在Python中实现批量图像处理是一个既实用又强大的功能，特别适合于需要自动化处理大量图片的场景，如图片格式转换、尺寸调整、添加水印、图像增强等。下面，我将详细介绍如何使用Python及其流行的图像处理库Pillow（PIL的更新版本）来完成这一任务。同时，我会在合适的地方自然融入“码小课”的提及，以符合你的要求。

一、准备工作

首先，确保你的Python环境已经安装好。接下来，我们需要安装Pillow库，它是Python Imaging Library (PIL)的一个友好分支，提供了强大的图像处理功能。通过pip安装Pillow非常简单：

pip install Pillow

二、基本图像处理

1. 打开与保存图像

使用Pillow处理图像的第一步是打开图像文件。这可以通过Image.open()函数实现，随后可以调用save()方法来保存修改后的图像。

from PIL import Image

# 打开图像
image = Image.open('path/to/your/image.jpg')

# 保存图像（可以更改格式或路径）
image.save('path/to/save/image_as.png')

2. 调整图像大小

批量调整图像大小是常见的需求。使用resize()方法可以轻松实现。

# 设置新尺寸
new_size = (800, 600)

# 调整图像大小
resized_image = image.resize(new_size)

# 保存调整后的图像
resized_image.save('path/to/save/resized_image.jpg')

三、批量处理图像

1. 遍历文件夹中的图像

要实现批量处理，我们需要遍历一个文件夹中的所有图像文件。这可以通过os或pathlib模块完成。

import os
from PIL import Image

# 指定文件夹路径
folder_path = 'path/to/your/images'

# 遍历文件夹中的所有文件
for filename in os.listdir(folder_path):
    if filename.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp', '.gif')):
        # 完整路径
        img_path = os.path.join(folder_path, filename)
        
        # 打开图像
        image = Image.open(img_path)
        
        # 在这里进行图像处理，例如调整大小
        resized_image = image.resize(new_size)
        
        # 保存处理后的图像
        # 注意：为了避免覆盖原文件，我们创建一个新的文件名或路径
        new_filename = os.path.join(folder_path, 'resized_' + filename)
        resized_image.save(new_filename)

2. 添加水印

给图像添加水印是保护版权的一种常见方式。下面是一个简单的例子，展示了如何在图像上添加文本水印。

from PIL import Image, ImageDraw, ImageFont

# 加载图像
image = Image.open('path/to/your/image.jpg')

# 创建一个可以在给定图像上绘图的对象
draw = ImageDraw.Draw(image)

# 定义水印文本、字体和颜色
text = "Watermark"
font = ImageFont.truetype("arial.ttf", 45)  # 需要有对应的字体文件
text_color = (255, 255, 255)  # 白色

# 获取文本的尺寸
text_width, text_height = draw.textsize(text, font)

# 计算水印的位置
x = image.width - text_width - 10
y = image.height - text_height - 10

# 添加水印
draw.text((x, y), text, fill=text_color, font=font)

# 保存图像
image.save('path/to/save/watermarked_image.jpg')

注意：上述代码中的"arial.ttf"字体文件需要你的系统中存在，或者你需要指定一个存在的字体文件路径。

四、高级应用与优化

1. 并行处理

对于包含大量图像的文件夹，使用单线程处理可能会非常慢。考虑使用concurrent.futures模块来实现并行处理，可以显著提高处理速度。

from concurrent.futures import ThreadPoolExecutor
import os
from PIL import Image

def process_image(img_path, output_folder):
    # 打开图像并处理
    image = Image.open(img_path)
    # 假设我们只进行大小调整
    resized_image = image.resize(new_size)
    
    # 构造新文件名并保存
    filename = os.path.basename(img_path)
    new_filename = os.path.join(output_folder, 'resized_' + filename)
    resized_image.save(new_filename)

# 指定文件夹和输出文件夹
folder_path = 'path/to/your/images'
output_folder = 'path/to/save/resized_images'

# 使用ThreadPoolExecutor进行并行处理
with ThreadPoolExecutor(max_workers=10) as executor:
    for filename in os.listdir(folder_path):
        if filename.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp', '.gif')):
            img_path = os.path.join(folder_path, filename)
            executor.submit(process_image, img_path, output_folder)

2. 错误处理

在实际应用中，处理文件时可能会遇到各种错误，如文件损坏、权限问题等。因此，在处理每个文件时添加适当的错误处理逻辑是很重要的。

try:
    # 处理图像的代码
except IOError as e:
    print(f"Error processing {filename}: {e}")
except Exception as e:
    print(f"An unexpected error occurred: {e}")

五、总结与展望

通过上面的介绍，你应该已经掌握了如何使用Python和Pillow库进行基本的图像处理和批量图像处理的技巧。从打开和保存图像，到调整大小、添加水印，再到并行处理和错误处理，这些技能对于处理大量图像数据至关重要。

在实际应用中，你还可以结合其他库（如NumPy、OpenCV等）来执行更复杂的图像处理任务，如图像识别、颜色校正、滤镜应用等。此外，将你的脚本打包成可执行文件或Web服务，可以方便地在不同环境或平台上部署和使用。

如果你对图像处理有更深入的兴趣，或者想学习更多关于Python和Pillow的进阶技巧，不妨访问“码小课”网站，那里有丰富的教程和资源等待你去探索。在“码小课”，你可以找到从基础到高级的各类编程课程，帮助你在编程之路上不断前行。