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.webp
JPG图像:test_demo.webp
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.webp'
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.webp'
jpg_img_path = 'images/test_demo.webp'
# 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.webp'
save_jpg_path = 'output/result.webp'
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.webp'
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 内容请搜索易知道(ezd.cc)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易知道(ezd.cc)!