3. 图像处理与滤镜：用Pillow玩转图像

图像处理，说白了就是让计算机帮我们「看」图片，然后按我们的想法去改它。Pillow这个库，是我做桌面应用时最常用的图像工具之一。它轻量、好用，而且API设计得很直观。

我记得刚入行那会儿，有个需求是要批量处理用户上传的头像——缩放、裁剪、加个模糊效果。当时我第一反应是用OpenCV，后来发现杀鸡用牛刀了。Pillow完全够用，而且代码写起来更清爽。

3.1 图像的加载与保存

先来最基础的操作。加载一张图片，用Image.open()就行。保存则用save()方法。

from PIL import Image

# 加载图像
img = Image.open('example.jpg')
print(f"图像格式: {img.format}")
print(f"图像尺寸: {img.size}")
print(f"图像模式: {img.mode}")

# 保存为不同格式
img.save('output.png')      # 保存为PNG
img.save('output.bmp')      # 保存为BMP
img.save('output.webp')     # 保存为WebP

这里有个坑，我曾经踩过——保存时如果不指定格式，Pillow会根据文件扩展名自动判断。但如果你把.jpg的文件保存为.png，它不会报错，只是内部做了格式转换。嗯，这其实挺方便的，但要注意文件大小会变化。

3.2 图像的缩放与旋转

缩放和旋转，是图像处理里最常用的两个操作。我个人习惯用resize()做缩放，用rotate()做旋转。

from PIL import Image

img = Image.open('example.jpg')

# 缩放 - 指定新尺寸
resized_img = img.resize((800, 600))
resized_img.save('resized.jpg')

# 缩放 - 按比例缩放
width, height = img.size
new_width = 400
ratio = new_width / width
new_height = int(height * ratio)
resized_ratio = img.resize((new_width, new_height))

# 旋转 - 顺时针旋转45度
rotated_img = img.rotate(45, expand=True)
rotated_img.save('rotated.jpg')

你想想看，resize()如果不指定比例，图像会变形。所以我在项目中一般先算比例，再传尺寸。rotate()有个expand=True参数，默认是False。如果不加这个参数，旋转后的图像会被裁剪，只保留原图范围内的部分。我刚开始用的时候就被坑过——旋转后的头像只剩半个脸了。

3.3 图像的裁剪

裁剪其实很简单，就是指定一个矩形区域。这个区域用(left, upper, right, lower)四个坐标表示。

from PIL import Image

img = Image.open('example.jpg')

# 裁剪 - 取左上角300x300区域
cropped_img = img.crop((0, 0, 300, 300))
cropped_img.save('cropped.jpg')

# 裁剪 - 取中心区域
width, height = img.size
left = (width - 400) // 2
top = (height - 400) // 2
right = left + 400
bottom = top + 400
center_crop = img.crop((left, top, right, bottom))
center_crop.save('center_crop.jpg')

为什么会这样？因为Pillow的坐标系原点在左上角，x轴向右，y轴向下。这个和很多图像库是一致的。我做过一个截图工具，就是靠crop()加上鼠标拖拽实现的——用户选区域，我算坐标，然后裁剪。

3.4 滤镜效果：模糊与边缘检测

滤镜这块，Pillow提供了ImageFilter模块。常用的有模糊、锐化、边缘检测等。我个人觉得，做桌面应用时，模糊和边缘检测是最实用的两个。

from PIL import Image, ImageFilter

img = Image.open('example.jpg')

# 高斯模糊 - 半径越大越模糊
blurred_img = img.filter(ImageFilter.GaussianBlur(radius=5))
blurred_img.save('blurred.jpg')

# 普通模糊
blur_img = img.filter(ImageFilter.BLUR)
blur_img.save('blur.jpg')

# 边缘检测
edge_img = img.filter(ImageFilter.FIND_EDGES)
edge_img.save('edges.jpg')

# 轮廓增强
contour_img = img.filter(ImageFilter.CONTOUR)
contour_img.save('contour.jpg')

我曾经做过一个图片编辑器，用户上传照片后可以一键添加「素描效果」。其实就是先用FIND_EDGES提取边缘，再和原图做混合。效果还挺唬人的。

3.5 综合示例：批量处理工具

最后，我写一个综合示例。假设你要批量处理一批图片：先缩放到统一尺寸，再裁剪成正方形，最后加个模糊效果。嗯，这个需求我在做用户头像上传功能时遇到过。

from PIL import Image, ImageFilter
import os

def batch_process(input_dir, output_dir, size=256, blur_radius=2):
    """
    批量处理图片：缩放 -> 中心裁剪 -> 模糊
    """
    if not os.path.exists(output_dir):
        os.makedirs(output_dir)
    
    for filename in os.listdir(input_dir):
        if filename.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp')):
            filepath = os.path.join(input_dir, filename)
            
            # 加载
            img = Image.open(filepath)
            
            # 缩放 - 保持比例
            img.thumbnail((size, size), Image.LANCZOS)
            
            # 中心裁剪成正方形
            width, height = img.size
            min_side = min(width, height)
            left = (width - min_side) // 2
            top = (height - min_side) // 2
            img = img.crop((left, top, left + min_side, top + min_side))
            
            # 模糊
            img = img.filter(ImageFilter.GaussianBlur(radius=blur_radius))
            
            # 保存
            output_path = os.path.join(output_dir, f"processed_{filename}")
            img.save(output_path)
            print(f"已处理: {filename}")

# 使用示例
batch_process('input_images', 'output_images', size=256, blur_radius=3)

这个函数里，我用thumbnail()而不是resize()，是因为thumbnail()会自动保持宽高比，不会变形。这是我在项目中踩坑后养成的习惯。

3.6 避坑指南

最后，分享几个我踩过的坑：

• 图像模式问题：有些滤镜不支持RGBA模式（带透明通道）。我遇到过FIND_EDGES在RGBA图上报错。解决办法是先转成RGB：img.convert('RGB')。
• 大图处理：如果图片很大（比如4000x3000），直接resize()会占用大量内存。我建议先thumbnail()缩小，再做其他操作。
• 格式兼容性：WebP格式在旧版Pillow中不支持。如果你要处理WebP，确保Pillow版本>=8.0。我有个项目就因为这个在客户机器上崩了。

好了，图像处理的基础操作就这些。说白了，Pillow就是让你用几行代码搞定图片的加载、保存、缩放、旋转、裁剪和滤镜。下一章我们会聊更高级的图像合成和绘制，到时候会用到ImageDraw和ImageEnhance，敬请期待。