numba
numba是一个用于编译Python数组和数值计算函数的编译器，这个编译器能够大幅提高直接使用Python编写的函数的运算速度。
Numba是一个用于Python的即时（Just-in-time, JIT）编译器。将面向数组和使用大量数学的python代码优化到与c，c++和Fortran类似的性能，而无需改变Python的解释器。
numba的使用方法
numba对代码进行加速时，给要优化的函数加上@jit优化器
from numba import jit @jit def f(a, b): return a + b
numba将在调用期间推断参数类型，然后基于这个信息生成优化后的代码。
Numba编译的函数可以调用其他编译函数。
from math import sqrt @jit def hypot(a, b): return sqrt(square(a) + square(b))
import numpy as np import time arr = np.random.rand(1000, 1000) start_time = time.time() sum_result = np.sum(arr) end_time = time.time() elapsed_time = end_time - start_time print("未使用Numba加速时的运算时间：", elapsed_time)
使用Numba加速
import numpy as np import time from numba import jit arr = np.random.rand(1000, 1000) @jit(nopython=True) def sum_array(arr): return np.sum(arr) start_time = time.time() sum_result = sum_array(arr) end_time = time.time() elapsed_time = end_time - start_time print("使用Numba加速时的运算时间：", elapsed_time)
imutils
imutils是一个专为OpenCV设计的Python封装库，它极大地简化了图像处理的过程。
imutils提供了一系列的工具函数，使得在Python中使用OpenCV进行图像处理变得更加快捷和简便。这些功能涵盖了图像的显示、平移、旋转、缩放以及骨架化等多种操作。由于imutils是基于OpenCV构建的，它可以与OpenCV无缝集成，为开发者提供了一个更加友好的接口来进行日常的图像处理任务。要安装imutils，可以使用pip命令pip install imutils。不过，需要注意的是，在使用imutils之前，需要确保已经安装了NumPy和OpenCV库，如果需要使用到将OpenCV图像转换为Matplotlib图像的功能，还需要安装Matplotlib库。
imutils的使用方法
OpenCV中提供了图像平移的实现，要先计算平移矩阵，然后利用仿射变换实现平移，在imutils中可直接进行图像的平移。
translated = imutils.translate(img,x,y)
- img:要移动的图像
- x:沿x轴方向移动的像素个数
- y: 沿y轴方向移动的像素个数
图片的缩放在imutils中自动保持原有图片的宽高比，只指定宽度weight和Height即可。
img = cv.imread("a.jpeg") resized = imutils.resize(img,width=200) print("原图像: ", img.shape) print("缩放后：",resized.shape) plt.figure(figsize=[10, 10]) plt.subplot(1,2,1) plt.imshow(cv.cvtColor(img, cv.COLOR_BGR2RGB)) plt.title('原图') plt.axis("off") plt.subplot(1,2,2) plt.imshow(cv.cvtColor(resized, cv.COLOR_BGR2RGB)) plt.title('缩放结果') plt.axis("off") plt.show()
图像旋转
import cv2 import imutils image = cv2.imread('a.jpeg') rotated = imutils.rotate(image, 90) rotated_round = imutils.rotate_bound(image, 90) plt.figure(figsize=[10, 10]) plt.subplot(1,3,1) plt.imshow(img[:,:,::-1]) plt.title('原图') plt.axis("off") plt.subplot(1,3,2) plt.imshow(rotated[:,:,::-1]) plt.title('逆时针旋转90度') plt.axis("off") plt.subplot(1,3,3) plt.imshow(rotated_round[:,:,::-1]) plt.title('顺时针旋转90度') plt.axis("off") plt.show()
骨架提取，是指对图片中的物体进行拓扑骨架(topological skeleton)构建的过程。imutils提供的方法是skeletonize()，第二个参数是结构参数的尺寸(structuring element)，越小需要处理的时间越长。
import cv2 import imutils image = cv2.imread('a.jpg') gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) skeleton = imutils.skeletonize(gray, size=(3, 3)) plt.figure(figsize=(10,8),dpi=100) plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('原图') plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(skeleton,cmap="gray"),plt.title('骨架提取结果') plt.xticks([]), plt.yticks([]) plt.show()
在使用OPenCV时，应检查当前正在使用哪个版本的OpenCV，然后使用适当的函数或方法。在imutils中的is_cv2()、is_cv3()和is_cv4()是可用于自动确定当前环境的OpenCV的版本简单的功能。
DNN模块
DNN模块是指OpenCV中的深度神经网络（Deep Neural Networks）模块。
OpenCV的DNN模块是一个强大的工具，它允许开发者在计算机视觉应用中利用深度学习模型进行分类、分割、检测和跟踪等任务。这个模块支持加载和使用由不同深度学习框架训练的模型，包括但不限于Caffe、TensorFlow和Torch/PyTorch等。
- 模型加载与推断：DNN模块可以加载预训练的深度学习模型，并使用这些模型对新数据进行推断或预测。
- 性能优化：OpenCV在加载模型时会使用自己的DNN模块对模型进行重写，以提高模型的运行效率。
- 通用性：DNN模块不局限于特定的深度学习框架，它能够处理多种框架训练出的模型，这使得开发者可以自由选择适合自己的框架进行模型训练。
- 实用性：DNN模块的应用非常广泛，可以用于实时目标检测等复杂的计算机视觉任务。例如，可以使用Caffe框架下的MobileNet-SSD模型进行高效的目标检测。
dnn.blobFromImage
- 根据输入图像，创建维度N，通道数C，高H和宽W次序的blobs
blobFromImage(image, scalefactor=None, size=None, mean=None, swapRB=None, crop=None, ddepth=None):
dnn.NMSBoxes
根据给定的检测boxes和对应的scores进行NMS（非极大值抑制）处理
NMSBoxes(bboxes, scores, score_threshold, nms_threshold, eta=None, top_k=None)
dnn.readNet
加载深度学习网络及其模型参数
readNet(model, config=None, framework=None)
