Pillow：图像读取与处理 (Pillow: Image Basics)
章节概述
Pillow 是 Python 最流行的图像处理库（前身是 PIL），提供了跨格式的图像读取、写入和基本操作能力。对于 C 程序员，Pillow 相当于 stb_image.h 但无需手动管理内存——不需要 malloc 分配缓冲区、不需要 free 释放、不需要手动跟踪宽/高/通道数。本章从 C 程序员的视角切入，逐层展示 Pillow 的核心 API 及其与 C 图像库的对应关系。
核心理念：在 C 中处理图像意味着你手持一个
uint8_t*指针，扛着宽高和通道数三个元数据变量；在 Python 中，Image对象把这四样东西打包成一个黑箱，你只需调用方法。但黑箱之下，数据和 C 的 raw pixel buffer 是同一回事——理解这一点是后续 与 C 图像库互操作 的基础。
第一节：打开、显示与保存图像
1.1 基本读写操作
pip install Pillowfrom PIL import Image
img = Image.open('photo.jpg')
print(img.format, img.size, img.mode)
# JPEG (1920, 1080) RGB
img.save('photo.png')
img.save('thumb.jpg', quality=85)对应 C 程序员熟悉的操作：
// C: stb_image.h 方式
#define STB_IMAGE_IMPLEMENTATION
#include "stb_image.h"
#define STB_IMAGE_WRITE_IMPLEMENTATION
#include "stb_image_write.h"
int w, h, ch;
unsigned char *data = stbi_load("photo.jpg", &w, &h, &ch, 3);
// ... 使用 data ...
stbi_write_png("photo.png", w, h, 3, data, w * 3);
stbi_image_free(data);Pillow 隐藏了三个问题：
- 内存分配：
Image.open自动分配并管理像素缓冲区，不需要malloc/free - 格式检测：自动从文件头检测格式，不需要指定
stbi_loadvsstbi_load_from_memory - 模式转换：保存时自动将 RGB 转为 PNG 支持的 RGBA，不需要手动填充 alpha 通道
1.2 一行流快速操作
python -c "from PIL import Image; img = Image.open('test.jpg'); img.thumbnail((100,100)); img.save('thumb.jpg')"这一行完成了 C 中约 30 行代码的工作：打开 → 解码 JPEG → 缩放 → 编码 JPEG → 写入文件。
第二节：基本几何变换
2.1 缩放、裁剪、旋转、翻转
from PIL import Image
img = Image.open('test.jpg')
resized = img.resize((256, 256))
resized_lanczos = img.resize((256, 256), Image.LANCZOS)
cropped = img.crop((100, 100, 400, 300))
rotated = img.rotate(45, expand=True)
flipped_h = img.transpose(Image.FLIP_LEFT_RIGHT) # 水平翻转
flipped_v = img.transpose(Image.FLIP_TOP_BOTTOM) # 垂直翻转重采样滤镜对比：
| 滤镜 | 速度 | 质量 | 适用场景 |
|---|---|---|---|
Image.NEAREST | 最快 | 最差 | 像素艺术 |
Image.BILINEAR | 快 | 一般 | 快速预览 |
Image.BICUBIC | 中等 | 较好 | 一般缩放 |
Image.LANCZOS | 慢 | 最好 | 高质量缩放（默认） |
2.2 C 对比：手动缩放
// C 中双线性缩放——你需要手动遍历每个目标像素
void bilinear_scale(uint8_t *src, uint8_t *dst,
int sw, int sh, int dw, int dh, int ch) {
for (int y = 0; y < dh; y++) {
for (int x = 0; x < dw; x++) {
float sx = (float)x / dw * sw;
float sy = (float)y / dh * sh;
int x0 = (int)sx, y0 = (int)sy;
int x1 = min(x0 + 1, sw - 1);
int y1 = min(y0 + 1, sh - 1);
for (int c = 0; c < ch; c++) {
float v00 = src[(y0 * sw + x0) * ch + c];
float v10 = src[(y0 * sw + x1) * ch + c];
float v01 = src[(y1 * sw + x0) * ch + c];
float v11 = src[(y1 * sw + x1) * ch + c];
dst[(y * dw + x) * ch + c] = /* 插值公式 */;
}
}
}
}Python 一行：
resized = img.resize((256, 256), Image.LANCZOS)第三节：颜色模式转换与像素操作
3.1 颜色模式
img = Image.open('photo.jpg') # RGB
gray = img.convert('L') # 灰度 (8-bit)
rgba = img.convert('RGBA') # 带 alpha 通道
cmyk = img.convert('CMYK') # 印刷四色
binary = img.convert('1') # 二值（黑白，每像素1bit）常见模式速查：
| 模式 | 通道数 | 每像素位数 | 用途 |
|---|---|---|---|
1 | 1 | 1 bit | 二值图（黑白） |
L | 1 | 8 bit | 灰度图 |
LA | 2 | 8+8 bit | 灰度+透明 |
RGB | 3 | 24 bit | 真彩色 |
RGBA | 4 | 32 bit | 真彩色+透明 |
CMYK | 4 | 32 bit | 印刷色 |
3.2 像素级访问
pixel = img.getpixel((10, 20)) # 返回 (R, G, B) 元组
img.putpixel((10, 20), (255, 0, 0)) # 将该像素设为红色对 C 程序员的对应：
// C: 通过指针偏移访问像素
uint8_t *p = data + (y * width + x) * channels;
uint8_t r = p[0], g = p[1], b = p[2];Pillow 的 getpixel/putpixel 适合单点操作，但性能极差——每次调用都涉及 Python 函数调用和坐标检查。批量操作应该用：
pixels = list(img.getdata()) # 获取所有像素的扁平列表
# 或直接用 numpy（下一章详细讲）
getpixel/putpixel对应 C 中的指针偏移，但 Python 的函数调用开销使它们比 C 慢 100-1000 倍。需要批量像素操作时，请跳转到 OpenCV+Numpy。
3.3 像素直方图统计
hist = img.histogram() # 每个通道 256 个桶
r_hist = hist[0:256] # R 通道直方图
g_hist = hist[256:512] # G 通道直方图
b_hist = hist[512:768] # B 通道直方图第四节：滤镜与增强
4.1 内置滤镜
from PIL import Image, ImageFilter
img = Image.open('test.jpg')
blurred = img.filter(ImageFilter.BLUR) # 均值模糊
sharpened = img.filter(ImageFilter.SHARPEN) # 锐化
edges = img.filter(ImageFilter.FIND_EDGES) # 边缘检测
emboss = img.filter(ImageFilter.EMBOSS) # 浮雕效果
detail = img.filter(ImageFilter.DETAIL) # 细节增强
# 自定义核（kernel）——这正是 C 中卷积的本质
custom_kernel = ImageFilter.Kernel(
(3, 3),
[-1, -1, -1, -1, 8, -1, -1, -1, -1],
scale=1, offset=0
)
edge_enhanced = img.filter(custom_kernel)4.2 对比 C 中的卷积实现
// C 手写 3x3 卷积——你需要管理边界、步长、累加器
void convolve3x3(uint8_t *src, uint8_t *dst,
int w, int h, int c,
float kernel[9]) {
for (int y = 1; y < h - 1; y++) {
for (int x = 1; x < w - 1; x++) {
for (int ch = 0; ch < c; ch++) {
float sum = 0;
for (int dy = -1; dy <= 1; dy++)
for (int dx = -1; dx <= 1; dx++)
sum += src[((y+dy)*w + (x+dx))*c + ch]
* kernel[(dy+1)*3 + (dx+1)];
dst[(y*w + x)*c + ch] = (uint8_t)fmaxf(0, fminf(255, sum));
}
}
}
}Pillow 一行：
img.filter(ImageFilter.Kernel((3,3), kernel))核矩阵就是 C 中的 kernel[9] 数组——概念完全一致，区别在于 Pillow 帮你处理了边界条件（补零/扩展/镜像）和溢出裁剪。
4.3 ImageEnhance 增强模块
from PIL import ImageEnhance
enhancer = ImageEnhance.Brightness(img)
brighter = enhancer.enhance(1.5) # 1.0=原图, >1 更亮, <1 更暗
contrast = ImageEnhance.Contrast(img).enhance(1.3)
color = ImageEnhance.Color(img).enhance(2.0)
sharp = ImageEnhance.Sharpness(img).enhance(2.0)练习
以下题目用于验证本章所学内容：
| 题号 | 题目 | 链接 | 涉及知识点 |
|---|---|---|---|
| 48 | 旋转图像 | https://leetcode.cn/problems/rotate-image/ | 图像旋转、矩阵变换 |
| 733 | 图像渲染 | https://leetcode.cn/problems/flood-fill/ | 图像填充、DFS/BFS |
| 832 | 翻转图像 | https://leetcode.cn/problems/flipping-an-image/ | 图像水平翻转与反转 |