墨奇科技博客｜计算机视觉在前端应用中的实践 II

在上一篇博客中，我们简单介绍了如何基于 OpenCV.js 或 Rust/WebAssembly 设计并实现技术方案，在前端业务中实现计算机视觉类（下文简称 CV）的功能。感兴趣的同学可以点击下方链接回顾上一期博客：

墨奇科技博客 | 计算机视觉在前端应用中的实践Ⅰhttps://blog.csdn.net/Moqi_AI/article/details/123898816?spm=1001.2014.3001.5502

在本文中，我们将从算法、系统、业务三个方面，分享在进一步的性能优化上的一些经验。

一、优化对象

在我们的业务系统中，大量的 CV 计算函数均以实现“风格转换”为目标，亦即通过变换、增强原始的生物特征图像，方便系统使用者观察、标注、比对。

根据我们的内部数据统计，“图像风格转换”的使用频次较高，且短时间内使用密度大，用户期待快速的视觉反馈。因而以此类函数作为主要的优化目标能带来较高的收益。

锐化、颜色混合是 2 个高频使用的风格转换函数。锐化往往能增强图像纹理细节，加大特征与背景的区分度，对于在较差环境下拍摄、提取的模糊图像，较为实用。颜色混合函数则将单一底色，以线性混合的方式与原图混合，可用于突出生物特征的纹线。常用的为某一特定色度、明度、饱和度下的蓝色。

下文将主要以这 2 个函数为例，介绍性能优化的主要思路与方法。

二、优化思路

对于如 CV 函数般的计算密集型任务，有常见的 3 个性能优化方向。

1.算法

优化算法从而降低时间复杂度、减少高耗时的操作数往往是第一步。例如，对于最常见的卷积操作，我们可以使用 Winograd 算法计算小核（e. g. 3x3, stride 1）以减少乘法计算次数；