ローカル実測/画像処理

PillowとOpenCVのローカル画像処理を比較

この記事の料金・仕様は時点で各社の公式ページを確認したものです。

同じ画像が二つの道具で縮小と拡大をされる様子を表した抽象イラスト

手元のMacで測った、リサイズの結果と時間の違いを案内します。どちらを使うか、置き換える前に何を確かめるかの目安も載せます。

結論

処理時間を優先したい人は
このMacの測定では、OpenCVのほうが処理時間が短い結果でした。画像処理をすでにOpenCVで組んでいるなら、リサイズも同じ道具に任せる判断が自然です。
出力画像を以前と同じにしたい人は
同じ名前のフィルタでも、両ライブラリの出力は一致しませんでした。入れ替えるなら、先に出力を見比べてから決めてください。

1/4への縮小を200回くり返すと、Pillowは232389750ナノ秒、OpenCVは18817500ナノ秒でした。 ナノ秒は10億分の1秒です。バイリニア(近くの点の値を混ぜる方法)、OpenCV1スレッド、1回目の値です。

予想と違ったのは、速さより出力でした。同じ名前の設定で動かしても、7つの操作のどれも2つの出力がバイト単位で一致しませんでした。

拡大縮小:全7操作でOpenCVの中央値が短かった

今回の環境では、縮小4操作と拡大3操作のすべてで、OpenCVの処理時間の中央値がPillowより短くなりました。 差の大きさは操作ごとにかなり違います。

入力は整数演算だけで作った人工のRGB画像(1024×768)です。 縮小は256×192、拡大は2048×1536に変え、Pillowの4種類とOpenCVの4種類を対応する組で測りました。

項目PillowOpenCV(1スレッド)
縮小バイリニア(200回・1回目)232389750ナノ秒18817500ナノ秒
縮小ボックス/エリア(200回・1回目)147764000ナノ秒6465584ナノ秒
縮小バイキュービック(200回・1回目)467967083ナノ秒152757750ナノ秒
拡大ランチョス(20回・1回目)630850792ナノ秒536926625ナノ秒

縮小のバイリニアとボックス/エリアでは、差が1桁以上ありました。 拡大のランチョスは、1スレッド条件の中央値で約1.15倍まででした。

出力画像:同じ名前でも結果は一致しない

7つの操作すべてで、PillowとOpenCVの出力はバイト一致しませんでした。 同じ名前のフィルタでも、中の計算は同じではないようです。

縮小のバイリニアは差が大きく、最大差は119、平均差は12.48でした。 差のあるピクセルは84.8%に上ります。

一方、縮小のボックス(Pillow)とエリア(OpenCV)は最大差1・平均差0.12でした。 拡大のバイリニアも最大差1で、ほぼ見分けがつかない差です。

同じライブラリの再呼び出しと、OpenCVの1スレッドと12スレッドの結果は、どれもバイト一致しました。 ばらつくのは、ライブラリをまたいだ時だけです。

二つの道具を一言で

Pillow

同名のOpenCV設定と出力が一致しないことがある。縮小では差が大きい操作もあった。

OpenCV

今回の条件では処理時間が短い。入れる版は用途で選ぶ。

出典: 各社の公式ページ(2026年11月15日確認)

処理時間:スレッドを増やしても速くなるとは限らない

OpenCVの12スレッド条件でも、縮小バイリニアの1回目は24916583ナノ秒でした。 1スレッドの18817500ナノ秒より長い値です。

Pillowも同じ条件で328742417ナノ秒と、1スレッド条件の232389750ナノ秒より長く出ました。 どちらも1回目の1点なので、傾向としては読まず、毎回測る価値があるという目安にとどめます。

揺れの大きい条件もあります。 1スレッド条件のバイキュービック縮小では、Pillowの5回が最小467967083ナノ秒から最大762269250ナノ秒まで広がりました。

選び方:入れ替える前に出力を見比べる

すでにどちらかで組んだ処理があるなら、道具を替える前に出力を見比べるのが先です。 処理時間だけで替えると、画像の見え方が変わるかもしれません。

下の図で、自分の場合をたどってみてください。

リサイズを任せる道具の選び方

  1. 1. いまの出力画像と一致させる必要がありますか?
    はい → 道具を替えず、今のまま使い続けるいいえ → 次の質問へ進む
  2. 2. 同じ名前のフィルタで入れ替えられると考えていますか?
    はい → 出力を見比べてから入れ替えるいいえ → 処理時間を測ってから選ぶ
出典: 各社の公式ページ(2026年11月15日確認)

OpenCVを入れるなら、版の選び方にも注意が要ります。 メインモジュールだけの版、contrib入りの版、それぞれのヘッドレス版があり、同じ環境にはどれか一つだけを入れます。

画面表示を使わないサーバーなら、GUIを含まないヘッドレス版が向きます。 cv2.imshowを使う場合は、通常版を選びます。

ここが落とし穴:同じ名前を同じ計算と思わない

PillowのBILINEARとOpenCVのINTER_LINEARは名前が似ていても、縮小では別の結果になりました。 置き換えの時に「名前が同じだから同じ」と考えると、画像の中身が変わります。

画像を判定や学習に使う場合、この差は後の結果にも響きます。 置き換えるなら、同じ入力で両方を動かし、差の最大値と平均を先に見ておきます。

SURFのように、OpenCVの配布物に含まれないアルゴリズムもあります。 欲しい機能が含まれているかは、入れる前にREADMEで確かめてください。

測定と比較の範囲

測ったのは2026年11月15日、CPUでの直列実行です。

環境は macOS 27.2.1、Apple M4 Pro、CPython 3.14.10です。 ライブラリはPillow 12.2.0、OpenCV 4.13.0、numpy 2.4.4を使いました。

入力は人工RGB画像1枚(1024×768)です。 1バッチは縮小200回・拡大20回で、ウォームアップ後に各5試行を計時しました。

OpenCVは1スレッドと既定の12スレッドの2条件で、OpenCLは無効にしました。 Pillowは両条件で別の試行として測り、画像の生成やimport、ファイルの読み書きは計時に入れていません。

この記事の数字は、このMacのCPU、この人工画像、この版の組み合わせに限ります。 画質の良し悪し、実写真、GPU、メモリ使用量、符号化は測っていません。 同じ秒数が別の環境で出るとは限りません。

生データと再実行の手順は、公開している測定記録のファイルにあります。

出典

変更履歴

  • 2026年11月15日: 初版を作成。

このサイトで測った元データ

関連記事