OpenCV-Python通常比PIL快，但取决于操作类型、图像尺寸和是否启用硬件加速；cv2.imread读JPEG比PIL快20%–40%，而PIL在仅查尺寸或EXIF时更优，颜色空间转换和隐式复制是主要性能陷阱。
OpenCV-Python 通常比 PIL 快，但不是所有场景都成立——关键看操作类型、图像尺寸、是否启用硬件加速，以及你有没有踩进 cv2.cvtColor 或 Image.fromarray 的隐式转换坑里。
cv2.imread vs Image.open：IO阶段就拉开差距
读取 JPEG 文件时，cv2.imread 默认用 libjpeg-turbo（若编译时启用了），比 PIL 的 Pillow 默认后端快 20%–40%，尤其在批量读取小图时更明显。但注意：cv2.imread 返回 BGR 格式 numpy.ndarray，而 Image.open 返回 PIL.Image.Image 对象，延迟加载；如果你只检查尺寸或格式而不真正解码像素，PIL 反而更快。
- 需要立即访问像素（如做直方图、滤波）→ 优先用
cv2.imread - 仅遍历目录、筛选尺寸、提取 EXIF → 用
Image.open+img.size，不调load() - 读取 PNG 或 WebP 时差距缩小，甚至 PIL 更稳（OpenCV 对某些 WebP 编码支持不全）
颜色空间转换是最大性能陷阱
很多人把 PIL 图转 OpenCV 做处理，再转回 PIL 保存，结果速度反而更慢——问题出在 cv2.cvtColor(img, cv2.COLOR_RGB2BGR) 和 Image.fromarray(img) 这两步。前者是深拷贝+通道重排，后者会校验 dtype 并可能触发隐式复制。
- 避免来回切换：全程用 OpenCV 处理，最后用
cv2.imwrite保存 - 必须和 PIL 交互？用
np.array(img)[:, :, ::-1]替代cv2.cvtColor(..., COLOR_RGB2BGR)（省去函数调用开销） -
Image.fromarray传入dtype=np.uint8且 shape 为 (h,w,3) 时最快；若传入 float32 或 (h,w)，它会额外做归一化和 reshape
resize / thumbnail 性能对比真实数据
对一张 4000×3000 的 JPEG 图缩放到 800×600：
Python 3.14.3
微软官方的 Python 扩展，是 VS Code 安装量最高的扩展（209M+）。集成 IntelliSense（通过 Pylance）、调试（通过 Python Debugger）、代码检查、格式化、重构和单元测试等功能。支持 Jupyter Notebook、虚拟环境管理和多 Python 版本切换。
-
cv2.resize(img, (800, 600), interpolation=cv2.INTER_AREA)：约 3.2 ms -
img.resize((800, 600), resample=Image.Resampling.BILINEAR)：约 8.7 ms -
img.thumbnail((800, 600), resample=Image.Resampling.BILINEAR)：约 5.1 ms（原地修改，少一次 copy）
OpenCV 快的主因是 INTER_AREA 专为下采样优化，而 PIL 的 resize 是通用实现。但注意：cv2.INTER_LANCZOS4 质量高但比 PIL 的 LANCZOS 还慢，别盲目选“最高质量”。
批量处理时别让 PIL 成瓶颈
处理上千张图时，PIL 的单线程解码器容易成为 IO+CPU 混合瓶颈；OpenCV 在开启 OpenMP/TBB 后可自动并行解码（需源码编译，pip 安装版默认关闭）。简单验证方法：
- 运行
cv2.getBuildInformation()，搜Parallel framework: OpenMP或TBB - 若为
None，说明你用的是 pip 安装的预编译 wheel，无并行加速 - 此时批量
cv2.imread可能不如多线程 + PILImage.open，尤其在 SSD 上
真正要提速，得自己控制并发粒度：用 concurrent.futures.ThreadPoolExecutor 配合 cv2.imread，或改用 cv2.cuda_GpuMat（需 CUDA 环境）——这时候 PIL 就完全没竞争力了。
