Python PIL 模块 vs OpenCV模块比较

众所周知，Python 中有关图像处理的库有很多，常见的有:

cv2(pip install opencv-python, import cv2)
skimage(pip install scikit-image, import skimage)
PIL(pip install Pillow, import PIL）
等等

各个深度学习框架对图像库的偏好

Pytorch中使用PIL的多，TensorFlow生态中使用OpenCV的多，Caffe和scikit-learn中使用skimage的多；OpenVINO基本使用OpenCV
在表示一组彩色图片的问题上，Theano和Caffe使用（样本数，通道数，行或称为高，列或称为宽）通道在前的方式，称为channels_first; TensorFlow使用（样本数，行或称为高，列或称为宽，通道数）通道在后的方式，称为channels_last

PIL vs OpenCV

PIL以RGB顺序载入图像，OpenCV以BGR顺序载入图像。OpenCV的早期开发人员选择BGR彩色格式的原因是，那时BGR彩色格式在相机制造商和软件提供商中很流行。例如在Windows中，当使用COLORREF指定颜色值时，它们使用BGR格式0x00bbggrr。OpenCV这种反直觉设计是出于历史原因而做出的选择，现在我们必须忍受它。
性能上OpenCV吊打PIL，参考benchmark测试数据，请将PIL升级为高性能图像处理库Pillow-SIMD
无论如何，学好OpenCV是王道

图像通道顺序的范例程序

from PIL import Image
import cv2
import numpy as np 
import matplotlib.pyplot as plt

# 构建彩色图像数据
r = np.ones((20, 10), dtype=np.uint8) * 1
g = np.ones((20, 10), dtype=np.uint8) * 10
b = np.ones((20, 10), dtype=np.uint8) * 100
# 直觉建立起来的图像数据是通道在前
img_np = np.array([r,g,b])
print(img_np.shape) # channels * rows * cols
# PIL要求图像格式是通道在后，即 rows(高)*cols(宽)*Channels(通道数)
img_np = np.moveaxis(img_np, 0, -1)
print(img_np.shape) # rows * cols * channels
img_pil = Image.fromarray(img_np)
print(img_pil) # PIL中的Size是 宽(cols)*高(cols)
#显示图像
plt.imshow(img_pil)
plt.show()
# 将数据写入文件
img_pil.save('img_pil.png')

运行结果：

(3, 20, 10)

(20, 10, 3)
<PIL.Image.Image image mode=RGB size=10x20 at 0x21E54706288>

img_pil.png

OpenCV通道范例

img_cv = cv2.imread('img_pil.png')
b,g,r  = cv2.split(img_cv) # 分割通道
print(type(img_cv))
print(img_np.shape, r.shape, b.shape, g.shape)
print(r[0],g[0],b[0])

运行结果：

<class 'numpy.ndarray'>
(20, 10, 3) (20, 10) (20, 10) (20, 10)
[1 1 1 1 1 1 1 1 1 1] [10 10 10 10 10 10 10 10 10 10] [100 100 100 100 100 100 100 100 100 100]

结论：

cv2返回的数据类型是：numpy.ndarray；
通道顺序(Channel-Last)：rows(高) * cols(宽）* channels(通道数）
颜色顺序：BGR