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Devmax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Devmax！