浅析Python 读取图像文件的性能对比

使用 python 读取一个保存在本地硬盘上的视频文件，视频文件的编码方式是使用的原始的 rgba 格式写入的，即无压缩的原始视频文件。最开始直接使用 python 对读取到的文件数据进行处理，然后显示在 matplotlib 窗口上，后来发现视频播放的速度比同样的处理逻辑的 c++ 代码慢了很多，尝试了不同的方法，最终实现了在 python 中读取并显示视频文件，帧率能够达到 120 fps 以上。

读取一帧图片数据并显示在窗口上

最简单的方法是直接在 python 中读取文件，然后逐像素的分配 rgb 值到窗口中，最开始使用的是 matplotlib 的 pyplot 组件。

一些用到的常量：

file_name = "i:/video.dat"
width = 2096
height = 150
channels = 4
pack_size = width * height * channels

每帧图片的宽度是 2096 个像素，高度是 150 个像素，channels 指的是 rgba 四个通道，因此 pack_size 的大小就是一副图片占用空间的字节数。

首先需要读取文件。由于视频编码没有任何压缩处理，大概 70s 的视频（每帧约占 1.2m 空间，每秒 60 帧）占用达 4gb 的空间，所以我们不能直接将整个文件读取到内存中，借助 python functools 提供的 方法，我们可以每次从文件中读取一小部分数据，将 partial 用 iter 包装起来，变成可迭代的对象，每次读取一帧图片后，使用 next 读取下一帧的数据，接下来先用这个方法将保存在文件中的一帧数据读取显示在窗口中。

with open( file, 'rb') as f:
  e1 = cv.gettickcount()
  records = iter( partial( f.read, pack_size), b'' ) # 生成一个 iterator
  frame = next( records ) # 读取一帧数据
  img = np.zeros( ( height, width, channels ), dtype = np.uint8)
  for y in range(0, height):
    for x in range( 0, width ):
      pos = (y * width + x) * channels
      for i in range( 0, channels - 1 ):
        img[y][x][i] = frame[ pos + i ]
      img[y][x][3] = 255
  plt.imshow( img )
  plt.tight_layout()
  plt.subplots_adjust(left=0, right=1, top=1, bottom=0)
  plt.xticks([])
  plt.yticks([])
  e2 = cv.gettickcount()
  elapsed = ( e2 - e1 ) / cv.gettickfrequency()
  print("time used: ", elapsed )
  plt.show()

需要说明的是，在保存文件时第 4 个通道保存的是透明度，因此值为 0，但在 matplotlib （包括 opencv）的窗口中显示时第 4 个通道保存的一般是不透明度。我将第 4 个通道直接赋值成 255，以便能够正常显示图片。

这样就可以在我们的窗口中显示一张图片了，不过由于图片的宽长比不协调，使用 matplotlib 绘制出来的窗口必须要缩放到很大才可以让图片显示的比较清楚。

为了方便稍后的性能比较，这里统一使用 提供的 gettickcount 方法测量用时。可以从控制台中看到显示一张图片，从读取文件到最终显示大概要用 1.21s 的时间。如果我们只测量三层嵌套循环的用时，可以发现有 0.8s 的时间都浪费在循环上了。

读取并显示一帧图片用时 1.21s

在处理循环上用时 0.8s

约百万级别的循环处理，同样的代码放在 c++ 里面性能完全没有问题，在 python 中执行起来就不一样了。在 python 中这样的处理速度最多就 1.2 fps。我们暂时不考虑其他方法进行优化，而是将多帧图片动态的显示在窗口上，达到播放视频的效果。

连续读取图片并显示

这时我们继续读取文件并显示在窗口上，为了能够动态的显示图片，我们可以使用 动态显示图片，之前的程序需要进行相应的改动:

fig = plt.figure()
ax1 = fig.add_subplot(1, 1, 1)
try:
  img = np.zeros( ( height, width, channels ), dtype = np.uint8)
  f = open( file_name, 'rb' )
  records = iter( partial( f.read, pack_size ), b'' )
  
  def animatefromdata(i):
    e1 = cv.gettickcount()
    frame = next( records ) # drop a line data
    for y in range( 0, height ):
      for x in range( 0, width ):
        pos = (y * width + x) * channels
        for i in range( 0, channels - 1 ):
          img[y][x][i] = frame[ pos + i]
        img[y][x][3] = 255
    ax1.clear()
    ax1.imshow( img )
    e2 = cv.gettickcount()
    elapsed = ( e2 - e1 ) / cv.gettickfrequency()
    print( "fps: %.2f, used time: %.3f" % (1 / elapsed, elapsed ))

  a = animation.funcanimation( fig, animatefromdata, interval=30 ) # 这里不要省略掉 a = 这个赋值操作
  plt.tight_layout()
  plt.subplots_adjust(left=0, right=1, top=1, bottom=0)
  plt.xticks([])
  plt.yticks([])
  plt.show()
except stopiteration:
  pass
finally:
  f.close()

和第 1 部分稍有不同的是，我们显示每帧图片的代码是在 animatefromdata 函数中执行的，使用 matplotlib.animation.funcanimation 函数循环读取每帧数据（给这个函数传递的 interval = 30 这个没有作用，因为处理速度跟不上）。另外值得注意的是不要省略掉 a = animation.funcanimation( fig, animatefromdata, interval=30 ) 这一行的赋值操作，虽然不太清楚原理，但是当我把 a = 删掉的时候，程序莫名的无法正常工作了。

控制台中显示的处理速度：

由于对 matplotlib 的了解不多，最开始我以为是 matplotlib 显示图像过慢导致了帧率上不去，打印出代码的用时后发现不是 matplotlib 的问题。因此我也使用了 pyqt5 对图像进行显示，结果依然是 1~2 帧的处理速度。因为只是换用了 qt 的界面进行显示，逻辑处理的代码依然沿用的 matplotlib.animation 提供的方法，所以并没有本质上的区别。这段用 qt 显示图片的代码来自于 ，我对其进行了一些适配。

使用 numpy 的数组处理 api

我们知道，显示图片这么慢的原因就是在于 python 处理 2096 * 150 这个两层循环占用了大量时间。接下来我们换用一种 的 方法将文件中的像素数据读取到内存中。注意 reshape 方法接收一个 ndarray 对象。我这种每帧数据创造一个 ndarray 数组的方法可能会存在内存泄漏的风险，实际上可以调用一个 ndarray 数组对象的 reshape 方法。这里不再深究。

重新定义一个用于动态显示图片的函数 optanimatefromdata，将其作为参数传递个 funcanimation：

def optanimatefromdata(i):
  e1 = cv.gettickcount()
  frame = next( records ) # one image data
  img = np.reshape( np.array( list( frame ), dtype = np.uint8 ), ( height, width, channels ) )
  img[ : , : , 3] = 255
  ax1.clear()
  ax1.imshow( img )
  e2 = cv.gettickcount()
  elapsed = ( e2 - e1 ) / cv.gettickfrequency()
  print( "fps: %.2f, used time: %.3f" % (1 / elapsed, elapsed ))

a = animation.funcanimation( fig, optanimatefromdata, interval=30 )

效果如下，可以看到使用 numpy 的 reshape 方法后，处理用时大幅减少，帧率可以达到 8~9 帧。然而经过优化后的处理速度仍然是比较慢的：

优化过的代码执行结果

使用 numpy 提供的 memmap

在用 python 进行机器学习的过程中，发现如果完全使用 python 的话，很多运算量大的程序也是可以跑的起来的，所以我确信可以用 python 解决我的这个问题。在我不懈努力下找到 numpy 提供的 api，这个 api 以数组的方式建立硬盘文件到内存的映射，使用这个 api 后程序就简单一些了：

cv.namedwindow("file")
count = 0
start = time.time()
try:
  number = 1
  while true:
    e1 = cv.gettickcount()
    img = np.memmap(filename=file_name, dtype=np.uint8, shape=shape, mode="r+", offset=count )
    count += pack_size
    cv.imshow( "file", img )
    e2 = cv.gettickcount()
    elapsed = ( e2 - e1 ) / cv.gettickfrequency()
    print("fps: %.2f used time: %.3f" % (number / elapsed, elapsed ))
    key = cv.waitkey(20)
    if key == 27: # exit on esc
      break
except stopiteration:
  pass
finally:
  end = time.time()
  print( 'file data read: {:.2f}gb'.format( count / 1024 / 1024 / 1024), ' time used: {:.2f}s'.format( end - start ) )
  cv.destroyallwindows()

将 memmap 读取到的数据 img 直接显示在窗口中 cv.imshow( "file", img)，每一帧打印出显示该帧所用的时间，最后显示总的时间和读取到的数据大小：

执行效率最高的结果

读取速度非常快，每帧用时只需几毫秒。这样的处理速度完全可以满足 60fps 的需求。

总结

python 语言写程序非常方便，但是原生的 python 代码执行效率确实不如 c++，当然了，比 js 还是要快一些。使用 python 开发一些性能要求高的程序时，要么使用 numpy 这样的库，要么自己编写一个 c 语言库供 python 调用。在实验过程中，我还使用 flask 读取文件后以流的形式发送的浏览器，让浏览器中的 js 文件进行显示，不过同样存在着很严重的性能问题和内存泄漏问题。这个过程留到之后再讲。

本文中的相应代码可以在 github 上查看。

reference

c 语言扩展

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。