图像处理并非遥不可及，Python生态中的Pillow和OpenCV让像素级操作变得直观。Pillow作为Python Imaging Library的延续，擅长图像格式转换、基础滤镜和绘制；OpenCV则提供了更底层、高性能的算法实现，尤其在边缘检测、直方图均衡、颜色空间转换上优势明显。将两者组合使用，可以轻松实现对比度拉伸、素描滤镜、复古胶片效果甚至简单的老照片修复。下面通过几个实战案例，拆解完整的开发流程和关键代码。
一、基础增强：亮度、对比度与锐化
图像增强最常用的操作是调整亮度和对比度。在Pillow中，我们可以使用ImageEnhance模块。它包含四个子增强器：Color（色彩平衡）、Contrast（对比度）、Brightness（亮度）和Sharpness（锐度）。每个增强器的enhance方法接收一个浮点数，1.0表示原图，大于1则增强，小于1则减弱。例如，将亮度提升为原来的1.5倍，代码只需三行。
from PIL import Image, ImageEnhance
img = Image.open("input.jpg")
bright_enhancer = ImageEnhance.Brightness(img)
bright_img = bright_enhancer.enhance(1.5)
bright_img.save("brightened.jpg")
如果希望自适应增强，即根据图像平均亮度动态调整，可以先计算灰度均值。OpenCV读取图片后转换为灰度图，用cv2.mean()获取平均值，当均值低于某阈值时加大增强系数，否则适当抑制。这种自适应逻辑能避免过曝或欠曝，尤其在处理手机拍摄的逆光照片时很实用。配合ImageEnhance.Contrast，进一步拉伸直方图，让暗部细节显现。
锐化则属于高频增强。OpenCV的filter2D函数允许自定义卷积核。一个常用的锐化核为：中心权重5，上下左右各-1。若核矩阵为[[0,-1,0],[-1,5,-1],[0,-1,0]]，应用后边缘会得到加强。另一种拉普拉斯锐化核是[[-1,-1,-1],[-1,8,-1],[-1,-1,-1]]，并将结果叠加回原图。这两种方式能显著提升图像清晰度，但需控制强度，避免产生振铃伪影。
二、素描特效：从边缘检测到反向合成
素描效果的核心是提取图像边缘并模拟铅笔线条。实现方案通常分为三步：灰度化、边缘检测、颜色反转与合成。首先用OpenCV的cvtColor将原图转为灰度，接着使用GaussianBlur平滑降噪，再用Canny或Laplacian算子提取边缘。Canny算子的双阈值机制能过滤掉弱边缘，得到干净线条，但可能丢失部分细节。改用Laplacian算子后取绝对值，可以得到更密集的纹理，更接近素描质感。
import cv2
import numpy as np
img = cv2.imread("photo.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray_blur = cv2.GaussianBlur(gray, (5,5), 0)
edges = cv2.Canny(gray_blur, 50, 150)
# 反色得到白底黑线
sketch = cv2.bitwise_not(edges)
cv2.imwrite("sketch.jpg", sketch)
要模拟炭笔涂抹的粗糙感，可以在边缘图基础上添加噪声或进行形态学操作。例如使用cv2.dilate膨胀边缘，让线条变粗，再混合少量高斯噪声。通过Pillow的ImageOps.invert也能完成反色，但OpenCV的bitwise_not效率更高。如果追求手绘草图效果，还可以对灰度图先做自适应阈值处理，cv2.adaptiveThreshold能够根据局部区域动态设定阈值，产生不连续、粗细变化的笔触，更贴近真实素描。
三、复古胶片滤镜：颜色映射与暗角叠加
胶片效果常由色调偏移、颗粒感和暗角组成。色调偏移可以通过在RGB通道上应用曲线实现，OpenCV的LUT（查找表）是最快的方法。预先定义一条S形曲线映射表，对每个像素值重新映射，可以让高光偏暖、阴影偏冷。例如，增加红色通道在高光区的响应，降低蓝色通道在暗部的值，即可营造怀旧的橙青色调。
import numpy as np
import cv2
img = cv2.imread("input.jpg")
# 创建色调曲线
lut = np.zeros((256, 1, 3), dtype=np.uint8)
for i in range(256):
# 高光增强红色, 暗部降低蓝色
lut[i,0,2] = np.clip(i + 30, 0, 255) # R通道
lut[i,0,0] = np.clip(i - 20, 0, 255) # B通道
lut[i,0,1] = i # G通道不变
warm_img = cv2.LUT(img, lut)
暗角模拟是通过创建一个径向渐变蒙版，与原图相乘。生成一个与图像同尺寸的单通道矩阵，中心值为1，向四周衰减到0.5左右。可以用np.linspace和广播机制构造，或者计算每个像素到中心的距离并映射。叠加时需要注意数据类型转换，使用cv2.multiply并指定缩放因子。胶片颗粒可用随机高斯噪声叠加，通过np.random.normal生成噪声矩阵，按一定强度混合到各通道，再用cv2.addWeighted融合，就能得到粗糙的颗粒感。
最后，为了更贴近真实胶片，还可以加入漏光效果。创建一张渐变色图片，以叠加模式(例如cv2.addWeighted或不透明度混合)与原图结合，模拟胶片边缘因光线泄漏产生的偏色光斑。这些操作全部基于像素级运算，不需要任何深度学习模型，执行速度很快，适合实时预览。
四、实用组合：批量处理与老照片修复思路
将上述特效封装成函数后，可以轻松实现对文件夹内所有图像的批量处理。使用os.listdir遍历图片文件，结合PIL.Image.open和cv2.imread读取，依次调用增强、滤镜流水线，最后保存。需要注意Pillow读取为RGB格式，OpenCV读取为BGR格式，互相转换可使用cv2.cvtColor(img, cv2.COLOR_BGR2RGB)和Image.fromarray。
老照片修复往往需要去除划痕和褪色校正。划痕可以通过中值滤波或cv2.inpaint算法修复，但需要手动提供划痕掩膜。一个简易方案是先用Canny检测细长线条，作为掩膜传给inpaint函数，利用周围像素填充。褪色则可以通过直方图均衡化或基于Retinex的色彩恢复算法来解决，OpenCV的createCLAHE能进行自适应直方图均衡，对改善局部对比度很有效。再将整体色调曲线向暖色偏移，即可营造时光感。
如果追求自动化，可以引入简单的目标检测找出照片主体的区域，避免暗角和划痕影响到人物面部。虽然这已经跨入计算机视觉范畴，但利用OpenCV的Haar级联检测器或HOG特征，可以初步定位人脸，并针对人脸区域单独进行美化增强。Pillow和OpenCV的组合让这些步骤变得连贯，无需频繁切换库或学习复杂API。
通过本文的案例，可以看到Pillow和OpenCV在图像特效与增强上的互补性：Pillow处理格式和基础滤镜得心应手，OpenCV则适合复杂的像素操作和性能敏感场景。只要掌握了图像数据结构、通道操作和卷积概念，就能快速搭建自己的图像处理管道，甚至扩展到视频逐帧特效。