Python图像读写方法对比
1 实验标准
因为训练使用的框架是Pytorch，因此读取的实验标准如下：
1、读取分辨率都为1920x1080的5张图片（png格式一张，jpg格式四张）并保存到数组。
2、将读取的数组转换为维度顺序为CxHxW的Pytorch张量，并保存到显存中（我使用GPU训练），其中三个通道的顺序为RGB。
3、记录各个方法在以上操作中所耗费的时间。因为png格式的图片大小差不多是质量有微小差异的jpg格式的10倍，所以数据集通常不会用png来保存，就不比较这两种格式的读取时间差异了。
写入的实验标准如下：
1、将5张1920x1080的5张图像对应的Pytorch张量转换为对应方法可使用的数据类型数组。
2、以jpg格式保存五张图片。
3、记录各个方法保存图片所耗费的时间。
2 实验情况
2.1 cv2
因为有GPU，所以cv2读取图片有两种方式：
1、先把图片都读取为一个numpy数组，再转换成保存在GPU中的pytorch张量。
2、初始化一个保存在GPU中的pytorch张量，然后将每张图直接复制进这个张量中。
第一种方式实验代码如下：
importos,torch
importcv2ascv
importnumpyasnp
fromtimeimporttime
read_path='D:test'
write_path='D:test\\write\\'
#cv2读取1
start_t=time()
imgs=np.zeros([5,1080,1920,3])
forimg,iinzip(os.listdir(read_path),range(5)):
img=cv.imread(filename=os.path.join(read_path,img))
imgs[i]=img
imgs=torch.tensor(imgs).to('cuda')[...,[2,1,0]].permute([0,3,1,2])/255
print('cv2读取时间1：',time()-start_t)
#cv2保存
start_t=time()
imgs=(imgs.permute([0,2,3,1])[...,[2,1,0]]*255).cpu().numpy()
foriinrange(imgs.shape[0]):
cv.imwrite(write_path+str(i)+'.jpg',imgs[i])
print('cv2保存时间：',time()-start_t)
实验结果：
cv2读取时间1：0.39693760871887207
cv2保存时间：0.3560612201690674
第二种方式实验代码如下：
importos,torch
importcv2ascv
importnumpyasnp
fromtimeimporttime
read_path='D:test'
write_path='D:test\\write\\'
#cv2读取2
start_t=time()
imgs=torch.zeros([5,1080,1920,3],device='cuda')
forimg,iinzip(os.listdir(read_path),range(5)):
img=torch.tensor(cv.imread(filename=os.path.join(read_path,img)),device='cuda')
imgs[i]=img
imgs=imgs[...,[2,1,0]].permute([0,3,1,2])/255
print('cv2读取时间2：',time()-start_t)
#cv2保存
start_t=time()
imgs=(imgs.permute([0,2,3,1])[...,[2,1,0]]*255).cpu().numpy()
foriinrange(imgs.shape[0]):
cv.imwrite(write_path+str(i)+'.jpg',imgs[i])
print('cv2保存时间：',time()-start_t)
实验结果：
cv2读取时间2：0.23636841773986816
cv2保存时间：0.3066873550415039
2.2 matplotlib
同样两种读取方式，第一种代码如下：
importos,torch
importnumpyasnp
importmatplotlib.pyplotasplt
fromtimeimporttime
read_path='D:test'
write_path='D:test\\write\\'
#matplotlib读取1
start_t=time()
imgs=np.zeros([5,1080,1920,3])
forimg,iinzip(os.listdir(read_path),range(5)):
img=plt.imread(os.path.join(read_path,img))
imgs[i]=img
imgs=torch.tensor(imgs).to('cuda').permute([0,3,1,2])/255
print('matplotlib读取时间1：',time()-start_t)
#matplotlib保存
start_t=time()
imgs=(imgs.permute([0,2,3,1])).cpu().numpy()
foriinrange(imgs.shape[0]):
plt.imsave(write_path+str(i)+'.jpg',imgs[i])
print('matplotlib保存时间：',time()-start_t)
实验结果：
matplotlib读取时间1：0.45380306243896484
matplotlib保存时间：0.768944263458252
第二种方式实验代码：
importos,torch
importnumpyasnp
importmatplotlib.pyplotasplt
fromtimeimporttime
read_path='D:test'
write_path='D:test\\write\\'
#matplotlib读取2
start_t=time()
imgs=torch.zeros([5,1080,1920,3],device='cuda')
forimg,iinzip(os.listdir(read_path),range(5)):
img=torch.tensor(plt.imread(os.path.join(read_path,img)),device='cuda')
imgs[i]=img
imgs=imgs.permute([0,3,1,2])/255
print('matplotlib读取时间2：',time()-start_t)
#matplotlib保存
start_t=time()
imgs=(imgs.permute([0,2,3,1])).cpu().numpy()
foriinrange(imgs.shape[0]):
plt.imsave(write_path+str(i)+'.jpg',imgs[i])
print('matplotlib保存时间：',time()-start_t)
实验结果：
matplotlib读取时间2：0.2044532299041748
matplotlib保存时间：0.4737534523010254
需要注意的是，matplotlib读取png格式图片获取的数组的数值是在[0,1][0,1]范围内的浮点数，而jpg格式图片却是在[0,255][0,255]范围内的整数。所以如果数据集内图片格式不一致，要注意先转换为一致再读取，否则数据集的预处理就麻烦了。
2.3 PIL
PIL的读取与写入并不能直接使用pytorch张量或numpy数组，要先转换为Image类型，所以很麻烦，时间复杂度上肯定也是占下风的，就不实验了。
2.4 torchvision
torchvision提供了直接从pytorch张量保存图片的功能，和上面读取最快的matplotlib的方法结合，代码如下：
importos,torch
importmatplotlib.pyplotasplt
fromtimeimporttime
fromtorchvisionimportutils
read_path='D:test'
write_path='D:test\\write\\'
#matplotlib读取2
start_t=time()
imgs=torch.zeros([5,1080,1920,3],device='cuda')
forimg,iinzip(os.listdir(read_path),range(5)):
img=torch.tensor(plt.imread(os.path.join(read_path,img)),device='cuda')
imgs[i]=img
imgs=imgs.permute([0,3,1,2])/255
print('matplotlib读取时间2：',time()-start_t)
#torchvision保存
start_t=time()
foriinrange(imgs.shape[0]):
utils.save_image(imgs[i],write_path+str(i)+'.jpg')
print('torchvision保存时间：',time()-start_t)
实验结果：
matplotlib读取时间2：0.15358829498291016
torchvision保存时间：0.14760661125183105
可以看出这两个是最快的读写方法。另外，要让图片的读写尽量不影响训练进程，我们还可以让这两个过程与训练并行。另外，utils.save_image可以将多张图片拼接成一张来保存，具体使用方法如下：
utils.save_image(tensor=imgs,#要保存的多张图片张量shape=[n,C,H,W] fp='test.jpg',#保存路径 nrow=5,#多图拼接时，每行所占的图片数 padding=1,#多图拼接时，每张图之间的间距 normalize=True,#是否进行规范化，通常输出图像用tanh，所以要用规范化 range=(-1,1))#规范化的范围
以上就是Python图像读写方法对比的详细内容，更多关于python图像读写的资料请关注毛票票其它相关文章！