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它。因此，在本章中，您将学习：

• 衡量代码的性能。
• 一些改善代码性能的技巧。
• 您将看到以下功能：cv.getTickCount，cv.getTickFrequency等。

除了OpenCV，Python还提供了一个time模块，这有助于衡量执行时间。另一个profile模块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等。但是，如果您使用的是IPython，则所有这些功以用户友好的方式集成了。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。

使用OpenCV衡量性能

cv.getTickCount函数返回调用此函数之后，参照事件（像的时刻该机器接通）的时钟周期的数目。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，或每秒时钟周期的数目。因此，要找到执行时间（以秒为单位），您可以执行以下操作：

e1 = [cv.getTickCount](http://opencvdoc.hihi.site:5050/db/de0/group__core__utils.html#gae73f58000611a1af25dd36d496bf4487)()

# your code execution

e2 = [cv.getTickCount](http://opencvdoc.hihi.site:5050/db/de0/group__core__utils.html#gae73f58000611a1af25dd36d496bf4487)()

time = (e2 - e1)/ [cv.getTickFrequency](http://opencvdoc.hihi.site:5050/db/de0/group__core__utils.html#ga705441a9ef01f47acdc55d87fbe5090c)()

我们将通过以下示例进行演示。以下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）：

img1 = cv.imread('messi5.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 )
# Result I got is 0.521107655 seconds

注意
您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。然后取两次的差。

OpenCV中的默认优化

许多OpenCV函数已使用SSE2，AVX等进行了优化。它还包含未优化的代码。因此，如果我们的系统支持这些函数，则应该利用它们（几乎所有现代处理器都支持它们）。默认在编译时启用。因此，如果已启用，OpenCV将运行优化的代码，否则将运行未优化的代码。您可以使用cv.useOptimized（）来检查是否启用/禁用它，并使用cv.setUseOptimized（）来启用/禁用它。让我们看一个简单的例子。

# check if optimization is enabled
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
# Disable it
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

如您所见，优化的中值滤波比未优化的版本快2倍。如果检查其来源，则可以看到中值滤波是SIMD优化的。因此，您可以使用它在代码顶部启用优化（请记住默认情况下已启用）。

在IPython中评估性能

有时您可能需要比较两个相似操作的性能。IPython为您提供了一个神奇的命令timeit来执行此操作。它会多次运行代码以获得更准确的结果。再说一次，它适合于测试单行代码。

例如，您知道以下哪个加法更好，x = 5; y = x2，x = 5; y = xx，x = np.uint8（[5]）; y = xx，或y = np.square(x)？我们将在IPython shell中使用timeit进行查找。

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

您可以看到，x = 5；y = x*x最快，比Numpy快20倍左右。如果您还考虑数组的创建，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标量运算比Numpy标量运算快。因此，对于包含一两个元素的运算，Python标量比Numpy数组好。当数组的大小稍大时，Numpy具有优势。

我们将再尝试一个示例。这次，我们将比较同一图像的cv.countNonZero（）和np.count_nonzero()性能。

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

可以看到，OpenCV函数比Numpy函数快25倍。

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。

更多IPython魔术命令

还有其他一些魔术命令可以用来衡量性能，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。

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的性能。此处仅记录相关内容，并链接到重要资源。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该算法。工作正常后，分析它，找到瓶颈并进行优化。

1. 尽可能避免在Python中使用循环，尤其是双/三重循环等。它们本来就很慢。
2. 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。
3. 利用缓存一致性。
4. 除非有必要，否则切勿复制数组。尝试改用视图。数组复制是一项昂贵的操作。

如果执行完所有这些操作后代码仍然很慢，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。

其他资源

1. Python优化技术
2. Scipy讲义- 高级Numpy
3. IPython中的时序和性能分析

练习题