您似乎正在使用能
colormath很好地进行数学运算的库，但是速度很慢。该
colour-science软件包使用numpy对操作进行矢量化处理，并在更少的时间内获得答案
cv2您正在使用的库具有所需的某些转换的简单版本，例如，您可以执行大部分操作：
import cv2image1_rgb = cv2.imread('image1.jpeg')image2_rgb = cv2.imread('image2.jpeg')image1_lab = cv2.cvtColor(image1_rgb, cv2.COLOR_RGB2Lab)image2_lab = cv2.cvtColor(image2_rgb, cv2.COLOR_RGB2Lab)但请注意，如果先转换为浮点数，可能会得到更好的结果：
image_lab = cv2.cvtColor(image_rgb.astype(np.float32) / 255, cv2.COLOR_RGB2Lab)
然后仅
color-science用于
delta_E()对每个像素的最终调用（但请注意，这些都是矢量化的，因此您只需将所有内容都赋予它数组，即可一次高效地完成所有操作）：
import colourdelta_E = colour.delta_E(image1_lab, image2_lab)
然后您可能想要在整个图像上取平均值：
np.mean(delta_E)
但是中位数，分位数或绘制分布图将为您提供更多信息
请注意，如果您关心颜色空间，并且需要更多地控制从RGB到Lab的转换，则可以使用进行更多控制
colour-science，其粗糙模板如下所示：
image_lab = colour.XYZ_to_Lab(colour.sRGB_to_XYZ(image_srgb))
关于如何进行此转换的方法有很多选择，请参阅
colour.XYZ_to_Lab和的文档
colour.XYZ_to_Lab。
