查询图片高频颜色：代码性能瓶颈分析及优化方案问询

一、运行缓慢的核心原因 #

• 颜色处理逻辑错误且低效：原代码把RGB三元组（比如(255, 0, 0)）转成字符串再拼接成整数，这不仅破坏了颜色的真实信息（不同RGB组合可能拼成相同整数），而且字符串替换、转整数的操作本身就比直接使用元组慢很多。
• 统计算法时间复杂度极高：用两层嵌套循环统计颜色出现次数，属于O(n²)的时间复杂度，当图片像素量较大（比如百万级）时，计算量会呈指数级增长。同时循环中频繁执行del colors[num]操作，列表删除元素需要移动后续所有元素，每次删除都是O(n)的开销，进一步拖慢速度。
• 自定义类冗余：自定义Color类存储颜色和计数完全没必要，Python内置的字典或collections.Counter能更高效完成任务，额外的类实例化会增加不必要的内存开销和运行时间。

二、性能优化方案 #

方案1：用collections.Counter高效统计 #

利用Python标准库的Counter一键统计可哈希元素的出现次数，时间复杂度为O(n)，且直接保留RGB三元组的真实颜色信息：

from PIL import Image
from collections import Counter

# 打开目标图片
im = Image.open("~/.../strowberry.jpeg")
# 获取所有像素的RGB三元组列表
pixels = list(im.getdata())
# 统计各颜色出现次数
color_counts = Counter(pixels)
# 按出现次数从高到低排序输出
for color, count in sorted(color_counts.items(), key=lambda x: x[1], reverse=True):
    print(count, color)

方案2：使用PIL内置的getcolors()方法 #

PIL的Image类自带getcolors()方法，底层实现更高效，可直接返回颜色及其计数的列表：

from PIL import Image

im = Image.open("~/.../strowberry.jpeg")
# maxcolors设为None表示不限制统计的颜色数量
color_counts = im.getcolors(maxcolors=None)
# 按出现次数从高到低排序输出
if color_counts:
    for count, color in sorted(color_counts, key=lambda x: x[0], reverse=True):
        print(count, color)

方案3：缩小图片减少像素量（可选） #

如果图片尺寸很大，可先缩小图片再统计，大幅减少待处理像素数，且高频颜色的统计结果不会有明显偏差：

from PIL import Image
from collections import Counter

im = Image.open("~/.../strowberry.jpeg")
# 将图片缩小到原尺寸的1/4（可根据需求调整比例）
small_im = im.resize((im.width // 4, im.height // 4))
pixels = list(small_im.getdata())
color_counts = Counter(pixels)
# 按出现次数排序输出
for color, count in sorted(color_counts.items(), key=lambda x: x[1], reverse=True):
    print(count, color)

内容的提问来源于stack exchange，提问作者NajwiększyPolskiCrusher