图像处理入门010 | Pillow 与 OpenCV 对比：双库图像读写实战

系列：《图像处理算法入门 144 期》· 模块二：数字图像基础操作
标签：OpenCV / Pillow / PIL / 图像读写 / 性能对比 / 入门

一、前言

上一期（009）我们深入讲解了 OpenCV 的 imread / imshow 全解析，掌握了 flags 参数、BGR 陷阱和安全读取封装。本期进入 M02 的第二期，主题是 Pillow 与 OpenCV 的对比实战。

Python 图像处理领域有两大主流库：

1. OpenCV（cv2）：C++ 底座的计算机视觉库，性能强劲，生态庞大
2. Pillow（PIL）：Pythonic 的图像处理库，接口友好，格式支持广泛

很多初学者会问：我该学哪个？ 答案是：两个都要学，且要知道何时用哪个。

本期通过同一操作双库实现、API 风格对比、格式支持矩阵、性能基准测试和互转方法，帮你建立清晰的选择框架。

二、API 风格对比：两种哲学

2.1 读取图像

import cv2
from PIL import Image

# OpenCV 读取
img_cv = cv2.imread("photo.jpg", cv2.IMREAD_COLOR)
print(type(img_cv))      # <class 'numpy.ndarray'>
print(img_cv.shape)      # (H, W, 3) —— 高、宽、通道
print(img_cv.dtype)      # uint8

# Pillow 读取
img_pil = Image.open("photo.jpg")
print(type(img_pil))     # <class 'PIL.JpegImagePlugin.JpegImageFile'>
print(img_pil.size)      # (W, H) —— 宽、高（注意顺序！）
print(img_pil.mode)      # 'RGB'

核心差异一览：

关键陷阱：Pillow 的 size 是 (W, H)，而 OpenCV 的 shape 是 (H, W, C)——宽度高度的顺序正好相反。

2.2 属性访问对比

2.3 可视化对比

三、格式支持矩阵

3.1 两库格式支持对比

3.2 可视化矩阵

选择建议：

• 需要处理 GIF 动画 / 多层 TIFF → Pillow
• 需要处理 RAW / PDF / PSD → OpenCV（有限支持）+ 专用工具
• 通用格式（JPEG/PNG/WebP）→ 两库均可

四、性能基准测试

4.1 测试环境

• Python 3.13.12
• OpenCV 5.0.0
• Pillow 12.3.0
• NumPy 2.5.2
• 测试图像：600×400 PNG， iterations = 50

4.2 测试结果

4.3 结果分析

重要说明：Pillow 读取快是因为它采用惰性加载——Image.open() 只读取文件头信息，真正解码像素是在后续访问时。如果立即 np.array(img)，耗时会与 OpenCV 接近。

4.4 可视化基准测试

五、两库互转方法

在实际项目中，经常需要两库混用。掌握互转方法是必备技能。

5.1 OpenCV → Pillow

import cv2
from PIL import Image
import numpy as np

# OpenCV 读取的是 BGR ndarray
cv_img = cv2.imread("photo.jpg")  # shape=(H, W, 3), BGR

# 方法 1：cvtColor + fromarray（推荐）
pil_img = Image.fromarray(
    cv2.cvtColor(cv_img, cv2.COLOR_BGR2RGB)
)

# 方法 2：通道反转 + fromarray（等价，略快但可读性差）
pil_img = Image.fromarray(cv_img[:, :, ::-1])

5.2 Pillow → OpenCV

from PIL import Image
import cv2
import numpy as np

# Pillow 读取的是 RGB Image
pil_img = Image.open("photo.jpg")  # size=(W, H), RGB

# 方法：np.array + cvtColor（推荐）
cv_img = cv2.cvtColor(
    np.array(pil_img), cv2.COLOR_RGB2BGR
)

5.3 互转流程图

5.4 互转一致性验证

# 验证：CV -> PIL -> CV 是否一致
cv_img = cv2.imread("photo.jpg")
pil_img = Image.fromarray(cv2.cvtColor(cv_img, cv2.COLOR_BGR2RGB))
cv_back = cv2.cvtColor(np.array(pil_img), cv2.COLOR_RGB2BGR)

assert np.allclose(cv_img, cv_back)  # ✅ 通过

实践建议：在项目中封装一个 cv2pil() 和 pil2cv() 工具函数，避免每次都写转换代码。

六、选择决策树

                    开始
                      │
          ┌───────────┼───────────┐
          ▼           ▼           ▼
       处理视频    格式转换/    深度学习
       /摄像头    批量处理      预处理
          │           │           │
          ▼           ▼           ▼
       OpenCV      Pillow      OpenCV
       ✅          ✅          ✅
          │           │           │
          └───────────┴───────────┘
                      │
              需要像素级矩阵运算？
              /NumPy 生态集成？
                      │
              ┌───────┴───────┐
              是              否
              │               │
              ▼               ▼
           OpenCV          Pillow
           ✅ (ndarray)    ✅ (更轻量)

七、产品与工具推荐

7.1 移动端

7.2 专业级

7.3 推荐组合

八、常见问题排查（FAQ）

九、扩展练习

1. 入门：编写 cv2pil(cv_img) 和 pil2cv(pil_img) 两个工具函数，并验证互转后像素值完全一致。

2. 进阶：读取 10 张不同格式图像（JPG/PNG/BMP/GIF/TIFF），分别用 OpenCV 和 Pillow 读取，比较读取耗时和内存占用差异。

3. 挑战：编写一个批量格式转换脚本，支持以下功能：

   • 输入：文件夹路径 + 源格式 + 目标格式
   • 输出：转换后的图像保存到 output/ 目录
   • 要求：同时支持 OpenCV 和 Pillow 两种后端，根据格式自动选择最优后端
   • 提示：用本期格式支持矩阵做决策规则

十、本期小结

下期（第 011 期）：图像基本属性：尺寸、通道、数据类型——shape / dtype / size 全解析，图像属性查询方法、类型转换与边界处理。