文章目录
- 前言
-
- python-(opencv)视频转glf
-
- [1. 下载 opencv-python](#1. 下载 opencv-python)
- [2. cv2（OpenCV）和imageio的区别](#2. cv2（OpenCV）和imageio的区别)
- [3. demo源码](#3. demo源码)
前言
如果您觉得有用的话，记得给博主点个赞，评论，收藏一键三连啊，写作不易啊^ _ ^。
而且听说点赞的人每天的运气都不会太差，实在白嫖的话，那欢迎常来啊!!!
python-(opencv)视频转glf
cv2（OpenCV）和imageio 都可以用来将视频转出glf的的python库。
我这里使用的是cv2（OpenCV）python库来做视频转glf demo。
1. 下载 opencv-python
pip install opencv-python
2. cv2（OpenCV）和imageio的区别
功能和应用场景：
OpenCV (cv2)：OpenCV 是一个功能强大的计算机视觉库，支持广泛的图像处理、计算机视觉和机器学习任务，如图像处理、视频处理、对象检测与跟踪、人脸识别等。它提供了丰富的算法和函数，适用于复杂的计算机视觉项目。
imageio：imageio 是一个用于读写多种图像和视频格式的库。它的主要功能是方便地读取和写入图像和视频文件，支持多种格式，并且可以直接处理GIF动画等。imageio 的设计更加简洁，专注于图像和视频的I/O操作。
易用性和适用范围：
OpenCV 在处理复杂的计算机视觉任务时更为强大和灵活，提供了丰富的图像处理算法和功能。
imageio 更适合于简单的图像和视频读写操作，特别是对于处理少量数据或需要快速实现的任务而言更为便捷。
依赖和兼容性：
OpenCV 需要依赖于底层的计算机视觉和数值计算库，如 numpy 等，而且需要正确配置编译环境，适应性较强。
imageio 设计简单，依赖较少，适用于快速安装和使用的场景。
社区和支持：
OpenCV 是一个广为人知且使用广泛的开源项目，有一个活跃的社区支持和大量的文档资源。
imageio 也有不少用户和社区支持，但相对于OpenCV来说，其社区和文档资源可能较少。
因此选择使用哪个库取决于你的具体需求和项目复杂性。如果需要进行复杂的计算机视觉任务或者需要丰富的图像处理功能，推荐使用 OpenCV (cv2)。如果只需进行简单的图像和视频读写操作，并希望快速上手，那么 imageio 是一个不错的选择。
3. demo源码
python
import cv2
from PIL import Image
import time
# 视频文件路径
video_path = 'D:/嗨格式录屏文件/test.mp4'
# 打开视频文件
cap = cv2.VideoCapture(video_path)
# 获取视频帧率和总帧数
fps = int(cap.get(cv2.CAP_PROP_FPS))
frame_count = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
print(f'视频帧率:{fps}')
print(f'总帧数:{frame_count}')
# 图片尺寸（这里使用视频的默认尺寸）
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
# 逐帧读取视频并保存为图片
def read_frames():
while True:
ret, frame = cap.read()
if not ret:
break
frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) # 将 OpenCV 的 BGR 格式转换为 RGB 格式
yield Image.fromarray(frame_rgb) # 将 NumPy 数组转换为 PIL 图像对象
print("保存为 GIF 动画")
# 记录开始时间
start_time = time.time()
# 保存为 GIF 动画
images = list(read_frames())
images[0].save('D:/嗨格式录屏文件/test.gif',
save_all=True,
append_images=images[1:],
duration=int(1000 / fps), # 每帧间隔时间（毫秒）
loop=0) # 循环次数（0 表示无限循环）
# 计算耗时
elapsed_time = time.time() - start_time
print(f"视频转换为 GIF 图片成功，耗时: {elapsed_time:.2f} 秒。")
# 释放视频文件资源
cap.release()效果:
可以看到耗时6分钟，时间还是比较久的，这种场景下，可以采取优化
【调整帧采样率】、【使用其他视频处理库】(虑使用其他专门用于视频处理和转换的库，比如 moviepy 或 imageio。它们可能针对性能和效率进行了优化，可以比原生 OpenCV 更快速地进行帧的读取和处理。)、调**【整保存参数】(整保存 GIF 图像时的参数，例如调整每帧的间隔时间、循环次数等。有时候减少帧率或减少循环次数可以减少处理时间)，【使用多线程或异步处理】(在读取帧和保存图像时，可以考虑使用多线程或异步处理。这样可以并行处理帧的读取和图像的保存，提高整体处理速度),【降低图像尺寸和质量】**(如果目标是减少文件大小或简化处理过程，可以在保存 GIF 图像时降低图像的尺寸和质量。这会减少每帧的处理时间和最终 GIF 文件的大小)。
下面是通过调整调整帧采样率的demo:
python
import cv2
from PIL import Image
import time
# 视频文件路径
video_path = 'D:/嗨格式录屏文件/test.mp4'
# 打开视频文件
cap = cv2.VideoCapture(video_path)
# 获取视频帧率和总帧数
fps = int(cap.get(cv2.CAP_PROP_FPS))
frame_count = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
print(f'视频帧率:{fps}')
print(f'总帧数:{frame_count}')
# 图片尺寸（这里使用视频的默认尺寸）
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
# 逐帧读取视频并保存为图片（增加帧采样率）
def read_frames(sampling_rate=2):
frame_number = 0
while True:
ret, frame = cap.read()
if not ret:
break
if frame_number % sampling_rate == 0:
frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
yield Image.fromarray(frame_rgb)
frame_number += 1
print("保存为 GIF 动画")
# 记录开始时间
start_time = time.time()
# 调整帧采样率为每隔2帧保存一次图像
images = list(read_frames(sampling_rate=2))
images[0].save('D:/嗨格式录屏文件/test.gif',
save_all=True,
append_images=images[1:],
duration=int(1000 / fps), # 每帧间隔时间（毫秒）
loop=0) # 循环次数（0 表示无限循环）
# 计算耗时
elapsed_time = time.time() - start_time
print(f"视频转换为 GIF 图片成功，耗时: {elapsed_time:.2f} 秒。")
# 释放视频文件资源
cap.release()效果:
明显生成时间减少很多。