目录
8 性能衡量和提升技术
8.1 目标
在图像处理中，由于每秒要处理大量操作，因此必须使代码不仅提供正确的解决方案，而且还必须以最快的方式提供。因此，在本章中，你将学习：
- 衡量代码的性能。
- 一些提高代码性能的技巧。
- 你将看到以下功能：cv.getTickCount，cv.getTickFrequency等。
除了OpenCV，Python还提供了一个模块time，这有助于衡量执行时间。另一个模块profile有助于获取有关代码的详细报告，例如代码中每个函数花费了多少时间，调用了函数的次数等。但是，如果你使用的是IPython，则所有这些功能都集成在用户友好的界面中方式。我们将看到一些重要的信息，有关更多详细信息，请查看其他资源部分中的链接。
8.2 使用OpenCV衡量性能
cv.getTickCount函数返回从参考事件（如打开机器的那一刻）到调用此函数那一刻之间的时钟周期数。因此，如果在函数执行之前和之后调用它，则会获得用于执行函数的时钟周期数。
cv.getTickFrequency函数返回时钟周期的频率或每秒的时钟周期数。因此，要找到执行时间（以秒为单位），你可以执行以下操作：
import cv2 as cv e1 = cv.getTickCount() # 你的执行代码 e2 = cv.getTickCount() time = (e2 - e1)/ cv.getTickFrequency()
我们将通过以下示例进行演示。下面的示例应用中位数过滤，其内核的奇数范围为5到49。（不必担心结果会是什么样，这不是我们的目标）：
import cv2 as cv img = cv.imread('../girl6/00.jpg') start_time = cv.getTickCount() # 开始时间 for i in range(5, 49, 2): img = cv.medianBlur(img, i) end_time = cv.getTickCount() # 结束时间 # 将结束时间减去开始时间，再除以频率就得到执行时间 time = (end_time - start_time) / cv.getTickFrequency() print(time)
我的结果如下：
0.355942
注意：你可以使用时间模块执行相同的操作。代替cv.getTickCount，使用time.time()函数。然后取两次相差。
8.3 OpenCV中的默认优化
许多 OpenCV 函数都是使用 SSE2、 AVX 等进行优化的。 它还包含未优化的代码。因此，如果我们的系统支持这些特性，我们就应该利用它们(几乎所有现代的处理器都支持它们)。在编译时默认启用它。因此，如果启用了 OpenCV，它将运行优化的代码，否则它将运行未优化的代码。你可以使用 cv.Useoptimized 检查是否启用 / 禁用和cv.Setuseoptimized以启用 / 禁用它。让我们看一个简单的例子。
# 检查是否启用了优化 In [5]: cv.useOptimized() Out[5]: True In [6]: %timeit res = cv.medianBlur(img,49) 10 loops, best of 3: 34.9 ms per loop # 关闭它 In [7]: cv.setUseOptimized(False) In [8]: cv.useOptimized() Out[8]: False In [9]: %timeit res = cv.medianBlur(img,49) 10 loops, best of 3: 64.1 ms per loop
官方文档说优化的中值滤波比未优化的版本快2倍，我自己写了一遍，发现并没有快那么多，难道是我电脑有问题？具体代码如下：
import cv2 as cv img = cv.imread('../girl6/02.jpg') # 检查是否启用了优化 optimized_open = cv.useOptimized() print('开启（True）/关闭（False）优化效果：{}'.format(optimized_open)) # True total = 0 for i in range(0, 10): e1 = cv.getTickCount() res = cv.medianBlur(img, 49) e2 = cv.getTickCount() time = (e2 - e1) / cv.getTickFrequency() # print('第{}次时间为：{}s'.format(i, time)) total += time average_10_time = total / 10 * 1000 print('开启优化连续十次的平均值为:{}ms'.format(average_10_time)) print('=================================================') cv.setUseOptimized(False) # 关闭优化 optimized_close = cv.useOptimized() print('开启（True）/关闭（False）优化效果：{}'.format(optimized_close)) # False total = 0 for i in range(0, 10): e1 = cv.getTickCount() res = cv.medianBlur(img, 49) e2 = cv.getTickCount() time = (e2 - e1) / cv.getTickFrequency() # print('第{}次时间为：{}s'.format(i, time)) total += time average_10_time = total / 10 * 1000 print('关闭优化连续十次的平均值为:{}ms'.format(average_10_time))
运行结果如下：
开启（True）/关闭（False）优化效果：True 开启优化连续十次的平均值为:16.220610000000004ms ================================================= 开启（True）/关闭（False）优化效果：False 关闭优化连续十次的平均值为:15.97507ms
于是我跟他一样，在ipython中调用，发现也没有快2倍啊，到底是哪里的问题，难道真的是电脑配置太差了吗？
编辑
如果你检查其来源，你可以看到中值滤波是 SIMD 优化。因此，你可以使用它在代码顶部启用优化(请记住，它是默认启用的)
8.4 在IPython中衡量性能
有时你可能需要比较两个类似操作的性能。IPython为你提供了一个神奇的命令计时器来执行此操作。它会多次运行代码以获得更准确的结果。同样，它们适用于测量单行代码。
例如，你知道以下哪个加法运算更好， x = 5; y = x**2, x = 5; y = x*x, x = np.uint8([5]); y = x*x 或y = np.square(x) ？我们将在IPython shell中使用timeit得到答案。
官方文档代码如下：
In [10]: x = 5 In [11]: %测时 y=x**2 10000000 loops, best of 3: 73 ns per loop In [12]: %测时 y=x*x 10000000 loops, best of 3: 58.3 ns per loop In [15]: z = np.uint8([5]) In [17]: %测时 y=z*z 1000000 loops, best of 3: 1.25 us per loop In [19]: %测时 y=np.square(z) 1000000 loops, best of 3: 1.16 us per loop
我的代码如下：
编辑
你可以看到x = 5; y = x * x最快，比Numpy快20倍左右（我这里只快10倍左右，果然是电脑的问题）。如果你还考虑阵列的创建，它可能会快100倍。酷吧？（大量开发人员正在研究此问题）
注意：Python标量操作比Numpy标量操作快。因此，对于包含一两个元素的运算，Python标量比Numpy数组好。当数组大小稍大时，Numpy会占优势。
我们将再尝试一个示例。这次，我们将比较cv.countNonZero和np.count_nonzero对于同一
张图片的性能。
In [35]: %测时 z = cv.countNonZero(img) 100000 loops, best of 3: 15.8 us per loop In [36]: %测时 z = np.count_nonzero(img) 1000 loops, best of 3: 370 us per loop
上面这段代码是opencv官方文档的运行结果，下面这段是我的运行结果。
注意：这里直接用opencv的countNonZero会报错，网上查阅相关资料，说这里必须转换为灰色图像才行。
编辑
看，OpenCV 函数比 Numpy 函数快近25倍？？？我这里opencv比numpy快了将近60倍啊。他们换垃圾电脑跑的？
。。。。。。
注意：通常，OpenCV函数比Numpy函数要快。因此，对于相同的操作，首选OpenCV功能。但是，可能会有例外，尤其是当Numpy处理视图而不是副本时。
8.5 更多IPython魔术命令
还有其他一些魔术命令可以用来测量性能，性能分析，行性能分析，内存测量等。它们都有很好的文档记录。因此，此处仅提供指向这些文档的链接。建议有兴趣的读者尝试一下。
8.6 性能优化技术
有几种技术和编码方法可以充分利用 Python 和 Numpy 的最大性能。这里只注明相关信息，并提供重要信息来源的链接。这里要注意的主要事情是，首先尝试以一种简单的方式实现算法。一旦它运行起来，分析它，找到瓶颈并优化它们。
- 尽量避免在Python中使用循环，尤其是双/三重循环等。它们本来就很慢。
- 由于Numpy和OpenCV已针对向量运算进行了优化，因此将算法/代码向量化到最大程度。
- 利用缓存一致性。
- 除非需要，否则切勿创建数组的副本。尝试改用视图。数组复制是一项昂贵的操作。
即使执行了所有这些操作后，如果你的代码仍然很慢，或者不可避免地需要使用大循环，请使用Cython等其他库来使其更快。
8.7 其他资源
欢迎评论区留言，一起探讨OpenCV成神之路的奥秘。
顺便给我加个关注，点个赞，加个收藏，让我们一起登上神坛。
编辑
