使用np.array()转换PIL图像时需先统一模式（如convert('RGB')），避免P/LA等模式导致异常；90°整数倍旋转优先用np.rot90()，任意角度用img.rotate()；水平/垂直翻转或90°旋转可用img.transpose()提升性能。
用 np.array() 转换 PIL 图像时要注意数据类型和通道顺序
直接调用 np.array(img) 是最快的方式，但 PIL 的 RGB 图像转成 NumPy 后是 (height, width, 3)，且 dtype 默认为 uint8 —— 这没问题；但若原图是 LA（灰度+alpha）或 P（调色板模式），会出意外：P 模式图像不转颜色表就直接转，得到的是索引数组而非 RGB 值。
- 安全做法：先统一转为
RGB或L，再转数组：np.array(img.convert('RGB')) - 若需保留 alpha 通道，用
img.convert('RGBA')，避免后续旋转后 alpha 错位 - 不要依赖
img.mode自动推断——'1'（1-bit）、'I'（32-bit int）等模式转np.array()后 dtype 会不同，影响后续计算
旋转用 np.rot90() 还是 img.rotate()？看需求场景
np.rot90() 只支持 90° 整数倍旋转，快、无插值、纯数组操作；而 img.rotate() 支持任意角度、带重采样（默认 Image.BICUBIC），但需 PIL 再转回数组，多一次内存拷贝。
- 只要 90/180/270°：优先
np.rot90(arr, k=1)（k=1→90°逆时针），比 PIL 快 3–5 倍 - 要任意角度（如 30°）或指定填充色：必须用
img.rotate(angle, expand=True, fillcolor=(0,0,0))，再转数组 - 注意
np.rot90()旋转的是最后两个轴，对 (H,W,3) 数组有效；若数组是 (3,H,W)，得先transpose或用k和axes参数显式指定
一步到位：用 img.transpose() 替代旋转 + 转数组的组合操作
如果只是水平翻转、垂直翻转或 90° 旋转，PIL 的 transpose() 方法比先转数组再用 NumPy 处理更快，且零拷贝（返回新 Image 对象，底层像素缓冲可复用）。
-
img.transpose(Image.FLIP_LEFT_RIGHT)→ 水平翻转 -
img.transpose(Image.ROTATE_90)→ 90° 逆时针（等价于np.rot90(arr, k=1)） - 之后再调
np.array()，比先转数组再np.fliplr()或np.rot90()少一次内存分配 - 但
transpose()不支持角度参数，别试图传数字进去
性能陷阱：别在循环里反复调 np.array() 和 img.rotate()
这两个操作都不是零开销：前者触发像素拷贝，后者涉及重采样计算。如果批量处理上百张图，把转换和旋转拆开做，容易成为瓶颈。
立即学习“Python免费学习笔记（深入）”；
- 批量 90° 旋转：用
[np.rot90(np.array(x.convert('RGB')), k=1) for x in pil_list]，比[np.array(x.rotate(90)) for x in pil_list]快 40%+ - 避免
img.rotate().convert('RGB').convert('L')这种链式调用——中间产生多个临时 Image 对象 - 如果最终要送入 PyTorch/TensorFlow，考虑跳过 NumPy 中间层，用
torchvision.transforms或tf.image.rot90直接处理 PIL 或 tensor
img.mode 可能分别是 'RGB'、'RGBA'、'L'，不预处理就进 np.array()，后续 reshape 或模型输入会报错。 
