Python图像处理之新手必看的主流图片处理库盘点_Python

引言

在当今数字化的时代，图像处理已经成为了数据科学、人工智能乃至日常办公自动化中不可或缺的一部分。python 作为一门简单易学且功能强大的编程语言，拥有极其丰富的第三方生态系统。无论你是想给照片加个滤镜、批量调整图片大小，还是想入门计算机视觉（cv），python 都能为你提供完美的工具。

本文将以系统且专业的方式，为初学者盘点 python 中最主流的图像处理库。我们将从基础到进阶，带你了解它们各自的特点，并提供简单易懂的代码示例。

准备工作

在开始探索这些强大的图像处理库之前，请确保你已经具备以下基础条件：

安装 python 环境：确保你的电脑上安装了 python 3.7 或更高版本。
基础的 python 知识：了解变量、函数、以及如何运行一个简单的 python 脚本。
包管理工具：熟悉如何使用 pip 来安装第三方库。我们将在介绍每个库时提供相应的安装命令。
一张测试图片：在你的代码目录下准备一张图片（例如 test.jpg），以便跟随本文进行实操。

主流图像处理库详解

1. pillow (pil fork)：新手的最佳入门选择

pillow 是 python imaging library (pil) 的一个活跃分支。它是 python 中最基础、最直观的图像处理库。如果你只需要进行裁剪、缩放、旋转、调整颜色或添加文字等日常操作，pillow 绝对是你的首选。

特点：简单易用、文档丰富、轻量级。
安装：pip install pillow

代码示例：使用 pillow 调整图片大小

from pil import image

# 1. 打开一张图片
img = image.open('test.jpg')

# 2. 获取图片的原始尺寸
print(f"原始尺寸: {img.size}")

# 3. 调整图片大小为宽300，高200
resized_img = img.resize((300, 200))

# 4. 显示图片
resized_img.show()

# 5. 保存处理后的图片
resized_img.save('resized_test.jpg')

2. opencv (open source computer vision library)：工业级计算机视觉霸主

opencv 是目前世界上最流行的开源计算机视觉库。虽然它的底层是用 c++ 编写的，但它的 python 接口（opencv-python）极其强大。除了基础的图像处理，它还支持人脸识别、目标检测、视频流分析等高级功能。

特点：性能极高、功能极其强大、适合进阶和工业级项目。
安装：pip install opencv-python

代码示例：使用 opencv 将图片转换为黑白（灰度图）

import cv2

# 1. 读取图片
img = cv2.imread('test.jpg')

# 2. 将彩色图片转换为灰度图（黑白）
gray_img = cv2.cvtcolor(img, cv2.color_bgr2gray)

# 3. 弹窗显示结果
cv2.imshow('gray image', gray_img)

# 4. 等待用户按键后关闭窗口
cv2.waitkey(0)
cv2.destroyallwindows()

# 5. 保存图片
cv2.imwrite('gray_test.jpg', gray_img)

3. scikit-image：科学计算与图像分析利器

scikit-image 是基于 python 科学计算生态（numpy, scipy）构建的图像处理库。如果你的工作涉及医学图像分析、天文图像处理或需要使用复杂的算法（如边缘检测、图像分割），这个库会非常适合你。

特点：算法严谨、与 numpy 无缝结合、适合科研和数据分析。
安装：pip install scikit-image

代码示例：使用 scikit-image 进行边缘检测

from skimage import io, filters, color
import matplotlib.pyplot as plt

# 1. 读取图片
img = io.imread('test.jpg')

# 2. 转换为灰度图
gray_img = color.rgb2gray(img)

# 3. 使用 sobel 算子进行边缘检测
edges = filters.sobel(gray_img)

# 4. 使用 matplotlib 显示结果
plt.imshow(edges, cmap='gray')
plt.title('edge detection')
plt.axis('off')
plt.show()

常见误区与避坑指南

对于初学者来说，在处理图像时很容易遇到以下几个“坑”：

色彩通道顺序的混淆 (rgb vs bgr)：
- 误区：认为所有库读取图片的颜色顺序都是一样的。
- 避坑：pillow 和 scikit-image 默认以 rgb（红绿蓝）顺序读取图像；而 opencv 历史遗留原因，默认以 bgr（蓝绿红）顺序读取。如果用 opencv 读取图片直接用 matplotlib 显示，颜色会变得非常诡异（比如红苹果变蓝苹果）。解决方案是使用 cv2.cvtcolor(img, cv2.color_bgr2rgb) 进行转换。
坐标系与矩阵索引：
- 误区：把图像的 ( x , y ) (x, y) (x,y) 坐标和矩阵的 ( r o w , c o l ) (row, col) (row,col) 混为一谈。
- 避坑：在获取图像尺寸或裁剪时，pillow 使用 (宽, 高) 即 (x, y) 坐标；而基于 numpy 的库（如 opencv 和 scikit-image）将图像视为矩阵，其形状为 (行, 列, 通道数)，即 (高, 宽, 通道数)。
选错工具：
- 误区：为了简单裁剪图片而去学习庞大的 opencv。
- 避坑：杀鸡焉用牛刀。如果是简单的日常批处理，pillow 是最高效的选择；如果涉及深度学习和复杂视觉任务，再引入 opencv。