【项目记录】常用opencv函数运行速度实测

处理器:E3 1230，基于opencv3.0官方源码编译版本（自带IPP加速）

输入数据 1000*1000 矩阵

测试方法：连续运行10000次，取平均值

规律：尽量使用浮点数据进行处理，因为函数处理前会先转为浮点类型，该操错也耗时

1、寻找大值最小值

minMaxLoc

对于CV_32F类型，0.25ms，输入整型数据会大大增加耗时

耗时基本可以忽略

2、积分图

integral

对于CV_32F类型，6ms，若为整型数据耗时稍低

3、高斯滤波

GaussianBlur

对于CV_32F类型，1.4ms

对于CV_16U类型，7.5ms

对于CV_8U类型，1.3ms

耗时明显受矩阵大小的影响

4、矩阵翻转函数

flip

对于CV_16U, 0.12ms,对于浮点会慢一些

耗时基本可以忽略

5、图像旋转

getRotationMatrix2D
warpAffine

getRotationMatrix2D基本不耗时

warpAffine对于CV_16U,2.6ms,对于浮点,1.9ms

7、图像（矩阵）数据类型转换

convertTo

CV_32F转CV_16U, 0.2ms

CV_16U转CV_32F, 0.2ms

速度不算很慢，但前提是转换前和转换后的矩阵已经创建好（一个CV_32F的Mat和一个CV_16U的Mat，大小均为1000*1000）

通过循环和指针遍历每一个像素并强制类型转换的耗时：

CV_32F转CV_16U, 0.5ms

CV_16U转CV_32F, 0.4ms

可见，convertTo方法是经过优化的（IPP），即使实际中是一个数组（动态数组）也可以通过convertTo方法间接提高速度

8、数据块拷贝

memcpy

ushort，0.1ms

float，0.3ms

耗时基本可以忽略

9、矩阵运算

数据类型为float

如，矩阵减法

subtract

0.3~0.5ms

通过循环和指针遍历每一个像素并作减法的耗时：0.3ms

可见，使用库函数反而慢了

还有一点值得注意：遍历矩阵的循环内部，尽量不要加入分支结构（if、switch）这样会大大增加耗时

如，矩阵乘法

multiply，对于in-place操作，1.2ms

而遍历，0.18ms

注意，相乘尽量采用

a *= factor

的形式，比

a = a * factor

要快

还有一种方式是矩阵乘上一个常数，如

Mat a;
a *= 10;

虽然速度优于使用multiply函数，但如果常数是浮点数，会比整数慢，且没有遍历的方式快

结论：如果算法实时性要求高（达到ms级），则尽量采用遍历方式进行矩阵运算