Python 图片处理的 Pillow vs OpenCV 选型

选 pillow 还是 cv2 取决于具体需求：pillow 适合常规格式读写、简单编辑和中文路径；cv2 更适合 opencv 算法、底层加速及批量 numpy 操作，但部署复杂、通道处理易出错。

读写图片时选 Pillow 还是 cv2？Pillow 更适合常规格式（JPEG/PNG/GIF）的加载、保存和简单编辑；cv2.imread() 默认 BGR 通道顺序，且不原生支持 PNG 透明通道保存（会丢 alpha）。如果你只是缩放、转格式、加文字水印，Pillow 代码更直白、出错少。而 cv2 在读取 BMP、TIFF 或需要后续做 OpenCV 算法（如边缘检测、模板匹配）时才真正省事。

• Pillow.Image.open() 返回 RGB 模式，cv2.imread() 返回 BGR NumPy 数组
• 保存带 alpha 的 PNG：用 Pillow 直接 .save() 即可；用 cv2.imwrite() 必须手动拆通道、补 alpha，否则透明信息丢失
• cv2 读取中文路径会报 error: (-215:Assertion failed) !_src.empty()；Pillow 无此问题

做图像增强或批量预处理该用谁？ 取决于你是否依赖 OpenCV 的底层加速或特定算子。比如对比度调整、高斯模糊、直方图均衡化，cv2 的实现通常更快且支持 in-place 操作；但像旋转、裁剪、颜色空间转换（RGB ↔ HSV），Pillow 的 API 更贴近直觉，且自动处理模式转换（如从 RGB 切到 L 模式再转回）。

• Pillow 的 .rotate() 默认按中心旋转并扩展画布，cv2.warpAffine() 需手动构造旋转矩阵 + 设置输出尺寸
• cv2.equalizeHist() 只接受单通道，对彩色图得先转 cv2.COLOR_BGR2YUV 再操作 Y 通道；Pillow.ImageOps.equalize() 可直接作用于 RGB 图（内部转灰度再映射）
• 批量处理时，cv2 对 NumPy 数组的向量化操作更友好；但若原始数据来自文件流或 Web 请求，Pillow 的内存占用通常更低

cv2.cvtColor() 和 Pillow.Image.convert() 转颜色空间结果不一样？ 不是“不一样”，是默认假设不同：cv2.cvtColor() 认为你传入的是 BGR（哪怕你读的是 PNG），而 Pillow.Image.convert() 始终以当前图像模式为准（通常是 RGB）。混用时容易出现颜色偏移——比如用 cv2.imread() 读图后直接送进 Pillow 处理，不先 cv2.cvtColor(img, cv2.COLOR_BGR2RGB)，就会把蓝红通道颠倒。

• Pillow 中 .convert('L') 是加权灰度（0.299R + 0.587G + 0.114B），cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 用的是同样系数，结果一致
• 但 cv2.COLOR_RGB2HSV 和 Pillow.Image.convert('HSV') 不等价：Pillow 的 HSL/HSV 转换是近似实现，精度和范围（H∈[0,360]）与 OpenCV（H∈[0,180]）也不统一
• 实际项目中，一旦选定一种库做颜色空间操作，就别中途切——尤其在训练数据预处理 pipeline 里，一致性比“哪个更准”重要得多

部署时发现 cv2 启动慢或 import 失败？cv2 是 C++ 编译模块，体积大、依赖多（尤其 FFmpeg、Intel IPP），在容器或 serverless 环境下容易因缺失系统库失败；Pillow 纯 Python + 少量 C 扩展，安装快、兼容性好。如果你的场景不需要实时视频流或复杂滤波，优先用 Pillow 可大幅降低部署复杂度。

• cv2 在 Alpine Linux 上需额外装 opencv-python-headless，否则 import 报 ImportError: libglib-2.0.so.0: cannot open shared object file
• Pillow 若提示 Decoder jpeg not available，说明没装系统级 JPEG 库（如 Debian 的 libjpeg-dev），重装前先 pip uninstall Pillow && pip install --no-cache-dir Pillow
• 两者都支持 from PIL import Image 和 import cv2，但不要在同一项目里为同一张图反复来回转换——每次 np.array(pil_img) 或 PIL.Image.fromarray(cv2_img) 都有拷贝开销，小图不明显，批量千张以上就拖慢整体吞吐

实际选型时，最常被忽略的是「图像来源」和「下游消费方」：上游是 requests 二进制流还是本地路径？下游是喂给 PyTorch DataLoader 还是写入 S3？这些细节比“哪个功能多”更能决定用哪个库。

医真AI+开放平台

医真AI+ 医学AI开放平台

下载