OpenCV常见的优化方法和技巧总结
一、OpenCV常见的优化方法总结
1.1 cv::imread()设置reduce模式：
cv::imread()设置reduce模式， 读取缩放的低分辨率小图，或者直接读取灰度图，可以做到自适应，先用EXIF信息读取图像的分辨率，当分辨率大于一定阈值，则设置读取模式为：IMREAD_REDUCED_COLOR_2或者IMREAD_REDUCED_COLOR_4 ，避免内存过大以及编程resieze耗时
OpenCV之时间测试和性能优化技术[Python]
一、时间测试
对比于Ipython中使用的 %time （后加多行代码） 、 %timeit （后加单行代码），OpenCV也有自己的时间测试计算函数
cv2.getTickCount：函数返回一个参考事件（就像机器开启的瞬间）到此函数被调用之间的时钟周期数。所以如果你在一个函数执行之前和之后调用它，你会得到用来执行一个函数的时钟周期数。
cv2.getTickFrequency：函数返回时钟周期的频率或每秒钟的时钟周期数。所以要以秒数为单位测量执行的时间
python测试代码：
以中值滤波为例[code]
《OpenCV图像处理》 第七章 加速图像处理
OpenCV库包括了对OpenCL和CUDA GPU架构的支持。
OpenCL（Open Computing Language）：开放计算语言，可以附加在主机处理器的CPU或GPU上执行。
OpenCV有一个新的统一数据结构UMat，用于在必要和可能的时候，负责将数据传输到GPU。
目前，有5个可用的OpenCL SDK：AMD APP SDK、Intel SDK、IBM OpenCL开发工具包、IBM OpenCL公共运行库、Nvidia OpenCL驱动程序和工具。
检查你的OpenCL是否可用[code]
CPU和GPU处理对比[code]
人脸辨认、GPU和CPU处理区别[code]
使用OpenCV和CUDA实现GPU加速的计算机视觉（2018年）
使用OpenCV和CUDA实现GPU加速的计算机视觉
——了解CUDA如何通过访问GPU的强大功能，使OpenCV能够处理计算机和机器视觉中复杂且快速增长的图像数据处理
主要特征
探索使用OpenCV和CUDA的GPU处理能力的示例
增强嵌入式硬件平台上算法的性能
发现用于GPU加速的C ++和Python库
图书说明
计算机视觉已经在广泛的行业中发生了革命性的变化，OpenCV是最广泛选择的计算机视觉工具，具有多种编程语言的工作能力。如今，在计算机视觉中，需要实时处理大图像，这对于OpenCV本身很难处理。这就是CUDA的亮点，允许OpenCV利用功能强大的NVDIA GPU。本书详细介绍了如何将OpenCV与CUDA集成到实际应用中。
首先，您将了解使用CUDA进行GPU编程，这是从未使用过GPU的计算机视觉开发人员的一个重要方面。然后，您将通过一些实际示例继续探索使用GPU和CUDA的OpenCV加速。
一旦掌握了核心概念，您就可以熟悉在NVIDIA Jetson TX1上部署OpenCV应用程序，这在计算机视觉和深度学习应用程序中非常流行。本书的最后几章解释了PyCUDA，这是一个利用CUDA和GPU加速的Python库，可供使用OpenCV和Python的计算机视觉开发人员使用。
在本书的最后，借助本书的实践方法，您将拥有增强的计算机视觉应用程序。