摘要：想象一下这个场景：你有一批总计 200 张图片，需要手动裁剪、调整大小或者清理。这是一个“看似简单”的任务，但当你意识到每一个像素都至关重要时，这个“快速脚本”就会变成一个整整一个周末的大项目。
Python 图像处理：Pillow、OpenCV 和 Scikit-Image 对比
想象一下这个场景：你有一批总计 200 张图片，需要手动裁剪、调整大小或者清理。这是一个“看似简单”的任务，但当你意识到每一个像素都至关重要时，这个“快速脚本”就会变成一个整整一个周末的大项目。
这就是为什么在图像处理中，自动化是如此重要。它不仅是图个方便，更是一种提升效率、实现规模化的关键手段。比如，你需要为电商网站批量调整产品图大小、自动识别并裁剪照片中的人脸、为机器学习模型清理嘈杂的医疗扫描图像，或者在训练 CNN 前将整个数据集的图片转换为灰度。手动完成这些工作，无疑是生产力的巨大浪费。
好消息是，Python 的生态系统已经足够成熟，为我们提供了三个经过实战检验的图像处理库：Pillow、OpenCV 和 Scikit-Image。每个库都有其独特的优势、特点和最适用的场景。接下来，我将深入剖析它们之间的区别，告诉你何时选择哪个库，以及如何利用它们自动化常见的工作流程，让你从此告别重复造轮子。
Pillow 是 Python Imaging Library（PIL）的继任者，通常是开发者们踏入图像处理领域的第一站。它以简单、直接著称，非常适合处理一些基础任务，比如调整图像大小、裁剪、应用滤镜以及格式转换。
Pillow 的优势在于它的简洁。不需要复杂的依赖，安装后就能立即上手。如果你只需要在一个晚上批量调整 500 张产品图的大小，Pillow 绝对是你的首选。
用 Pillow 实现批量调整图片大小的脚本非常简单。
from PIL import Imageimport osfolder = "images/"for file in os.listdir(folder): if file.endswith(".jpg"): img = Image.open(os.path.join(folder, file)) img_resized = img.resize((256, 256)) img_resized.save(f"resized_{file}")这段代码简洁明了，没有多余的步骤。正是这种简洁性，使得 Pillow 非常适合集成到各种自动化任务中，例如 ETL 脚本（数据抽取、转换、加载）、定时任务（cron jobs）或者数据预处理流程。
Pillow 的自动化优势在于它的轻量级和易于集成。当你需要在现有系统中添加一个简单的图像处理功能时，比如在用户上传图片后自动生成缩略图，Pillow 是最高效的选择。它不需要庞大的依赖库，启动速度快，是处理文件处理任务的理想工具。
如果说 Pillow 是轻便的万能工具，那么 OpenCV 就是拥有所有工具的“百宝箱”。它是一个庞大且功能丰富的库，专为高性能的计算机视觉任务而设计。OpenCV 的底层是用 C++编写的，因此执行速度非常快，特别适合对性能要求高的场景。
OpenCV 最擅长的是计算机视觉任务，例如人脸检测、边缘检测、轮廓分析以及实时处理。当你的任务涉及到从图像中“理解”内容，而不仅仅是修改像素时，OpenCV 的强大功能就会显现出来。
想象一下，你有一张多人合影，需要将每个人的脸部都裁剪出来。用 Photoshop 手动操作会非常耗时，但 OpenCV 可以轻松实现。
import cv2face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + "haarcascade_frontalface_default.xml")img = cv2.imread("group_photo.jpg")gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)faces = face_cascade.detectMultiScale(gray, 1.3, 5)for i, (x, y, w, h) in enumerate(faces): face = img[y:y+h, x:x+w] cv2.imwrite(f"face_{i}.jpg", face)这段代码通过加载预训练的人脸检测模型，自动识别出图片中的人脸，并将它们逐一保存为单独的图片。
OpenCV 的自动化优势在于其强大的性能和实时处理能力。它非常适合用于实时视频流处理、安防监控系统，或者需要速度至上的机器学习预处理流程。当你的项目需要处理大量的视频数据或进行实时对象追踪时，OpenCV 是不可替代的选择。
如果说 Pillow 是简单的，OpenCV 是工业级的，那么 Scikit-Image 则是面向科研的。它与 NumPy 和 SciPy 等科学计算库无缝集成，非常适合需要精确控制的数据科学家。Scikit-Image 的强项在于研究和高级分析，如图像分割、特征提取、去噪和滤波。
与 OpenCV 和 Pillow 不同，Scikit-Image 更侧重于算法的精确性和科学性。它提供了许多在科研领域常用的高级图像处理算法，帮助你从图像中提取出更有价值的信息。
图像分割是指将图像中的像素划分为不同的区域，这是一个非常复杂的任务。但使用 Scikit-Image，你只需几行代码就能完成。
from skimage import io, filtersimage = io.imread("cells.png", as_gray=True)threshold = filters.threshold_otsu(image)binary = image > thresholdio.imsave("segmented.png", (binary * 255).astype("uint8"))这段代码利用 Otsu 阈值算法，将图像自动分割成有意义的区域。这个在 Photoshop 中需要花费数小时的任务，在 Scikit-Image 中只需三行代码就能完成。
Scikit-Image 的自动化优势在于其对像素级精度的掌控。它非常适合用于医学影像处理流水线、科学实验或者需要对数据集进行像素级精确处理的场景。如果你正在进行机器学习研究，需要为模型提取精确的特征，Scikit-Image 无疑是你的最佳选择。
现在我们来通过一个表格，直观地比较一下这三个库的特点。
从这个表格中，我们可以清晰地看到它们的定位。
如果你要构建一个快速的工具，比如批量处理图片，那么 Pillow 是你的首选。如果你需要人脸识别或实时物体追踪，那么 OpenCV 是不二之选。如果你在研究实验室或构建机器学习数据集，Scikit-Image 将提供你所需的精确控制。在实际项目中，很多时候会需要将这三个库结合起来使用。这并不是因为它们是竞争对手，而是因为它们是完美的队友。通过将它们组合，你可以构建一个既简单、又快速、还精确的自动化工作流。
一个常见的例子是：
首先，使用Pillow来调整和规范化图像，确保它们具有统一的大小和格式。然后，使用OpenCV来检测图像中的物体或人脸，找到感兴趣的区域。最后，使用Scikit-Image对这些区域进行特征提取，以便输入到机器学习模型中进行进一步分析。这种分层自动化的方法，可以确保你在不过度设计的情况下，获得简单、速度和精确性。
手动处理图像不仅耗时，而且容易出错。当你面对成千上万张杂乱无章的图片时，不要慌张。花点时间，用这三个强大的 Python 库构建一个小型自动化流水线，然后让 Python 为你完成所有繁重的工作。
正如计算机科学家 Donald Knuth 所说：“真正的问题在于，程序员们在错误的地方花费了太多时间去担心效率，却没有花足够的时间去担心正确性”。
而用合适的库自动化图像处理流程，正是你在日后会感谢自己的“正确”选择。
来源：高效码农
