Python图像处理项目中批量文件处理的操作步骤【教程】

日期：2025-12-12 00:00 / 作者：舞夢輝影

批量处理图像需用pathlib递归扫描常见格式文件，配合PIL安全缩放并保存至独立输出目录，加try-except防中断、tqdm显进度、multiprocessing提效，确保源数据不被覆盖。

批量处理图像文件在Python项目中很常见，比如统一调整尺寸、批量转格式、加水印或提取特征。核心是用好os、glob或pathlib遍历文件，再配合PIL（Pillow）或OpenCV做具体操作。关键不是写死单个路径，而是构建可复用的路径扫描+任务执行流程。

准备环境与基础依赖

确保已安装必要库：

pip install pillow（推荐用于常规图像读写、缩放、格式转换）
如需处理视频帧或高级计算机视觉任务，再加pip install opencv-python
用pathlib更现代简洁（Python 3.4+ 内置，无需额外安装）

安全地批量读取指定类型图像文件

别用os.listdir()硬过滤，容易漏掉子目录或误读隐藏文件。推荐用pathlib.Path递归匹配：

from pathlib import Path
img_dir = Path("input_images")
支持通配符，自动忽略大小写（如 .JPG 和 .jpg 都命中）
image_paths = list(img_dir.rglob(".[jJ][pP][gG]")) + \
list(img_dir.rglob(".[pP][nN][gG]")) + \
list(img_dir.rglob("*.[tT][iI][fF]"))
或更简洁地用 casefold 处理后缀
image_paths = [p for p in img_dir.rglob(".") 
if p.suffix.casefold() in {".jpg", ".jpeg", ".png", ".tiff", ".bmp"}]

这样能覆盖常见格式，也便于后续扩展。

逐个处理并保存到新目录（不覆盖原图）

批量操作务必避免覆盖原始数据。建议按“输入→处理→输出”分离路径，并自动创建目标文件夹：

from PIL import Image

output_dir = Path("resized_images") output_dir.mkdir(exist_ok=True) # 确保输出目录存在

for img_path in image_paths: try: with Image.open(img_path) as im:

示例：等比缩放到最大边为800像素

        im.thumbnail((800, 800), Image.Resampling.LANCZOS)
        # 保存时保持原格式，输出名不变，仅改路径
        save_path = output_dir / img_path.name
        # PNG保留透明通道，JPG转RGB避免报错
        if save_path.suffix.lower() == ".png":
            im.save(save_path)
        else:
            if im.mode in ("RGBA", "LA", "P"):
                im = im.convert("RGB")
            im.save(save_path, quality=95)
except Exception as e:
    print(f"跳过 {img_path.name}：{e}")

加try...except防止某张图损坏导致整个流程中断。

进阶技巧：加进度提示与并行加速

处理几百张以上图片时，加进度条提升体验；CPU密集型任务（如滤镜、重采样）可用multiprocessing提速：

用tqdm显示进度：pip install tqdm，然后在循环前加for img_path in tqdm(image_paths, desc="处理中"):
并行处理示例（适合多核CPU）：from multiprocessing import Pool，把单图处理逻辑封装成函数，再用pool.map(process_one_image, image_paths)
注意：PIL图像对象不能直接跨进程传递，建议只传文件路径，每个子进程自己打开和保存

基本上就这些。核心是路径管理清晰、错误有兜底、输出不污染源数据。实际项目中再根据需求叠加旋转、裁剪、批量重命名或写入EXIF等操作即可。