在《每天进步一点点：使用Python批量修改图片尺寸》一文中，我曾提到之所以选择使用OpenCV库而不是Pillow，是因为OpenCV库使用C++实现，而Pillow是纯Python实现，所以使用OpenCV会比Pillow高效一点点。

(图源 ：pixabay)

当我用Python+OpenCV成功实现想要的功能后，出于学习的目的，我又使用Pillow把相应功能重新实现一遍。但是在测试过程中，直观的感受是Python+Pillow反而比Python+OpenCV要快一点点。

那么在缩减图片这个操作上，两者到底谁更高效一些呢？我突然生出了将它们比较一番的心思。说干就干，与其道听途说或者盲目猜测，何不用程序拿数据说话呢？

为了更好的进行比较，我将两者缩减图片的函数调整为差不多的样子，分别如下:

def resize_image_by_opencv(file_path, scale_percent):
    print("Process by OpenCV")
    img = cv2.imread(file_path)
    width = int(img.shape[1] * scale_percent / 100)
    height = int(img.shape[0] * scale_percent / 100)
    resized_img = cv2.resize(img, (width, height))
    cv2.imwrite(file_path, resized_img)

以上代码为使用OpenCV调整图片。

def resize_image_by_pillow(file_path, scale_percent):
    print("Process by Pillow")
    img = Image.open(file_path)
    width = int(img.size[0] * scale_percent / 100)
    height = int(img.size[1] * scale_percent / 100)
    resized_img = img.resize((width, height))
    resized_img.save(file_path)

以上代码为使用Pillow调整图片。

然后在程序中加上测量耗时的代码：

import time
def main(argv=None):
    start = time.time()
    #cpu_start = time.clock()
    process_start = time.process_time()
    perf_start = time.perf_counter()

    for file_name in os.listdir(folder_path):
        if file_name.endswith('.jpg') or file_name.endswith('.png'):
            print(file_name)
            file_path = os.path.join(folder_path, file_name)
            resize_image_by_opencv(file_path, scale_percent)
            #resize_image_by_pillow(file_path, scale_percent)

    end = time.time()
    #cpu_end = time.clock()
    process_end = time.process_time()
    perf_end = time.perf_counter()
    #print("CPU Time:", cpu_end - cpu_start)
    print("Proc Time:", process_end - process_start)
    print("Exec Time:", end - start)
    print("Perf Time:", perf_end - perf_start)

接下来就是进行测试啦，从去大洋山爬山的相册中选择出38张照片，第一次运行程序，亦即使用OpenCV进行图片缩减。

这里额外说一下，在批处理文件中，我在文件第一行添加了如下语句：

color 17

上述代码的意思是将前景色设置为白色，将背景色设置为蓝色，这样看起来比较舒服（以前TC2.0以及Basic啥的界面全是这个颜色）

执行部分输出如下：

然后进行第二次测试，删除目录中的图片，重新从去大洋山爬山的相册中选择出38张照片，将main函数中调整图片尺寸的代码修改为使用Pillow，亦即：

             #resize_image_by_opencv(file_path, scale_percent)
             resize_image_by_pillow(file_path, scale_percent)

然后重新执行批处理脚本：

将两次操作中时间部分截取出来。

使用OpenCV：

Proc Time: 8.484375
Exec Time: 5.6140031814575195
Perf Time: 5.613874399998167

使用Pillow：

Proc Time: 4.65625
Exec Time: 4.69614839553833
Perf Time: 4.696085299998231

可见在调整图片尺寸这个简单的应用中，Python+Pillow要优于Python+OpenCV的。处理38张图片，实际耗时快了大约1秒左右。

这里我们还注意到一个问题，就是使用OpenCV，CPU时间的耗费要远高于Python+Pillow，大概因为不是原生Python代码，需要反复调用的缘故。

所以，至少在调整图片这个应用情形下，使用Python+Pillow无疑是最佳选择。

那么你可能会问，之前不是说：

OpenCV库使用C++实现，而Pillow是纯Python实现，所以使用OpenCV会比Pillow高效一点点。

我觉得一方面“纸上得来终觉浅，绝知此事要躬行”，不能人云亦云，道听途说，要自己实际测试一下；而另一方面，实在是调整图片尺寸只是所有图片操作中最最最简单的一个，杀鸡用牛刀，OpenCV的优势完全没有体现出来，如果要做一些极为复杂的图片操作，我相信结果会完全不一样的。

至于我做这个测试，纯属无聊，毕竟不为无益之事，何以遣有涯之生！

补充说一下代码中time.clock()的问题，在Python3.8之前可以使用如下代码来测试CPU时间：

import time
start = time.clock()
......
end =  time.clock()
print("CPU Time: ", end - start)

但是它在Linux与Windows下行为不太一致，所以Python3.8开始，就把这个移除啦，使用time.process_time()和time.perf_counter()作为替代。

看来各种程序、代码库再不断更新，我们也必须随时跟进呢，否则就落伍了呢。

好了，经过O哥一顿猛如虎的操作，每次发图片贴，又可以节省一秒的时间，好开心呀，毕竟时间就是生命，时间就是金钱呀。😊

相关链接

• 卷啊卷：使用批处理在虚拟环境中运行Python
• 每天进步一点点：使用Python批量修改图片尺寸