用numpy直接访问像素值比pil.getpixel()快得多，因后者时间复杂度为o(w×h)，而numpy支持向量化操作；正确转换方式是np.array(img)，避免对pil.image对象直接切片。
用 numpy 直接访问像素值比 PIL.Image.getpixel() 快得多
逐个调用 getpixel() 处理整张图，时间复杂度是 O(W×H)，在 1024×768 图像上可能卡顿数秒；而 numpy 把图像转成数组后，所有像素可向量化操作。常见错误是直接对 PIL.Image 对象做切片或布尔索引——这会报 TypeError: 'Image' object is not subscriptable。
正确做法：
- 用
np.array(img)转换（img是PIL.Image实例），得到 shape 为(H, W)（灰度）或(H, W, 3)（RGB）的ndarray - RGB 图注意通道顺序：PIL 默认是 RGB，OpenCV 是 BGR，混用会导致颜色分析出错
- 若后续要用 OpenCV 函数（如
cv2.cvtColor），建议统一转成np.uint8，避免浮点运算误差
提取纹理特征时，skimage.feature.greycomatrix() 的 distances 和 angles 参数必须匹配
灰度共生矩阵（GLCM）常被用来算对比度、相关性等纹理指标，但传入不一致的 distances 和 angles 长度会导致 ValueError: distances and angles must have same length。更隐蔽的问题是：默认 symmetric=False，但多数论文和实际场景需要对称矩阵（即考虑 (i,j) 和 (j,i) 两个方向），否则统计结果偏差明显。
实操建议：
- 常用组合：
distances=[1], angles=[0, np.pi/4, np.pi/2, 3*np.pi/4]（4 方向） - 务必设
symmetric=True，再调用skimage.feature.greycoprops() - 输入图像需先转灰度并归一化到 0–255 整数范围（
img_as_ubyte），否则 GLCM binning 失效
cv2.calcHist() 返回的是二维数组，不是直方图图像
新手常误以为 cv2.calcHist() 输出可直接显示，结果 plt.imshow() 报错或显示乱码。它返回的是 shape 为 (bins, 1) 的 ndarray，本质是频次统计向量，不是图像数据。
正确用法：
- 画直方图用
plt.hist()或plt.plot(hist.ravel())，别用imshow - 多通道分别计算时，注意
channels参数是列表（如[0, 1, 2]），histSize和ranges必须与通道数对齐 - 若要用于后续匹配（如
cv2.compareHist()），确保两图直方图 bin 数和 range 完全一致，否则比较无意义
用 skimage.feature.hog() 提取 HOG 特征时，block_norm 显著影响分类效果
HOG 特征对光照变化鲁棒，但默认 block_norm='L2-Hys' 在小样本或低分辨率图像上容易过拟合；而 'L1' 或 'L2' 在某些嵌入式部署场景下数值溢出风险更高。一个常被忽略的细节：HOG 输出是一维向量，长度由 orientations、pixels_per_cell、cells_per_block 共同决定，硬编码 reshape 可能出错。
稳妥做法：
- 先用
feature_vector=True（默认），拿到 flat 向量；若需保留空间结构，设feature_vector=False，输出 shape 为(n_blocks_y, n_blocks_x, n_orientations) - 调试时打印
len(hog_features)，确认与理论长度一致：(H // cell_h - block_h + 1) * (W // cell_w - block_w + 1) * orientations - 批量处理多图前，统一缩放到固定尺寸（如 64×128），否则 block 划分逻辑失效
实际项目里，像素级分析最耗时的环节往往不是算法本身，而是数据类型转换和内存布局——比如 PIL 的 RGB vs OpenCV 的 BGR、float32 vs uint8、C-contiguous vs F-contiguous 数组。这些隐式转换不报错，但会让特征值漂移几个百分点。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
