python读图命令与效率汇总

python读图命令汇总

python可以用来读图的命令有：

库（版本）	函数
opencv-python (4.2.0)	cv2.imread
imageio（2.8.0）	imageio.imread
skimage.io (0.16.2)	skimage.io.imread
matplotlib.pyplot (3.1.3)	matplotlib.pyplot.imread
matplotlib.image (3.1.3)	matplotlib.image.imread
PIL.Image (7.1.2)	PIL.Image.open & np.array
tensorflow (2.1)	tf.io.read_file & tf.io.decode_image

各个函数读进来的图片数据有些不同，主要有（以下测试不包含tensorflow）：

• cv2读入的图片通道顺序是BGR，其他均为RGB
• cv2读进来的jpg图片即使调整通道顺序后与其他的函数读入的也不同（仅jpg不同），存在一点点误差（其他函数的读取结果均相同，但不见得是cv2解码效果比其他的差，很有可能是cv2解码效果优于其他所有）
• matplotlib读取的png图像的数值范围是[0, 1]的float型，转为[0, 255]的uint8型后结果与其他一样

各个函数读图效率对比

先摆结果，测试代码放后面，有兴趣的话可以在自己电脑上测测。我的CPU是G4560，比较烂。

结果

表中数字表示读取一张1920 x 1080的图片的平均耗时，单位是ms。测试方法是反复读取同一张图片1000次，然后计算平均耗时。

综合来说，除了tensorflow在读jpg图像时效率明显有优势外，其他均是cv2表现最佳。
如果有需要无损保存图片，从后期再使用时的读图效率来看，bmp大大优于png。png占的空间稍小一点，假如不缺那点磁盘空间的话，建议用bmp。

bmp格式是无损不压缩，png格式是无损压缩。为了做到无损，png的压缩比一般不是非常高，具体要看图像内容，如果是自然拍摄的图像或者内容非常丰富的图像，那么压缩比一般不高，如果是内容简单，色彩也非常简单（如纯色图）的图像，那么压缩比还是非常可观的。

函数	jpg	png	bmp
cv2.imread	31.87	50.99	9.10
imageio.imread	44.02	59.82	17.07
skimage.io.imread	43.37	65.91	19.10
matplotlib.pyplot.imread	44.18	72.30	12.91
matplotlib.image.imread	38.90	67.61	12.72
PIL.Image.open & np.array	45.67	60.84	17.44
tf.io.read_file & tf.io.decode_image	17.74	53.15	19.58

代码

# -*- coding: utf-8 -*-
import time
import cv2
import imageio
import skimage.io
import matplotlib.pyplot
import matplotlib.image

NUM = 1000


def read_time_test(image_file, read_num, func, func_name):
    jpg_file = image_file + '.jpg'
    png_file = image_file + '.png'
    bmp_file = image_file + '.bmp'
    t0 = time.time()
    for i in range(read_num):
        image = func(jpg_file)
    t_cost = time.time() - t0
    print('%s, jpg read time: %.2f' % (func_name, t_cost / read_num * 1000))

    t0 = time.time()
    for i in range(read_num):
        image = func(png_file)
    t_cost = time.time() - t0
    print('%s, png read time: %.2f' % (func_name, t_cost / read_num * 1000))

    t0 = time.time()
    for i in range(read_num):
        image = func(bmp_file)
    t_cost = time.time() - t0
    print('%s, bmp read time: %.2f' % (func_name, t_cost / read_num * 1000))


# '1' is image file name without extension
read_time_test('1', NUM, cv2.imread, 'cv2.imread')
read_time_test('1', NUM, imageio.imread, 'imageio.imread')
read_time_test('1', NUM, skimage.io.imread, 'skimage.io.imread')
read_time_test('1', NUM, matplotlib.pyplot.imread, 'matplotlib.pyplot.imread')
read_time_test('1', NUM, matplotlib.image.imread, 'matplotlib.image.imread')

PIL.Image.open()本身的读取效率极快，但是读入的数据类型并不能直接被使用（类型是PIL.JpegImagePlugin.JpegImageFile，PIL.PngImagePlugin.PngImageFile，PIL.BmpImagePlugin.BmpImageFile等之类），需要使用np.array()转换为ndarray后才能正常使用（转换耗费了99%以上的时间）。如果把图片读为ndarray作为最终目的，那么PIL的效率并没有什么优势。另提醒一声，PIL库安装时候的名字叫pillow：pip install pillow。

# -*- coding: utf-8 -*-
import time
from PIL import Image
import numpy as np

NUM = 1000

t0 = time.time()
for i in range(NUM):
    image = Image.open('1.jpg')
    image = np.array(image)
t_cost = time.time() - t0
print('PIL.Image.open, jpg read time: %.2f' % (t_cost / NUM * 1000))

t0 = time.time()
for i in range(NUM):
    image = Image.open('1.png')
    image = np.array(image)
t_cost = time.time() - t0
print('PIL.Image.open, png read time: %.2f' % (t_cost / NUM * 1000))

t0 = time.time()
for i in range(NUM):
    image = Image.open('1.bmp')
    image = np.array(image)
t_cost = time.time() - t0
print('PIL.Image.open, bmp read time: %.2f' % (t_cost / NUM * 1000))

tensorflow类似PIL，也需要两条命令配合才能真正读取图片，tensorflow读取jpeg图片的效率相对较高，读取png和bmp相比较其他读图函数没有什么优势。

# -*- coding: utf-8 -*-
import time
import tensorflow as tf

NUM = 1000

t0 = time.time()
for i in range(NUM):
    image_file = tf.io.read_file('1.jpg')
    image = tf.io.decode_image(image_file)
t_cost = time.time() - t0
print('PIL.Image.open, jpg read time: %.2f' % (t_cost / NUM * 1000))
print(image.shape, type(image))

t0 = time.time()
for i in range(NUM):
    image_file = tf.io.read_file('1.png')
    image = tf.io.decode_image(image_file)
t_cost = time.time() - t0
print('PIL.Image.open, png read time: %.2f' % (t_cost / NUM * 1000))
print(image.shape, type(image))

t0 = time.time()
for i in range(NUM):
    image_file = tf.io.read_file('1.bmp')
    image = tf.io.decode_image(image_file)
t_cost = time.time() - t0
print('PIL.Image.open, bmp read time: %.2f' % (t_cost / NUM * 1000))
print(image.shape, type(image))