python中 OpenCV和Pillow处理图像操作及时间对比

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

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 内容请搜索我们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我们！