Python怎样实现图像处理？Pillow库使用教程

蓮花仙者

发布时间：2025-07-05 12:22:01

864人浏览过

来源于php中文网

原创

pillow是python中最常用且方便的图像处理库，它提供直观接口实现图像读取、修改和保存。核心操作包括：1. 安装简单（pip install pillow）；2. 使用image对象进行图像处理；3. 支持打开、调整大小、裁剪、旋转、颜色转换、应用滤镜、绘制文字等基础操作；4. 提供性能优化策略如及时释放内存、分块处理、调整尺寸、选择合适文件格式与压缩参数；5. 适用于web应用图片处理、桌面脚本、数据预处理等场景，相比opencv和scikit-image更轻量易用，适合基础图像编辑任务。

Python怎样实现图像处理？Pillow库使用教程

Python实现图像处理，最常用也最方便的库无疑是Pillow。它能让你轻松搞定图像的读取、修改、保存等一系列操作，无论是简单的缩放裁剪，还是更复杂的滤镜应用，Pillow都能提供直观的接口，让开发者快速上手。

解决方案

说起用Python处理图像，我个人最信赖的就是Pillow库。它其实是老牌PIL（Python Imaging Library）的一个积极维护的分支，功能强大，而且用起来特别顺手。

首先，安装Pillow非常简单，一个pip命令就搞定： pip install Pillow

Pillow的核心是Image对象。所有的图像操作都围绕这个对象进行。

立即学习“Python免费学习笔记（深入）”；

基础操作流程：

打开图像： 用Image.open()函数加载一张图片。
操作图像： 对Image对象调用各种方法，比如resize()（调整大小）、crop()（裁剪）、rotate()（旋转）等等。
保存图像： 用Image.save()方法将修改后的图像保存到文件。

一个简单的例子：调整图片大小并保存

from PIL import Image

try:
    # 假设你的图片在当前目录下
    img = Image.open('example.jpg') 
    print(f"原始图片尺寸: {img.size}")

    # 定义新的尺寸，比如宽度减半，高度等比例缩放
    new_width = img.width // 2
    new_height = img.height // 2 # 也可以根据比例计算，这里简化
    resized_img = img.resize((new_width, new_height))

    # 保存为新的文件，可以指定格式
    resized_img.save('example_resized.png') 
    print(f"图片已成功缩放并保存为 example_resized.png，新尺寸: {resized_img.size}")

except FileNotFoundError:
    print("错误：未找到 'example.jpg' 文件，请确保图片在正确路径。")
except Exception as e:
    print(f"处理图片时发生错误: {e}")

这个流程几乎涵盖了你日常处理图片的大部分场景，你只需要根据需求调用不同的方法。

Pillow能做哪些常见的图像操作？

Pillow的功能远不止缩放和保存那么简单，它几乎覆盖了我们日常能想到的所有基础图像处理需求。我平时最常用到的，除了上面提到的调整大小，还有以下这些：

裁剪 (Crop)： 想象一下你拍了张照片，只想保留其中某个区域。img.crop((left, upper, right, lower))就能实现，传入一个四元组，定义裁剪框的左上角和右下角坐标。这在生成头像或者缩略图时特别有用。
```
# 裁剪图片，从(100, 100)到(300, 300)的区域
cropped_img = img.crop((100, 100, 300, 300))
cropped_img.save('example_cropped.jpg')
```
旋转 (Rotate)： 图片拍歪了？或者需要生成不同角度的展示图？img.rotate(angle, expand=True)可以轻松搞定。expand=True会在旋转后自动扩展画布，以适应新尺寸，避免图像被裁切。
```
# 旋转图片45度，并扩展画布
rotated_img = img.rotate(45, expand=True)
rotated_img.save('example_rotated.jpg')
```
颜色模式转换 (Color Conversion)： 有时候你需要把彩色图片转成黑白，或者反过来。img.convert('L')可以转为灰度图（L代表Luminance），'RGB'则转为RGB模式。这个功能在做一些图像分析或者为了节省存储空间时非常实用。
```
# 转换为灰度图
gray_img = img.convert('L')
gray_img.save('example_gray.jpg')
```
应用滤镜 (Filters)： Pillow内置了一些基础滤镜，比如模糊、锐化、浮雕等。它们都在PIL.ImageFilter模块里。虽然没有Photoshop那么复杂，但对于快速实现一些效果已经足够了。

拍我AI
AI视频生成平台PixVerse的国内版本

下载
```
from PIL import ImageFilter

# 应用高斯模糊滤镜
blurred_img = img.filter(ImageFilter.GaussianBlur(radius=5))
blurred_img.save('example_blurred.jpg')
```

绘制图形和文字 (Drawing)： 如果你想在图片上加个水印、画个框或者写段文字，PIL.ImageDraw模块就是你的好帮手。它提供了一系列绘制方法，比如line()、rectangle()、text()等。

from PIL import ImageDraw, ImageFont

draw = ImageDraw.Draw(img)

# 尝试加载一个字体文件，如果失败就用默认字体
try:
    font = ImageFont.truetype("arial.ttf", 40) # 假设arial.ttf存在
except IOError:
    font = ImageFont.load_default()
    print("警告：未找到arial.ttf，使用默认字体。")

# 在图片上添加文字
text_color = (255, 255, 255) # 白色
draw.text((50, 50), "Hello, Pillow!", font=font, fill=text_color)
img.save('example_with_text.jpg')

这些操作，我几乎在每个涉及到图片处理的项目里都会用到，它们真的让很多繁琐的工作变得轻松。

处理图像时，Pillow有哪些性能考量和注意事项？

用Pillow处理图像确实方便，但如果你处理的图片量大、尺寸惊人，或者是在一些资源有限的环境下运行，还是有些性能和使用上的“小坑”需要注意的。我个人就遇到过几次因为大图导致内存飙升，服务直接崩掉的情况。

内存占用： 这是最常见的问题。当你用Image.open()打开一张图片时，Pillow会把整张图片的数据加载到内存中。如果图片尺寸特别大（比如几千上万像素，或者几百兆的文件），那内存占用就会非常可观。
- 解决方案：
  - 及时释放： 在处理完图片后，如果不再需要这个Image对象，可以考虑将其引用设为None，并让Python的垃圾回收机制处理它。
  - 分块处理（复杂场景）： 对于超大图片，可以考虑分块读取和处理，但这会增加代码复杂性，Pillow本身没有直接提供分块接口，可能需要结合numpy或其他库。
  - 调整尺寸再处理： 如果最终输出的图片不需要那么高的分辨率，可以在一开始就将其resize()到合理的大小，这样后续操作的内存开销会小很多。
文件格式与压缩： 保存图片时选择合适的格式和压缩参数也很重要。
- JPEG： 有损压缩，适合照片，文件小，但每次保存都会有质量损失。你可以通过save()方法的quality参数控制压缩质量（0-100）。
- PNG： 无损压缩，支持透明度，适合图标、截图等。文件通常比JPEG大。
- WEBP： 现代格式，通常比JPEG和PNG更小，同时保持较好的质量，但兼容性可能略差于前两者。
- 最佳实践： 根据你的应用场景选择。如果对质量要求高且文件大小不敏感，用PNG。如果追求小文件且允许一定损失，用JPEG。
批量处理效率： 当你需要处理成千上万张图片时，简单的循环处理可能会很慢。
- 并行处理： 可以考虑使用Python的multiprocessing或concurrent.futures模块进行多进程处理，充分利用多核CPU。每个进程处理一部分图片，能显著提高效率。
- 避免重复加载： 确保你的代码逻辑中，图片只被加载一次，然后进行所有操作，最后保存。

错误处理： 别忘了加上try-except块来处理可能出现的错误，比如文件找不到、图片格式损坏、内存不足等。这能让你的程序更健壮。

from PIL import Image

image_paths = ['valid_image.jpg', 'non_existent.png', 'corrupted.gif']

for path in image_paths:
    try:
        img = Image.open(path)
        print(f"成功打开: {path}, 尺寸: {img.size}")
        # 进行一些操作
        img.save(f"processed_{path}")
    except FileNotFoundError:
        print(f"错误：文件 '{path}' 未找到。")
    except Image.UnidentifiedImageError:
        print(f"错误：'{path}' 不是有效的图片文件，或格式无法识别。")
    except Exception as e:
        print(f"处理 '{path}' 时发生未知错误: {e}")

这些细节，往往在开发初期容易被忽略，但一旦项目规模上来，它们就会成为影响稳定性和性能的关键点。

Pillow与其他图像处理库相比，有什么优势或适用场景？

Python生态里图像处理的库可不止Pillow一个，比如还有OpenCV、scikit-image等等。它们各有侧重，选择哪个取决于你的具体需求。我用下来感觉，Pillow的优势和适用场景还是挺明确的：

优势：
- 极简易用： 这是Pillow最大的亮点。它的API设计非常直观，学习曲线平缓，对于大多数常见的图像操作，你几乎不需要查太多文档就能上手。如果你只是想快速完成一些图像的裁剪、缩放、格式转换、加水印这类任务，Pillow简直是首选。
- 轻量级： 相比OpenCV这种“大块头”，Pillow更轻量，依赖少，安装简单。这使得它非常适合集成到Web应用后端（比如Django、Flask）进行图片上传处理、生成缩略图等。
- 文档清晰、社区活跃： 作为PIL的继任者，Pillow的文档非常完善，社区也很活跃，遇到问题很容易找到解决方案。
- 专注图像基础操作： 它聚焦于图像文件的读写、基本像素操作、几何变换和色彩空间转换，把这些基础功能做到了极致。
适用场景：
- Web应用中的图片处理： 比如用户上传头像后，自动生成不同尺寸的缩略图；电商网站的产品图批量处理；给图片加水印；验证码生成等。Pillow在这里表现得非常出色，因为它高效且易于部署。
- 桌面应用或脚本： 编写一些自动化脚本来批量处理本地图片，例如批量重命名、调整图片大小以适应某个屏幕、简单的图像格式转换。
- 数据预处理： 在机器学习或深度学习项目中，你可能需要对图像数据集进行预处理，比如统一图片尺寸、转换为灰度图、进行简单的增强（旋转、翻转）。Pillow可以作为这个流程中快速、可靠的一环。
- 简单的图像编辑工具： 如果你只是想开发一个功能不复杂的图像查看器或编辑器，Pillow能提供足够的基础能力。
与OpenCV/scikit-image的对比：
- OpenCV (Open Source Computer Vision Library)： 这是一个为计算机视觉任务而生的库。它拥有大量高级算法，如特征检测、目标识别、人脸识别、视频处理等。如果你需要进行复杂的图像分析、机器视觉算法开发，那OpenCV是你的不二之选。Pillow在这方面就显得力不从心了。简单来说，Pillow是“修图”，OpenCV是“看图懂图”。
- scikit-image： 这是一个基于NumPy的图像处理库，更偏向于科学计算和图像分析。它提供了很多图像分割、特征提取、形态学操作等算法，与科学计算生态结合紧密。如果你在进行科研、需要对图像进行深入的数学分析，scikit-image会是更好的选择。