QOI

QOI是一个简单的Python包装器，围绕“相当好的图像”格式qoi（https://github.com/phoboslab/qoi）。它是

• 无损的，压缩效果与PNG相当，但速度快！它比PNG在OpenCV或PIL中编码快10倍，解码快约5倍。
• 您可以通过一个简单的技巧使其有损，然后您可以获得与JPEG类似的压缩效果，但速度要快得多。（这些数字取决于您如何使JPEG或QOI“有损”）。这很酷。
• 多线程 - 没有GIL挂起。

安装

pip install qoi

示例

import numpy as np
import qoi

# Get your image as a numpy array (OpenCV, Pillow, etc. but here we just create a bunch of noise). Note: HWC ordering
rgb = np.random.randint(low=0, high=255, size=(224, 244, 3)).astype(np.uint8)

# Write it:
_ = qoi.write("/tmp/img.qoi", rgb)

# Read it and check it matches (it should, as we're lossless)
rgb_read = qoi.read("/tmp/img.qoi")
assert np.array_equal(rgb, rgb_read)

# Likewise for encode/decode to/from bytes:
bites = qoi.encode(rgb)
rgb_decoded = qoi.decode(bites)
assert np.array_equal(rgb, rgb_decoded)

# Benchmarking
from qoi.benchmark import benchmark
benchmark()  # Check out the arguments if you're interested

如果您想真正发挥CPU的最大性能

from concurrent.futures import ThreadPoolExecutor, wait
import numpy as np
import qoi

RGB = np.random.randint(low=0, high=255, size=(224, 244, 3)).astype(np.uint8)

def worker():
    bites = bytearray(qoi.encode(RGB))
    img_decoded = qoi.decode(bites)

print("Go watch your CPU utilization ...")
with ThreadPoolExecutor(8) as pool:
    futures = [pool.submit(worker) for _ in range(10000)]
    wait(futures)

(单线程) 基准测试

如果我们考虑无损，那么我们通常与PNG进行比较。是的，还有其他一些，但它们不太常见。基准测试

因此，在压缩方面，qoi与PNG不相上下，但编码速度快4-20倍，解码速度快1.5-6倍。

注意

1. 这里有一些额外的开销，因为PIL图像被转换回数组作为返回类型，以保持一致。从某种意义上说，这并不公平，因为如果您处理的是PIL图像，PIL将更快。另一方面，如果您的常见用例涉及数组（例如，用于计算机视觉），则这是合理的。
2. 使用 python src/qoi/benchmark.py --implementations=qoi,opencv,pil --formats=png,qoi 在 i7-9750H 上生成。由于结果对于这种“普通”场景已经足够清晰，所以没有进行 OpenCV/PIL 优化（例如 SIMD 或 pillow-simd）。如果你想要深入了解，请随意！你可以轻松地自己运行这些测试。

如果我们考虑有损压缩，那么通常我们会将 JPEG 作为比较对象。通常情况下，将 QOI 与 JPEG 比较是不公平的，因为 QOI 是无损的。然而，我们可以进行一个小技巧，使 QOI 变得有损——将图像缩小，然后编码，然后在解码后按相同的比例放大。你可以看到我们在下面实现了这个技巧，将图像缩小到 40%，并使用 80 的 JPEG 质量度（这使得它们的视觉压缩效果相同，即 SSIM）。所以，结果（仅针对 koi photo，因为其余的对于有损压缩来说不那么有意义/公平）

在这里，我们看到无损的 qoi 在压缩方面损失很大，正如预期的那样，因为这是有损与无损的对比。此外，qoi 的编码速度仅比编码速度快 1x-2x，解码速度快 1.5x-2x。然而，需要注意的是，这取决于指定的 JPEG 质量值——这里为 80，但 OpenCV 的默认值实际上是 95，这会导致压缩效果差 3 倍，并且速度略慢。

然而，这仍然是有损与无损的对比！如果你看 qoi-lossy-0.40x0.40，其中我们将图像按上述方式缩小，你可以看到它的性能非常好。压缩比现在是 JPEG 的 3 倍（比无损 QOI 好出 5 倍，也与质量为 95 的默认 OpenCV JPEG 编码相同），但它的速度非常快——编码速度快 5x-10x，解码速度快 7x-8x。

当然，有些情况下使用 qoi 可能仍然比 JPEG 更有意义。即使是无损 QOI，如果大小不是问题，它也值得使用，因为它稍微快一点。但是，如果你使用“有损”QOI，你将获得“相当”（取决于 JPEG 质量值）的压缩效果，但速度要快得多。

注意

1. 关于 PIL 的额外开销，请参见上文。
2. 使用 python src/qoi/benchmark.py --images=koi --implementations=qoi,qoi-lossy,opencv,pil --formats=jpg,qoi --qoi-lossy-scale=0.4 --jpeg-quality=0.8 在 i7-9750H 上生成。由于结果对于这种“普通”场景已经足够清晰，所以没有进行 OpenCV/PIL 优化（例如 SIMD 或 pillow-simd、libjpeg-turbo、不同的 JPEG 质量值等）。如果你想要深入了解，请随意！你可以轻松地自己运行这些测试。

开发中

git clone --recursive https://github.com/kodonnell/qoi/
USE_CYTHON=1 pip install -e .[dev]
pytest .

我们使用 cibuildwheel 来构建所有轮子，它在 Github 动作中运行。如果你想检查本地是否成功，你可以尝试（未测试）

cibuildwheel --platform linux .

最后，当你满意时，提交一个 PR。

发布

当你在本地的 main 上时，使用 git tag vX.X.X 然后使用 git push origin vX.X.X。这将推送标签，触发完整的 GitHub Action 和

• 构建源分布和轮子（针对各种平台）
• 推送到 PyPI
• 创建一个带有适当附件的新版本。

待办事项

• 将 benchmark.py 作为 CLI 在 setup.py 中实现
• 创建一个 qoi CLI
• 基准测试 - 添加真实图像，并与 QOI 进行性能比较，以查看 Python 包装器的开销。
• setuptools_scm_git_archive?
• 代码补全？

讨论

包装还是重写？

目前，这只是一个简单的包装器。我们将让原始项目去做所有关于性能等困难的工作，以及维护（或不）兼容性或添加新功能等。我们不做任何进一步的声明——我们基本上只是将 C 功能性移植到（C）Python 中。

关于命名

让我们现在就使用 qoi 吧，因为

• 我们已经在 Python 中，而 py 在 pyqoi 中似乎多余。就其价值而言，3 < 5。
• pyqoi 似乎是一个好的名字，用于 QOI 的纯 Python 版本（对于 pypy 等非常有用），但这不是本项目的目标。
• qoi 通常很新，所以我们现在不必过分思考它。如果需要，我们总是可以在以后重命名。

关于 ./src 的什么问题？

请参阅此处和此处。我没有全部阅读，但确实如此，当存在名为qoi的文件夹时，import qoi很烦人。

USE_CYTHON=1?

请参阅此处。很有道理。