python 批量resize性能比较

本文对比了Python中使用OpenCV和Torch进行文件夹批量resize的性能,发现Torch速度最快但CPU占用高,而某方法几乎不耗时。同时提到了文件夹批量改名的操作。
摘要由CSDN通过智能技术生成

目录

文件夹批量resize

文件夹批量改名


文件夹批量resize

torch是最快的,能快1ms

分别是5ms 9ms  6ms,但是torch 占用cpu很高。

python opencv代码:

# -*- coding: utf-8 -*-  
import glob
import cv2
import os
import time
def resize(dir_path,to_dir,to_size,to_shape):
    os.makedirs(to_dir, exist_ok=True)
    g = os.walk(dir_path)
    img_files = ['%s/%s' % (i[0], j) for i in g for j in i[-1] if j.endswith(( 'png', 'jpeg', 'JPG'))]
    # img_files = ['%s/%s' % (i[0], j) for i in g for j in i[-1] if j.endswith(('jpg', 'png', 'jpeg', 'JPG'))]

    index = 0
    for file in img_files:
        img = cv2.imread(file)  #
Python 修改图片像素分辨率的一种常见方式是使用PIL (Python Imaging Library) 或者其后续版本,称为Pillow。下面是使用Pillow库批量修改图片分辨率的基本步骤: ### 安装Pillow库 首先,需要安装Pillow库。如果还没有安装,可以使用pip命令进行安装: ```bash pip install pillow ``` ### 编写脚本修改图片分辨率 假设我们有多个图片文件位于同一目录下,并希望将所有图片的宽度和高度调整到特定尺寸。 #### 创建一个函数用于修改单张图片的分辨率 ```python from PIL import Image def resize_image(file_path, width, height): try: # 打开图片文件 img = Image.open(file_path) # 使用Lanczos插值进行缩放 resized_img = img.resize((width, height), resample=Image.LANCZOS) # 保存修改后的图片 resized_img.save(f'resized_{file_path}') except Exception as e: print(f"Error processing {file_path}: {e}") # 调整的宽度和高度 new_width = 800 new_height = 600 # 图片路径列表 image_files = ['path_to_your/image_1.jpg', 'path_to_your/image_2.png', ...] for file in image_files: resize_image(file, new_width, new_height) ``` ### 解释上述代码 1. **导入必要的模块**:`Image` 类来自 Pillow 库,提供处理图像的功能。 2. **定义 `resize_image` 函数**:这个函数接收图片文件路径、新宽度和新高度作为参数。 - 首先尝试打开图片并加载进来。 - 利用 `.resize()` 方法调整图片大小,参数 `(width, height)` 表示目标尺寸,`resample=Image.LANCZOS` 保证了平滑的放大效果。 - 最后将调整后的图片保存,命名格式为 `resized_{原文件名}`。 - 如果在操作过程中发生异常,则打印错误信息并继续处理其他图片。 ### 运行脚本 运行上述脚本即可完成对指定目录内所有图片的批量分辨率调整任务。记得替换 `image_1.jpg`, `image_2.png` 等为实际的图片文件名称以及它们所在的路径。 ### 相关问题: 1. 是否可以在不改变图片尺寸的情况下只更改图片质量? 2. 如何在批量处理时忽略那些不存在或无法读取的图片文件? 3. 是否存在性能优化技巧来提高图片批量处理的速度?
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值