企业官网建设流程全解析

python-guide 图像处理实战指南：Pillow 与 OpenCV 双库上手

【免费下载链接】python-guidePython best practices guidebook, written for humans.项目地址: https://gitcode.com/gh_mirrors/py/python-guide

本篇指南源自 python-guide（The Hitchhiker's Guide to Python）仓库中的图像处理场景章节，面向需要在 Python 中完成图片读取、显示、滤镜、通道拆分、EXIF 读取与灰度转换等日常任务的开发者。读完本文，你将掌握 Pillow（PIL 的活跃继任者）与 OpenCV 两套主流图像处理库的安装方式、核心 API 用法，以及如何根据任务复杂度选择最合适的库。

为什么 Python 里图像处理只需要两个库

在 Python 生态中，绝大多数图像处理与图像编辑需求都可以用两个库高效完成：Python Imaging Library（PIL）和Open Source Computer Vision（OpenCV，开源计算机视觉库）。前者侧重日常图像编辑与格式转换，后者则是更进阶的图像分析与计算机视觉工具。python-guide 将这份选型建议收录在 场景指南（Scenario Guide for Python Applications）中，作为scenarios/imaging一章向开发者推荐。

下文分别介绍两个库的背景、安装步骤与可直接运行的代码示例。

Python Imaging Library（PIL）与 Pillow

PIL 是 Python 图像处理的核心库之一，但它的官方开发早已停滞——最后一个正式版本发布于 2009 年。幸运的是，社区孵化了一个持续活跃的复刻分支Pillow：它安装更简单、支持所有主流操作系统，并且完整支持 Python 3。因此，新项目应当直接使用 Pillow，而不是原版 PIL。

安装 Pillow

安装 Pillow 之前，需要先满足其平台相关的底层依赖（例如不同系统上的 JPEG、PNG、zlib 等图像编解码库），请参照 Pillow 官方安装文档中针对你所在平台（Windows / macOS / Linux）的说明完成前置准备。

前置依赖就绪后，安装本身只有一条命令：

$ pip install Pillow

Pillow 与 PIL 共用PIL这一模块名，因此安装 Pillow 后，代码中依然通过from PIL import ...导入。

入门示例：读取、显示、滤镜、通道拆分与 EXIF

以下示例完整覆盖了日常图像编辑的高频操作：打开图片、显示图片、应用滤镜、保存新文件、拆分 RGB 通道以及读取 EXIF 元数据：

from PIL import Image, ImageFilter # 读取图像 im = Image.open('image.jpg') # 显示图像（会调用系统默认图片查看器） im.show() # 对图像应用锐化滤镜，返回一张新的 Image 对象 im_sharp = im.filter(ImageFilter.SHARPEN) # 将处理后的图像保存为 JPEG 格式的新文件 im_sharp.save('image_sharpened.jpg', 'JPEG') # 将图像拆分为各自的颜色通道，RGB 模式下即红、绿、蓝三个单通道 r, g, b = im_sharp.split() # 查看图像中内嵌的 EXIF 数据（相机型号、光圈、快门、拍摄时间等） exif_data = im._getexif() exif_data

逐行解读关键 API：

• Image.open(path)：打开图片文件，返回Image对象。Pillow 会根据文件内容自动识别格式，无需显式指定。
• im.show()：调用系统默认图片查看器展示图片，适合交互式调试。
• im.filter(ImageFilter.SHARPEN)：Pillow 内置多种滤镜（如BLUR、CONTOUR、EMBOSS、SHARPEN、SMOOTH等），处理返回新对象，原图不被修改。
• im_sharp.save('image_sharpened.jpg', 'JPEG')：按指定格式写出文件；第二个参数为格式名（如'JPEG'、'PNG'、'GIF'），也可省略以由扩展名推断。
• im_sharp.split()：将多通道图像拆成独立的单通道图像，RGB 图像得到 (r, g, b) 三元组。
• im._getexif()：返回内嵌 EXIF 元数据字典，若图片无 EXIF 则返回None。

更多 Pillow 用法可查阅官方 Pillow 教程（Handbook），其中包含裁剪、旋转、缩放、缩略图、模式转换（如convert('L')转灰度）等进阶操作。

Open Source Computer Vision（OpenCV）

Open Source Computer Vision，通称OpenCV，是比 PIL 更进阶的图像处理与计算机视觉软件，底层以 C/C++ 实现、性能出色，已被多种编程语言绑定并广泛应用于学术界与工业界。它适合人脸检测、物体识别、图像特征提取、视频分析等计算密集型任务。

安装：cv2 与 NumPy

在 Python 中使用 OpenCV，实际上用到的是cv2与NumPy两个模块：cv2是 OpenCV 的 Python 绑定，而NumPy提供底层数组结构——OpenCV 的图像在 Python 中就是一个 NumPy 数组，这为矩阵运算与批量像素处理提供了极大便利。OpenCV 的安装配置请参考其官方安装指南；NumPy 可以直接从 Python 包索引（PyPI）安装：

$ pip install numpy

入门示例：读取、显示、灰度转换与保存

以下示例演示 OpenCV 处理图像的标准流程：读取图片、弹出窗口显示、按键后关闭窗口、转换灰度并保存：

import cv2 # 读取图像 img = cv2.imread('testimg.jpg') # 显示图像（在 GUI 窗口中展示） cv2.imshow('image', img) # 等待用户按键，参数 0 表示无限期等待直到按下任意键 cv2.waitKey(0) # 关闭所有由 OpenCV 创建的窗口 cv2.destroyAllWindows() # 将图像应用灰度滤镜，从 BGR 色彩空间转换为灰度 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 将灰度图像保存到新文件 cv2.imwrite('graytest.jpg', gray)

关键 API 说明：

• cv2.imread(path)：读取图像，返回一个 NumPy 数组。注意 OpenCV 默认以BGR（而非 RGB）通道顺序加载彩色图像，这是与 Pillow 的一个重要差异。
• cv2.imshow(window_name, img)：在指定名称的窗口中显示图像，仅支持窗口环境（桌面 GUI），无头服务器环境下不可用。
• cv2.waitKey(ms)：等待键盘输入，参数为毫秒数，0表示无限等待；返回按键的 ASCII 码。它在显示循环中同时负责刷新窗口事件。
• cv2.destroyAllWindows()：关闭所有已创建的 OpenCV 窗口，释放资源。
• cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)：执行色彩空间转换，COLOR_BGR2GRAY表示 BGR 转灰度。
• cv2.imwrite(path, img)：将 NumPy 数组形式的图像写出为文件，格式由文件扩展名决定。

由于cv2图像本质是 NumPy 数组，你还可以直接对其进行切片、算术运算、逻辑掩码等操作，实现阈值分割、直方图均衡、边缘检测（如 Canny）等高级功能。OpenCV 官方及社区有大量 Python 实现的教程示例可供进一步学习。

两个库如何选型

简单来说：做图像编辑、格式处理、快速加滤镜，选 Pillow；做计算机视觉、需要把图像当 NumPy 数组做数值运算、或对接机器学习流程，选 OpenCV。两者也能互补——例如先用 Pillow 做轻量预处理，再用 OpenCV 提取特征。

仓库中的定位与进一步探索

本章节是 python-guide 中 场景指南（Scenario Guide for Python Applications）的一部分，与数据库、网络、科学计算、机器学习等场景章节并列，遵循“按场景给最佳实践选型”的写作理念。仓库使用 Sphinx 构建文档（见 docs/conf.py），scenarios/imaging.rst即本章节源文件；配套的示例照片存放于 docs/_static/photos 目录，可作为测试图像处理流程的真实素材。

如果你想继续深入，仓库中与之相邻的科学计算章节介绍了 NumPy、SciPy、Matplotlib 等科学计算栈，其中的 NumPy 数组操作与 OpenCV 的图像数组模型一脉相承；而机器学习章节展示了如何将图像数据接入 scikit-learn 等训练流程。图像处理往往是这些更复杂应用的前置环节，掌握 Pillow 与 OpenCV 之后，你可以自然衔接到这些进阶方向。

【免费下载链接】python-guidePython best practices guidebook, written for humans.项目地址: https://gitcode.com/gh_mirrors/py/python-guide