OpenCV(Python3)_8(程序性能检测及其优化)

目标

在图像处理中，由于您每秒都要进行大量的运算，所以您的代码不仅要提供正确的结果，同时还必须要快。所以在本章中，你将学习

衡量你代码的性能。
提高代码性能的一些技巧。
你会看到这些函数：cv.getTickCount，cv.getTickFrequency等。

除了OpenCV，Python还提供了一个有助于测量执行时间的模块time。另一个模块profile有助于获得有关代码的详细报告，例如代码中每个函数占用了多少时间，函数被调用了多少次等等。但是，如果您使用的是IPython，则所有这些功能都集成在一个用户友好方式。我们会看到一些重要的内容，有关更多详细信息，请查看其他资源部分中的链接。

用OpenCV测量性能

cv.getTickCount函数返回从参考点到调用此函数时，被执行的时钟数。所以如果你在一个函数执行前后调用它，你会得到用于执行这个函数的时钟周期数。

cv.getTickFrequency函数返回时钟周期的频率或每秒钟的时钟周期数。因此，您可以按照下面的方式得到一个函数运行了多少秒：

程序：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

e1 = cv.getTickCount()
# your code execution
e2 = cv.getTickCount()
time = (e2 - e1)/ cv.getTickFrequency()

print(time)

我们将用下面的例子来演示。以下示例应用中值滤波，奇数大小的内核范围为5至49.（不要担心结果如何，这不是我们的目标）：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

img1 = cv.imread('lena.jpg')
e1 = cv.getTickCount()
for i in range(5,49,2):
img1 = cv.medianBlur(img1,i)
e2 = cv.getTickCount()
t = (e2 - e1)/cv.getTickFrequency()
print( t )

注意你可以用time模块实现上述功能。使用time.time()函数而不是cv.getTickCount。可以比较下两者的区别。

OpenCV中的默认优化

OpenCV很多函数都使用SSE2，AVX等了进行优化。当然它也包含了一些未优化的代码。所以如果我们的系统支持这些优化的话，我们应该利用它们（几乎所有的现代处理器都支持它们）。编译时优化是默认启用的。因此，OpenCV运行的就是优化后的代码，否则它会运行未优化的代码。您可以使用cv.useOptimized（）检查优化是否启用，并使用cv.setUseOptimized（）启用/禁用它。我们来看一个简单的例子。

程序：

print(cv.useOptimized())
cv.setUseOptimized(False)
print(cv.useOptimized())

带有%等是Ipython专有的命令。

测量IPython中的性能

有时您可能需要比较两个类似操作的效率。IPython为您提供了一个魔法命令timeit来执行此操作。它会让代码运行好几次以获得更准确的结果。它也适用于测量单行代码。

例如，你知道下列哪种加法操作更好：

x = 5; y = x ** 2，

x = 5; y = x * x

x = np.uint8（[5]）；y = x * x或者y = np.square（x）

我们会在IPython shell中用timeit找到答案。

程序：

    In [10]: x = 5 
  
    In [11]: %timeit y=x**2 
  
    10000000 loops, best of 3: 73 ns per loop 
  
    In [12]: %timeit y=x*x 
  
    10000000 loops, best of 3: 58.3 ns per loop 
  
    In [15]: z = np.uint8([5]) 
  
    In [17]: %timeit y=z*z 
  
    1000000 loops, best of 3: 1.25 us per loop 
  
    In [19]: %timeit y=np.square(z) 
  
    1000000 loops, best of 3: 1.16 us per loop

你可以看到，x = 5; 与Numpy相比，y = x * x是最快的，速度约快20倍。如果您考虑创建数组，它可能会快达100倍。很酷，对吧？*（Numpy开发者正在处理这个问题）*

注意: Python标量操作比Numpy标量操作更快。因此对于包含一个或两个元素的操作，Python标量比Numpy数组要好。当数组的大小稍大一点时，Numpy就会占上风。

我们将再尝试一个例子。这一次，我们将比较同一图像的cv.countNonZero（）和np.count_nonzero（）的性能。计算非零数组的元素。

程序：

    In [35]: %timeit z = 
   cv.countNonZero(img) 
  
    100000 loops, best of 3: 15.8 us per loop 
  
    In [36]: %timeit z = np.count_nonzero(img) 
  
    1000 loops, best of 3: 370 us per loop

看，OpenCV功能比Numpy功能快25倍。

注意: 通常，OpenCV功能比Numpy功能更快。因此，对于相同的操作，OpenCV功能是首选。But, there can be exceptions, especially when Numpy works with views instead of copies.

性能优化技术

有几种技术和编码方法可以发挥Python和Numpy的最高性能。这里只注明相关的内容，并将链接提供给重要来源。这里要注意的主要问题是：首先尝试以简单的方式实现算法。当他正常工作后，再使用上面提高的方法找到程序的瓶颈，并优化它们。

尽可能避免在Python中使用循环，特别是二/三循环等。它们本质上很慢。
因为Numpy和OpenCV针对向量操作进行了优化，所以可以尽可能地向最大程度地矢量化算法/代码。
利用缓存一致性。
除非需要，否则不要复制阵列的副本。尝试使用视图（Views）代替，阵列复制是一项代价高昂的操作。

即使在完成所有这些操作之后，如果代码仍然很慢，或者使用大循环是不可避免的，请使用Cython等其他库来加快速度。