Pillow与OpenCV互补：Pillow适合基础读写、格式转换和批量处理，OpenCV擅长算法级操作与实时任务；二者常配合使用，如Pillow读图转RGB后交由OpenCV做边缘检测或增强。
用Python做图像处理，Pillow和OpenCV是两个最常用、互补性很强的库：Pillow上手快、适合基础操作和批量处理；OpenCV功能强、适合算法级操作和实时任务。实际项目中，往往需要二者配合使用——比如用Pillow读写图像、调整格式，再用OpenCV做边缘检测或滤波增强。
基础读写与格式转换（Pillow为主）
Pillow适合处理JPG、PNG等常见格式，支持透明通道、多帧GIF，代码简洁直观：
- 用 PIL.Image.open() 读图，自动识别格式；.convert("RGB") 统一色彩模式，避免OpenCV处理时出错（OpenCV默认BGR）
- 保存前注意：OpenCV输出的是NumPy数组（dtype=uint8），需用 PIL.Image.fromarray() 转换，且传入前确保是RGB顺序（可用 cv2.cvtColor(img, cv2.COLOR_BGR2RGB)）
- 批量重命名+缩放示例：遍历文件夹，用 .thumbnail((300, 300), resample=Image.LANCZOS) 高质量等比缩略，再保存
经典图像增强技巧（Pillow + OpenCV组合）
增强不是“加滤镜”，而是有针对性地提升信息可读性。例如OCR前增强文字对比度，或医学图像中突出边缘结构：
- 直方图均衡化：Pillow用 ImageOps.equalize() 快速全局均衡；OpenCV用 cv2.equalizeHist()（仅限单通道），彩色图需先转YUV或LAB，对L通道操作更自然
- 锐化与细节增强：Pillow的 ImageFilter.UnsharpMask(radius=2, percent=150) 简单有效；OpenCV可用高斯模糊减原图构造高频掩模（sharpened = img + 0.8 * (img - blurred)）
- 噪声抑制：Pillow不擅长降噪；OpenCV推荐 cv2.fastNlMeansDenoisingColored()（彩色图）或 cv2.bilateralFilter()（保边去噪），参数需根据噪声强度微调
实用特效实现（OpenCV主导，Pillow辅助）
很多“酷炫效果”本质是像素级数学运算，理解原理比套代码更重要：
立即学习“Python免费学习笔记（深入）”；
- 素描效果：先灰度化 → 高斯模糊 → 用 cv2.divide() 做倒数除法（类似“底片反色+提亮”），再叠加原始灰度图增强纹理
- 老照片泛黄：用Pillow在RGB三通道叠加暖色偏移（如R+10, G+5, B-5），再加轻微颗粒噪点（np.random.normal(0, 3, img.shape).astype(np.uint8)）
- 动态模糊（运动模糊）：OpenCV无直接函数，但可用自定义卷积核：kernel = np.zeros((15, 15)); kernel[7, :] = 1/15，再用 cv2.filter2D() 卷积
避坑提醒与调试建议
新手常卡在数据类型、通道顺序和内存布局上：
- Pillow图像为 (W, H)，OpenCV/Numpy为 (H, W, C) —— 显示时用 plt.imshow() 要注意是否转置；用 cv2.imshow() 必须是BGR且dtype=uint8
- 做算术运算前检查 img.dtype：浮点型图像（如归一化后的0–1）不能直接传给Pillow或cv2.imshow()，需先 np.clip() 并 astype(np.uint8)
- 内存不足？用 gc.collect() 手动清理；处理大图时优先用Pillow的 .load() 惰性加载，或OpenCV的 cv2.IMREAD_REDUCED_* 标志降采样读取
真正实用的图像处理项目，不追求特效堆砌，而在于明确目标后选择最轻量、稳定、可复现的组合方式。Pillow和OpenCV不是非此即彼，而是各司其职——把Pillow当“胶水”，OpenCV当“手术刀”，多数问题就清晰了。
