opencv第三天

性能测量

import numpy as np
import cv2 as cv
'''n 图像处理，由于您每秒处理大量操作，因此您的代码不仅要提供正确的解决方案，而且还要以最快的方式提供解决方案，这是强制性的。
 因此，在本章中，您将学习：
    衡量代码的性能。
    一些提高代码性能的技巧。
您将看到这些函数：cv.getTickCount、cv.getTickFrequency 等。
除了 OpenCV，Python 还提供了一个模块时间，有助于测量执行时间。 另一个模块配置文件有助于获得关于代码的详细报告，
例如代码中每个函数花费了多少时间，函数被调用了多少次等。但是，如果您使用的是 IPython，所有这些功能都集成在用户中 -友好的方式。 我们将看到一些重要的内容，有关更多详细信息，请查看附加资源部分中的链接。'''

'''使用 OpenCV 测量性能
cv.getTickCount 函数返回从参考事件（如机器开启的那一刻）到调用此函数的那一刻的时钟周期数。
cv.getTickFrequency 函数返回（cpu）时钟周期的频率，或每秒的时钟周期数。 
因此，要以秒为单位查找执行时间，您可以执行以下操作：执行时间=总时钟次数/一秒内的时钟次数即频率（单位秒）
        e1 = cv.getTickCount()
        # your code execution
        e2 = cv.getTickCount()
        time = (e2 - e1)/ cv.getTickFrequency()'''



img1 = cv.imread('1.jpg')
e1 = cv.getTickCount()
for i in range(5,49,2):
    # des=cv.medianBlur(src,ksize) 中值滤波 ksize要是比1大的奇数！类似于avgpool和maxpool即：
    #以每个点为核，取ksize大小的正方形大小像素，将其排序，取中值，直到遍历完，返回处理后的图至des
    # 一般来说，ksize越大，返回的图越模糊
    img1 = cv.medianBlur(img1,i)
    '''可以输入这个查看模糊效果
    cv.imshow('name', img1)
    cv.waitKey(0)
    cv.destroyAllWindows()'''

e2 = cv.getTickCount()
t = (e2 - e1)/cv.getTickFrequency()
print( t )

'''你可以用时间模块做同样的事情。 使用 time.time() 函数代替 cv.getTickCount。 然后取两次之差。
OpenCV 中的默认优化
许多 OpenCV 函数都使用 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功能，我们应该利用它们（几乎所有现代处理器都支持它们）。
 编译时默认启用。 所以 OpenCV 如果启用则运行优化的代码，否则运行未优化的代码。 
 您可以使用 cv.useOptimized() 检查它是否启用/禁用，并使用 cv.setUseOptimized() 启用/禁用它。
  让我们看一个简单的例子。(由于%timeit和%time只能在ipython和jupter中使用，这里就不演示了

（加it是计算多次的时间，不加
仅计算单次的时间）

  就演示cv.useOptimized()与cv.setUseOptimized(False)  '''

# check if optimization is enabled
print(cv.useOptimized())#True  默认情况下就是True

# %timeit res = cv.medianBlur(img,49)

# Disable it
cv.setUseOptimized(False)
print(cv.useOptimized())#False

# %timeit res = cv.medianBlur(img,49)
# 如您所见，优化的中值滤波比未优化的版本快 2 倍。 如果你检查它的来源，你可以看到中值过滤是 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 /jupyter中测量性能
有时您可能需要比较两个类似操作的性能。其为您提供了一个神奇的命令 timeit 来执行此操作。 它多次运行代码以获得更准确的结果。 再次，它适用于测量单行代码。

例如，你知道下面哪个加法运算更好，x = 5； y = x**2, x = 5; y = x*x, x = np.uint8([5]); y = x*x，还是 y = np.square(x)？ 我们将在 IPython shell 中使用 timeit 找出答案。

 

你可以看到， x = 5 ; y = x*x 最快，与 Numpy 相比快 好几倍。 如果您还考虑阵列创建，它可能会快更多 倍。 很酷，对吧？ *（Numpy 开发人员正在解决这个问题）*

笔记
Python 标量运算比 Numpy 标量运算快。 因此对于包含一两个元素的操作，Python 标量优于 Numpy 数组。 当数组的大小稍微大一点时，Numpy 具有优势。

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。

看，OpenCV 函数比 Numpy 函数快近 25 倍。

笔记
通常，OpenCV 函数比 Numpy 函数快。 因此，对于相同的操作，首选 OpenCV 函数。 但是，可能会有例外，尤其是当 Numpy 使用视图而不是副本时。

更多 IPython 魔术命令
还有其他几个神奇的命令可以测量性能、分析、行分析、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发挥 Python 和 Numpy 的最大性能。 此处仅注明相关内容，并提供重要来源的链接。 这里要注意的主要是，首先尝试以简单的方式实现算法。 一旦它开始工作，就对其进行分析，找到瓶颈并对其进行优化。

尽可能避免在 Python 中使用循环，尤其是双/三循环等。它们天生就很慢。
尽可能将算法/代码矢量化，因为 Numpy 和 OpenCV 针对矢量运算进行了优化。
利用缓存一致性。
除非必要，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。
如果您的代码在执行完所有这些操作后仍然很慢，或者如果不可避免地使用大循环，请使用 Cython 等其他库来使其更快。