效的。我们将使用 Python 自身来执行安装脚本，这比直接运行 get-pip.py 更稳定。
python -c "import urllib.request; urllib.request.urlretrieve('https://bootstrap.pypa.io/get-pip.py', 'get-pip.py')"
python get-pip.py --no-warn-script-location
安装完成后，为了验证环境隔离性，我们可以查看当前 pip 将包安装到了何处。这一步对于排查 ModuleNotFoundError 至关重要，因为它确认了包是否被安装到了当前嵌入式环境的 Lib\site-packages 目录下，而非系统全局的 Python 环境。
python -m pip list
接下来，我们开始安装计算机视觉领域两个最重要的库。OpenCV-Python 提供了底层的 C++ 接口封装，而 Pillow 则是 PIL 的分支，专注于图像处理的基础操作。在嵌入式环境中，建议使用清华大学镜像源以加速下载并减少连接中断的风险。
python -m pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple
python -m pip install pillow -i https://pypi.tuna.tsinghua.edu.cn/simple
为了验证这两个库不仅安装成功，而且能在同一进程中共存，我们需要编写一个测试脚本。这里的关键在于理解 OpenCV 与 Pillow 在色彩通道排列上的差异：OpenCV 默认使用 BGR 顺序，而 Pillow 使用 RGB 顺序。下面的代码将创建一个简单的 NumPy 数组作为图像数据，分别用两个库进行处理，并验证它们的版本号，确保 ABI 兼容。
python -c "import cv2; print(f'OpenCV Version: {cv2.__version__}'); img = cv2.imread('non_existent.png'); print('cv2 imported successfully even without image file.')"
python -c "from PIL import Image; print(f'Pillow Version: {Image.__version__}'); print('PIL imported successfully.')"
为了进一步展示两者的协同工作，我们需要处理图像的底层数据结构。假设我们有一个图像数据，它在内存中本质上是一个多维矩阵。设 为一个彩色图像，其在数学上可以表示为一个三维张量，其中是高，是宽，是通道数（通常为 3）。OpenCV 读取的图像满足，而 Pillow 读取的图像满足。两者之间的转换实质上是一个线性变换，即交换第一个和第三个通道。设为 OpenCV 的一个像素向量，为 Pillow 的像素向量，则存在置换矩阵使得。该矩阵定义为：
$$
P = \begin{bmatrix}
0 & 0 & 1 \
0 & 1 & 0 \
1 & 0 & 0
\end{bmatrix}
$$
由此可得。下面的代码演示了如何在 NumPy 层面实现这一变换，这比使用循环效率更高，因为 NumPy 利用了 SIMD 指令集。
python -c "import numpy as np; import cv2; from PIL import Image; data = np.random.randint(0, 256, (100, 100, 3), dtype=np.uint8); cv_img = data; pil_img = Image.fromarray(cv_img); arr_from_pil = np.array(pil_img); cv_to_pil = cv_img[:, :, ::-1].copy(); print('Channel swap verification passed:', np.array_equal(arr_from_pil, cv_to_pil))"
在上述代码中，cv_img[:, :, ::-1] 是 Python 切片语法的巧妙应用，它实现了对第三维（通道维）的反转，即 ，这正是置换矩阵 在代码层面的具象化。此外，值得注意的是，图像数据的存储通常遵循行优先（Row-major）原则，即内存中先存储第一行的所有像素，再存储第二行。设内存地址为 ，则对于步长（stride）为 的数据，其寻址公式为 。理解这一点对于优化大规模图像处理的性能至关重要，也是为什么 OpenCV 在处理大矩阵时比纯 Python 循环快几个数量级的原因——因为它直接操作连续的内存块。
最后，为了确保环境完全就绪，我们可以检查动态链接库（DLL）的依赖情况。嵌入式 Python 经常因为缺少 Visual C++ Redistributable 而无法加载 cv2.pyd。以下代码尝试加载核心模块，如果失败，通常会抛出 ImportError: DLL load failed，这提示用户需要安装 VC++ 运行库。
python -c "import cv2; print('OpenCV DLL loaded at:', cv2.__file__); print('Test Passed: Environment is fully configured.')"
至此，我们不仅完成了软件包的安装，还从线性代数和内存管理的角度解释了图像处理的底层逻辑。这种对 转换的数学建模以及对行优先存储机制的理解，是进行高性能计算机视觉算法开发的理论基石。对于生产环境而言，尽管嵌入式 Python 提供了极佳的可移植性，但在开发阶段，使用完整安装版 Python 配合虚拟环境（venv）依然是减少环境配置心智负担的最佳实践。
10个月宝宝每天需要喝多少奶粉？
