目前找到三种图片压缩方案
 
thumbnailator-0.4.8 
  
 
   
100%java实现，无其余依赖。但版本太老，最新版本0.4.8于2014年发布
 
  
 
imageMagick-6.9.3 
  
 
   
linux上的一个图片处理软件的命令行工具，功能强大
 
  
 
ffmpeg-3.4.2-2+b1 
  
 
   
开源的音视频处理方案，可以处理图片
 
  
 
 
此次使用java来编码，除thumbnailator外使用exec命令行方式调用
 
本次所有处理方案均为75%压缩比率，去除额外信息(ffmpeg除外)，分辨率大小不做处理，运行次数10次
 
所涉及命令概览
 
imageMagick 
  
 
   
convert -strip -quality 75% in.jpg out.jpg
 
  
 
ffmpeg 
  
 
   
ffmpeg -hide_banner -i in.jpg out.jpg
 
  
 
 
处理7.7MB，分辨率4570x1984的jpg图片
 
方案
大小
最短(毫秒)
最久
平均
thumber
723.6KB
888
1052
947
imageMagick
968.6KB
305
398
318
ffmpeg
491.9KB
365
337
282
处理613.3k，分辨率2000x1052的jpg图片
 
方案
大小
最短(毫秒)
最久
平均
thumber
170.5KB
159
348
193
imageMagick
179.5KB
54
101
61
ffmpeg
89.2KB
72
113
79
处理来自android相机的4.5MB，分辨率4160x3120的jpg图片
 
方案
大小
最短(毫秒)
最久
平均
thumber
1.5MB
998
1206
1048
imageMagick
1.6MB
285
744
345
ffmpeg
618.4KB
188
367
221
处理10.6MB，分辨率4570x1984的png图片
 
png图片似乎需要换命令才行，或者预先转换成jpeg格式
 
方案
大小
耗时(毫秒)
thumber
15.6MB
3348
imageMagick
10.6MB
5329
ffmpeg
16.6MB
1769
处理2.6MB，分辨率2000x1052的png图片
 
png图片似乎需要换命令才行，或者预先转换成jpeg格式
 
方案
大小
耗时(毫秒)
thumber
3.5MB
828
imageMagick
2.6MB
1193
ffmpeg
3.5MB
372
##解决png图片问题，使用三种方案进行png转jpg
 
处理2.6MB，分辨率2000x1052的png图片
 
使用命令
 
imageMagick 
  
 
   
convert in.png out.jpg
 
  
 
ffmpe 
  
 
   
ffmpeg -v quiet -i in.png out.jpg
 
  
 
 
方案
大小
最短(毫秒)
最久
平均
thumber
203.6KB
161
396
208
imageMagick
606KB
95
119
102
ffmpeg
119.1KB
145
172
152
实验数据在不同机器，不同时间用一定的波动性，属正常情况
 
结论：总体来看，ffmpeg表现最好。但是有一个问题——必须使用现有图片，无法直接使用流。考虑到图片上传到本地临时文件的时间代价，该方案依然有待商榷

前一段在做一个功能的时候必须加载外部多张连续的图片，来实现一个简单的小动画。本来是一个非常简单的功能，不用两分钟就写好了。但是最终打成apk测试的时候有个非常大的问题就是非常卡，图片播放卡的简直不忍直视，后来去看unity的官方文档，发现了一个非常好用的方法。 
 我们在使用unity的UGUI中的图片的时候，绝大多数人都是使用Image这个组件，而大家基本上很容易忽略掉这个组件的使用效率问题，因为都是在unity创建好的sprite直接赋值所以 看不出来有什么问题，但是如果你是直接动态加载外部的或者下载的图片你就会发现加载的时候特别卡，特别是越大，越不规则的图片更是耗时。但是还有个被大家忽略的组件就是RawImage，这个组件可以说是Image的简化版，它的功能虽然少很多但是几个基本的功能都在，最主要的是它可以直接赋值texture图片，这里大家可以不是很清楚，所以没有什么比直接写代码更直接的方式了：
 
    public void ImageAssignment()  //Image组件赋值方法
    {
        var path = Application.streamingAssetsPath + "/icon.png"; //外部图片地址
        var tex = ResLoader.DownloadSync(path).texture; //使用www加载外部图片（这个方法是自己写的， 不会的话自己上网百度下）
        var sprite = Sprite.Create(tex, new Rect(0, 0, tex.width, tex.height), new Vector2(0.5f, 0.5f));
        ImageObject.sprite = sprite;
    }

    public void RawImageAssignment()  //RawImage组件赋值方法
    {
        var path = Application.streamingAssetsPath + "/icon.png"; //外部图片地址
        var tex = ResLoader.DownloadSync(path).texture; //使用www加载外部图片（这个方法是自己写的， 不会的话自己上网百度下）
        RawImageObject.texture = tex;
    }
 
有什么发现么？使用RawImage加载外部图片是不是直接少了一行代码，然道仅仅只是一行代码那么简单么？接下来，我再给大家看一下我做的几个加载时间的对比： 
 1、512*512图片两种方式 赋值100次的对比 
  
 2、1024*512图片两种方式 赋值100次的对比 
  
 3/1112*900图片两种方式 赋值100次的对比 
  
 看了这些数据 你会发现我说的 提高百倍以上的效率真的是一点都不夸张啊。 
 这里可以看到使用RawImage 不管加载什么分辨率的图片 效率都是基本 差不多快到可以忽略不计，而使用Image却是会因为图片的分辨率大受影响。主要的原因就是在创建sprite这一步特别耗时，而且图片越大、越不规则就会越耗时。所以你应该知道怎么做了吧！ 
 最后贴上代码 供大家参考，互相学习
 
using UnityEngine;
using System.Collections;
using UnityEngine.UI;
using Babybus.Uno;

public class TestImageLoad : MonoBehaviour
{
    public Image ImageObject;

    public RawImage RawImageObject;

    public void OnClickImageButton() //Image组件赋值方法
    {
        var path = Application.streamingAssetsPath + "/icon.png";//外部图片地址
        var tex = ResLoader.DownloadSync(path).texture;//使用www加载外部图片（这个方法是自己写的， 不会的话自己上网百度下）
        var time = Time.realtimeSinceStartup;
        for (var i = 0; i < 100; i++)
        {        
            var sprite = Sprite.Create(tex, new Rect(0, 0, tex.width, tex.height), new Vector2(0.5f, 0.5f));
            ImageObject.sprite = sprite;
        }
        Debug.Log("Image赋值100次使用时间: " + (Time.realtimeSinceStartup-time));
    }


    public void OnClickRawImageButton()//RawImage组件赋值方法
    {
        var path = Application.streamingAssetsPath + "/icon.png";//外部图片地址
        var tex = ResLoader.DownloadSync(path).texture;//使用www加载外部图片（这个方法是自己写的， 不会的话自己上网百度下）
        var time = Time.realtimeSinceStartup;
        for (var i = 0; i < 100; i++)
            RawImageObject.texture = tex;
        Debug.Log("RawImage赋值100次使用时间: " + (Time.realtimeSinceStartup - time));
    }

}
 
using System;
using System.Collections;
using UnityEngine;

namespace Babybus.Uno
{
    public static class ResLoader
    {
        public static WWW DownloadSync(string path, WWWForm form = null)
        {
            WWW www;
            if (form != null)
                www = new WWW(path.ToWWWUrl(), form);
            else
                www = new WWW(path.ToWWWUrl());

            YieldToStop(www);

            return www;
        }

        private static void YieldToStop(WWW www)
        {
            var @enum = DownloadEnumerator(www);
            while (@enum.MoveNext()) ;
        }

        private static IEnumerator DownloadEnumerator(WWW www)
        {
            while (!www.isDone) ;

            yield return www;
        }
    }
}

	public static void compare() throws Exception{
		long start1 = System.currentTimeMillis();
		for (int i = 0; i < 5000; i++) {

			Iterator readers = ImageIO.getImageReadersByFormatName("png");
			ImageReader reader = (ImageReader) readers.next();
			File file = new File("d://1.png");
			ImageInputStream input = ImageIO.createImageInputStream(file);
			reader.setInput(input, true);
			int width = reader.getWidth(0);
			int height = reader.getHeight(0);
			//System.out.println(width + "/" + height);
		}

		long end1 = System.currentTimeMillis();

		System.out.println(end1 - start1);
		long start2 = System.currentTimeMillis();
		for (int i = 0; i < 5000; i++) {
			File file = new File("d://1.png");
			BufferedImage bi = ImageIO.read(file);
			int width = bi.getWidth();
			int height = bi.getHeight();
			//System.out.println(width + "/" + height);
		}

		long end2 = System.currentTimeMillis();
		System.out.println(end2 - start2);
	}
 
运行结果
 

390
3192

 可见第一中获取图片信息效率明显高于第二种。
 

 
 
看了下源码第一种方法只适用于简单的操作。
 
而第二种适用的范围比较广，在ImageIO源码中也适用了ImageReader。
 

 
 
参考：http://houxiyang.com/archives/31/

OCR，光学字符识别（OPTICAL CHARACTER RECOGNITION），作为计算机视觉领域的经典问题之一
 它指对图像中的文字进行检测识别（包括文字检测+文字识别），并获取文本的结果。常见于拍照检查、文档识别、证照票据识别、车牌识别、自然场景下的文本定位识别等，相关技术在数字时代得到了广泛的应用。
 如下图是OCR识别结果：
 
 
作为计算机视觉领域的OCR识别在训练的时候当然也会需要大量的图片数据来供神经网络的学习，一般需要数以千万计的图片才能训练一个文字识别系统，才能达到识别文字的目的。但是如果采用人工标注会浪费大量的人力财力，导致入不敷出。本文接下来介绍一种能够根据场景生成大量的文字图片的工具。