Pillow图片处理教程：Python实用技巧

偷偷努力，悄无声息地变强，然后惊艳所有人！哈哈，小伙伴们又来学习啦~今天我将给大家介绍《Python使用Pillow处理图片教程》，这篇文章主要会讲到等等知识点，不知道大家对其都有多少了解，下面我们就一起来看一吧！当然，非常希望大家能多多评论，给出合理的建议，我们一起学习，一起进步！

Pillow是Python中处理图片的首选库，提供直观API，支持打开、编辑、保存等操作，适用于调整尺寸、裁剪、旋转、滤镜应用等常见任务。安装简单，通过pip install Pillow即可完成。核心模块为Image，常用功能包括：1. 打开并显示图片，支持格式、尺寸、模式查询及错误处理；2. 调整尺寸，resize可指定大小，thumbnail保持比例生成缩略图更智能；3. 裁剪图片，通过box参数定义区域；4. 旋转与翻转，rotate支持扩展画布，transpose实现左右或上下翻转；5. 格式与模式转换，如转灰度图（convert("L")）或保存为PNG；6. 应用滤镜，如高斯模糊、锐化等。相比OpenCV，Pillow侧重通用图像处理和文件操作，适合Web应用、批量处理、数据预处理等场景；而OpenCV专精计算机视觉任务，适用于复杂算法和高性能需求。两者可结合使用，Pillow负责IO和基础处理，OpenCV处理高级分析。处理大图时需注意内存占用，优化技巧包括使用thumbnail、分块处理、选择合适格式（如WebP）、避免冗余对象。实际应用广泛，涵盖用户头像处理、图片压缩、动态生成验证码、数据增强、自动化报表、数字艺术等领域

Pillow库是Python生态中处理图片的首选工具，它提供了直观且强大的API，能够轻松完成从图片打开、编辑到保存的各种基本操作，无论是调整尺寸、裁剪、旋转，还是简单的滤镜应用，Pillow都能高效应对。

解决方案

要使用Pillow库处理图片，首先得确保它已经安装在你的Python环境中。通常，一个简单的pip install Pillow就能搞定。我个人觉得，这个库的安装过程算是Python生态里最省心的之一了。

一旦安装完成，我们就可以开始图片处理之旅。Pillow的核心是Image模块，几乎所有的操作都围绕着Image.open()打开的图片对象进行。

1. 打开并显示图片 打开图片就像翻开一本画册。

from PIL import Image

try:
    img = Image.open("example.jpg")
    print(f"图片格式: {img.format}, 尺寸: {img.size}, 模式: {img.mode}")
    # img.show() # 这会调用系统默认的图片查看器显示图片
except FileNotFoundError:
    print("图片文件未找到，请确保'example.jpg'存在。")
except Exception as e:
    print(f"打开图片时发生错误: {e}")

这里我特意加了错误处理，因为实际工作中文件路径问题是常客。img.show()在开发调试时非常方便，能直接看到效果。

2. 调整图片尺寸 调整尺寸是图片处理中最常见的需求了，比如为网页生成缩略图，或者统一图片大小。

from PIL import Image

img = Image.open("example.jpg")
new_size = (128, 128) # 宽128，高128
resized_img = img.resize(new_size)
resized_img.save("example_resized.jpg")
print(f"图片已调整为 {new_size} 并保存为 example_resized.jpg")

# 另一种更智能的缩放方式，保持比例，常用于生成缩略图
img.thumbnail((200, 200)) # 会原地修改img对象，使其最大边不超过200
img.save("example_thumbnail.jpg")
print("图片已生成缩略图并保存为 example_thumbnail.jpg")

resize是直接指定新尺寸，可能会导致图片变形；而thumbnail则会保持图片比例，将图片缩小到指定尺寸范围内，这在制作头像或产品缩略图时非常实用，我个人更偏爱thumbnail，因为它更“智能”。

3. 裁剪图片 有时候我们只需要图片的一部分，裁剪就派上用场了。

from PIL import Image

img = Image.open("example.jpg")
# 定义裁剪区域：(左上角x, 左上角y, 右下角x, 右下角y)
box = (100, 100, 400, 400)
cropped_img = img.crop(box)
cropped_img.save("example_cropped.jpg")
print(f"图片已裁剪区域 {box} 并保存为 example_cropped.jpg")

裁剪区域的坐标定义是Pillow的一个小细节，习惯了就好。

4. 旋转图片 图片方向不对？旋转一下就好。

from PIL import Image

img = Image.open("example.jpg")
rotated_img = img.rotate(90, expand=True) # 顺时针旋转90度，expand=True会扩展画布以适应新尺寸
rotated_img.save("example_rotated_90.jpg")
print("图片已顺时针旋转90度并保存为 example_rotated_90.jpg")

# 也可以进行翻转操作
flipped_lr_img = img.transpose(Image.FLIP_LEFT_RIGHT) # 左右翻转
flipped_lr_img.save("example_flipped_lr.jpg")
print("图片已左右翻转并保存为 example_flipped_lr.jpg")

expand=True是个很贴心的参数，它能确保旋转后图片内容不会被裁切，画布会自动调整大小。

5. 转换图片格式和模式 Pillow支持多种图片格式和色彩模式转换。

from PIL import Image

img = Image.open("example.jpg")

# 转换为灰度图
grayscale_img = img.convert("L") # "L"代表灰度模式
grayscale_img.save("example_grayscale.jpg")
print("图片已转换为灰度图并保存为 example_grayscale.jpg")

# 转换为PNG格式
img.save("example.png")
print("图片已转换为PNG格式并保存为 example.png")

我经常用convert("L")来处理一些不需要色彩信息的图像，比如用于机器学习的预处理，能有效减小数据量。

6. 应用简单滤镜 Pillow也提供了一些基础的图像增强和滤镜功能。

from PIL import Image, ImageFilter

img = Image.open("example.jpg")

# 应用高斯模糊
blurred_img = img.filter(ImageFilter.GaussianBlur(radius=5))
blurred_img.save("example_blurred.jpg")
print("图片已应用高斯模糊并保存为 example_blurred.jpg")

# 锐化图片
sharpened_img = img.filter(ImageFilter.SHARPEN)
sharpened_img.save("example_sharpened.jpg")
print("图片已锐化并保存为 example_sharpened.jpg")

这些滤镜操作虽然简单，但在很多场景下已经足够用，比如给用户上传的图片加个模糊效果保护隐私。

Pillow库与OpenCV等其他图像处理库有何不同？我该如何选择？

聊完Pillow的基础操作，可能有人会好奇，Python里处理图片的库那么多，比如OpenCV，它们之间有什么区别？我该怎么选呢？这其实是个很实际的问题，我在做项目时也经常遇到。

简单来说，Pillow更侧重于通用图像处理和文件操作。它的API设计非常直观，处理图片格式转换、尺寸调整、裁剪、简单的滤镜、文本水印等日常任务简直是信手拈来。如果你在开发一个Web应用，需要处理用户上传的头像、商品图片，或者做一些图片批量处理、生成缩略图、加水印之类的活儿，Pillow无疑是你的首选。它轻量、易学，并且功能足够强大，足以应对大部分非计算机视觉领域的图像处理需求。我个人觉得，Pillow的哲学是“把简单的事情做好，并且让它变得更简单”。

而OpenCV（Open Source Computer Vision Library），顾名思义，它是一个专门为计算机视觉任务设计的库。它的核心优势在于强大的图像分析、识别、处理算法，比如人脸识别、物体检测、图像特征提取、视频流处理、高级滤波等等。OpenCV通常处理的是NumPy数组形式的图像数据，这让它在科学计算和机器学习领域拥有极高的性能和灵活性。如果你在做图像识别、自动驾驶、医学影像分析、视频监控等需要复杂算法和高性能计算的项目，那么OpenCV才是你的不二之选。它的学习曲线相对陡峭一些，但能解决的问题也更深奥。

如何选择？ 我的建议是：

• 日常图片处理、Web应用、数据预处理（非深度学习特征提取类）、简单的图像生成与编辑：选Pillow。它能让你快速上手，高效完成任务。
• 计算机视觉、机器学习、高性能图像分析、视频处理、复杂算法实现：选OpenCV。它提供了更底层、更专业的工具集。
• 两者结合：这其实是我在实际项目中经常采用的策略。比如，Pillow负责图片的IO（打开、保存、格式转换），以及一些简单的尺寸调整和裁剪；而OpenCV则负责更复杂的图像算法处理。这样可以充分发挥各自的优势。

处理大尺寸图片时，Pillow库的性能表现如何？有哪些优化技巧？

处理大尺寸图片，Pillow虽然能搞定，但你确实得留意内存消耗和处理速度。我记得有一次处理几百兆甚至上G的图片，如果不加思索地直接操作，内存占用飙升，甚至会导致程序崩溃。Pillow在打开图片时，默认会将整个图片数据加载到内存中，这对于动辄几千万像素的图片来说，是个不小的开销。

性能表现：

• 内存占用大：如前所述，大图片会占用大量内存。
• 处理速度：对于CPU密集型操作（如复杂的滤镜），处理时间会随着图片尺寸的增大而显著增加。

优化技巧：

1. 分块处理（非Pillow原生，但可以实现）：Pillow本身没有直接的分块处理API，但如果你需要处理超大图片（比如GIS影像），可以考虑先将大图切割成小块，然后Pillow逐块处理，最后再拼接起来。不过，这种场景下，可能需要更专业的库如GDAL。
2. 利用thumbnail()方法生成缩略图：如果你的目标只是生成一个较小的预览图，img.thumbnail((width, height))是效率最高的选择。它会原地修改图片对象，并确保在保持比例的前提下，将图片缩小到指定尺寸范围内，且通常比resize更节省内存。
3. 合理选择图片格式：
   • JPEG：对于照片类图像，压缩率高，文件小，但有损。保存时可以调整quality参数（0-95，默认75），适当降低质量可以显著减小文件大小。
   • PNG：无损压缩，适合图标、带透明度的图像。文件通常比JPEG大。
   • WebP：一种现代的图片格式，在相同质量下通常比JPEG和PNG文件更小，Pillow也支持。
   • 在保存时，明确指定格式和相关参数，比如img.save("output.jpg", quality=85, optimize=True)。optimize=True可以进一步优化JPEG文件大小。
4. 避免不必要的中间图片对象：链式操作时，Pillow会创建新的图片对象。如果内存紧张，尽量在一个对象上完成多步操作，或者及时释放不再需要的图片对象（虽然Python的垃圾回收机制通常能处理好）。
5. 考虑使用LAZY模式（虽然不常用）：Pillow的Image.open()默认是LAZY模式，即它只读取文件头信息，真正像素数据是在第一次访问时才加载。但一旦加载，就会全部载入。对于超大图片，如果只是想获取尺寸信息，不进行实际像素操作，这个特性可以避免不必要的内存加载。
6. 硬件加速（有限）：Pillow本身是纯Python实现的，但底层依赖的C库（如libjpeg, libtiff等）可能利用了SIMD指令集等进行优化。对于CPU密集型任务，升级更快的CPU会有帮助。但Pillow本身不直接支持GPU加速。

总之，对于大尺寸图片，关键在于减少不必要的内存加载和计算。明确你的最终需求，选择最合适的处理路径和保存格式，能有效缓解性能瓶颈。

Pillow库在实际项目中常见的应用场景有哪些？

Pillow库之所以成为Python图片处理的“瑞士军刀”，离不开它在各种实际项目中的广泛应用。我个人在不同的项目中，几乎都或多或少地用到过Pillow，它的灵活性和易用性让很多工作变得简单。

1. Web应用中的图片处理

   • 用户头像/上传图片处理：这是最常见的场景。用户上传的图片可能尺寸不一、方向错误。Pillow可以自动调整尺寸、裁剪成正方形、旋转纠正方向，甚至添加水印。比如，我曾用Pillow为用户上传的个人资料图片生成不同尺寸的缩略图，以适应移动端和PC端的显示需求。
   • 图片压缩与格式转换：为了加快网页加载速度，Pillow可以将用户上传的大尺寸图片压缩，或转换为更适合Web的格式（如WebP），同时保持可接受的视觉质量。
   • 动态生成图片：比如验证码图片、海报、带有用户信息的分享图片等。Pillow可以绘制文本、图形，并将它们叠加到背景图上。

2. 数据科学与机器学习

   • 数据增强（Data Augmentation）：在训练图像识别模型时，为了增加数据集的多样性，Pillow可以对图片进行随机旋转、翻转、裁剪、调整亮度/对比度等操作，有效防止模型过拟合。
   • 图像预处理：将图片统一尺寸、转换为灰度图、归一化像素值等，为模型输入做准备。
   • 结果可视化：将模型输出的特征图、分割掩码等可视化为图片。

3. 自动化办公与报表生成

   • 批量图片处理：如果你有成千上万张图片需要统一处理（如添加公司Logo、调整分辨率、重命名），Pillow结合文件系统操作，可以编写脚本批量自动化完成。
   • 生成PDF或文档中的图片：在自动化生成报告或文档时，Pillow可以处理图片，确保它们以正确的尺寸和格式嵌入到最终的输出文件中。

4. 数字媒体与艺术创作

   • 简单的图像编辑工具：虽然不如Photoshop专业，但Pillow可以作为后端处理引擎，实现一些基础的图像编辑功能，比如批量加滤镜、调整色彩。
   • 像素艺术与图像分析：处理像素级别的数据，进行一些创意性的图像生成或分析。

5. 物联网与嵌入式设备

   • 在一些资源受限的设备上，Pillow的轻量级特性使其成为处理摄像头捕获图像的理想选择，例如对图像进行简单的裁剪、缩放后传输。

总而言之，Pillow的价值在于它提供了一个易于使用且功能完善的图片处理接口，能够满足绝大多数非专业计算机视觉领域的图像处理需求。它就像一个多面手，在各种项目中都能找到自己的用武之地。

以上就是《Pillow图片处理教程：Python实用技巧》的详细内容，更多关于的资料请关注golang学习网公众号！