Python中如何比较OpenCV与Pillow在图像处理效率上的差异？

本文共计1133个文字，预计阅读时间需要5分钟。

目录+ 引言+ OpenCV与Pillow的优势对比+ 读写图像+ 读写图像+ 写图像+ 放大图像+ 旋转图像+ 引用+ 最近再做图像处理相关操作的时间优化+ 使用了OpenCV和Pillow两个库+ 两个库各有优缺点

目录

• 引言
• OpenCV和Pillow的优缺点对比
• 读写图像
• 读图像
• 写图像
• 缩放图像
• 旋转图像

引言

• 最近再做图像处理相关的操作的时间优化，用到了OpenCV和Pillow两个库，两个库各有优缺点。各位小伙伴需要按照自己需求选用。
• 本篇博客做了简单整理，对常用操作做了对比整理，以及给出具体运行时间说明。

OpenCV和Pillow的优缺点对比

库优点缺点OpenCV由C和C++编写，跨平台，有着多个语言的实现，部署比较方便对显示中文支持较差、Python下常用函数不是太好看-_-!Pillow常用函数操作封装较好，对显示中文字体有着很好的支持处理时间较慢

测试环境：

• OS: Windows10
• Python: 3.7.13
• OpenCV: 4.6.0.66
• numpy: 1.21.6
• Pillow: 9.2.0

测试图像 ：

• PNG图像： test_demo.png
• JPG图像：test_demo.jpg

读取图像的通道顺序区别：

• OpenCV读取图像，通道顺序是：BGR
• Pillow读取图像，通道顺序是：RGB

获得图像shape区别：

• OpenCV.shape是(height, width, channel
• Pillow.size是(width, height）

示例代码：

import cv2 from PIL import Image img_path = 'images/test_demo.png' cv_img = cv2.imread(img_path) height, width, channel = cv_img.shape pillow_img = Image.open(img_path) width, height = pillow_img.size

读写图像

读图像

示例代码：

import cv2 from PIL import Image import numpy as np png_img_path = 'images/test_demo.png' jpg_img_path = 'images/test_demo.jpg' # 由jupyter notebook中魔法命令：%%timeit测得 # 169 ms ± 1.68 ms per loop (mean ± std. dev. of 7 runs, 10 loops each) cv_img = cv2.imread(png_img_path) # 52.9 ms ± 541 µs per loop (mean ± std. dev. of 7 runs, 10 loops each) cv_img = cv2.imread(jpg_img_path) # 300 ms ± 8.45 ms per loop (mean ± std. dev. of 7 runs, 1 loop each) pillow_img = Image.open(png_img_path) pillow_img = np.array(pillow_img) # 47.4 ms ± 1.87 ms per loop (mean ± std. dev. of 7 runs, 10 loops each) pillow_img = Image.open(jpg_img_path) pillow_img = np.array(pillow_img)

小结：

• 读取图像格式为PNG，且都转为np.array格式，优先选择OpenCV。
• 读取图像格式为JPG，且都转为np.array格式，速度相差不大，按需选取即可。

写图像

示例代码：

save_png_path = 'output/result.png' save_jpg_path = 'output/result.jpg' cv_img = cv2.imread(png_img_path) pillow_img = Image.open(png_img_path) # 346 ms ± 11.5 ms per loop (mean ± std. dev. of 7 runs, 1 loop each) cv2.imwrite(save_png_path, cv_img) # 158 ms ± 4.03 ms per loop (mean ± std. dev. of 7 runs, 10 loops each) cv2.imwrite(save_jpg_path, cv_img) # 2.81 s ± 38.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each) pillow_img.save(save_png_path) # 51.3 ms ± 1.72 ms per loop (mean ± std. dev. of 7 runs, 10 loops each) t = pillow_img.convert('RGB') t.save(save_jpg_path)

小结：

• 写图像格式为PNG，优先选择OpenCV。
• 写图像格式为JPG，选择Pillow。

缩放图像

示例代码：

png_img_path = 'images/test_demo.png' resize_shape = (2048, 2048) cv_img = cv2.imread(png_img_path) pillow_img = Image.open(png_img_path) # 6.93 ms ± 173 µs per loop (mean ± std. dev. of 7 runs, 100 loops each) cv2.resize(cv_img, resize_shape, interpolation=cv2.INTER_CUBIC) # 151 ms ± 2.21 ms per loop (mean ± std. dev. of 7 runs, 10 loops each) pillow_img.resize(resize_shape, resample=Image.Resampling.BICUBIC)

小结： OpenCV速度完胜Pillow

旋转图像

示例代码：

angle = 38 # 23.6 ms ± 732 µs per loop (mean ± std. dev. of 7 runs, 10 loops each) h, w = cv_img.shape[:2] M = cv2.getRotationMatrix2D((w / 2, h / 2), angle, 1) rot_img = cv2.warpAffine(cv_img, M, (w, h)) # 82.1 ms ± 2.37 ms per loop (mean ± std. dev. of 7 runs, 10 loops each) rot_img_pillow = np.array(pillow_img.rotate(angle))

小结：OpenCV速度完胜Pillow

总结：

• 如果可以选择，优先选择OpenCV处理图像
• Pillow可以用来处理显示中文相关问题

到此这篇关于python中 OpenCV和Pillow处理图像操作及时间对比的文章就介绍到这了,更多相关python OpenCV处理图像 内容请搜索自由互联以前的文章或继续浏览下面的相关文章希望大家以后多多支持自由互联！