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 | Pillow | OpenCV(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。
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. 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. 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
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
- Pillow公式リポジトリのREADME(2026年11月15日確認): https://github.com/python-pillow/Pillow
- opencv-python公式リポジトリのREADME(2026年11月15日確認): https://github.com/opencv/opencv-python
変更履歴
- 2026年11月15日: 初版を作成。
