性能衡量和改进技术 OpenCV-Python v4.7.0

目标

在图像处理中，由于你要处理每秒大量的操作，你的代码不仅要提供正确的解决方案，而且要以最快的方式提供，这是必须的。因此，在本章中，你将学习：

• 衡量你的代码的性能。
• 一些提高你的代码性能的技巧。
• 你会看到这些函数：cv.getTickCount, cv.getTickFrequency，等等。

除了OpenCV之外，Python还提供了一个模块time，这对于测量执行时间很有帮助。另一个模块profile有助于获得代码的详细报告，比如代码中每个函数花了多少时间，函数被调用了多少次，等等。但是，如果你使用的是IPython，所有这些功能都以一种用户友好的方式整合在一起。我们将看到一些重要的功能，更多的细节，请查看附加资源部分的链接。

用OpenCV测量性能

cv.getTickCount函数返回一个参考事件（比如机器被打开的那一刻）到这个函数被调用的那一刻之后的时钟周期的数量。因此，如果你在函数执行之前和之后调用它，你会得到执行一个函数所使用的时钟周期数。

cv.getTickFrequency函数返回时钟周期的频率，或每秒的时钟周期数。所以要找到以秒为单位的执行时间，你可以做以下工作：

e1 = cv.getTickCount()
# 你的代码执行情况
e2 = cv.getTickCount()
time = (e2 - e1)/ cv.getTickFrequency()

我们将用下面的例子来证明。下面的例子应用中值滤波，核的大小从5到49不等，（不要担心结果会是什么样子–那不是我们的目标）：

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 )
#我得到的结果是0.521107655秒

注意事项
你可以用时间模块做同样的事情。使用time.time()函数来代替cv.getTickCount。然后取这两个时间的差值。

OpenCV中的默认优化

OpenCV的许多函数都使用SSE2，AVX等进行了优化。它也包含未经优化的代码。因此，如果我们的系统支持这些功能，我们应该利用它们（几乎所有的现代处理器都支持它们）。在编译的时候，它是默认启用的。所以，如果OpenCV启用了优化代码，它就会运行优化的代码，否则就会运行未优化的代码。你可以使用cv.useOptimized()来检查它是否被启用/禁用，cv.setUseOptimized()来启用/禁用它。让我们看一个简单的例子：

# 检查是否启用了优化功能
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
# 禁用它
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

正如你所看到的，优化的中值过滤比未优化的版本快2倍。如果你检查它的源代码，你可以看到中值过滤是SIMD优化的。因此，你可以用它来在你的代码顶部启用优化（记住它是默认启用的）。

衡量IPython的性能

有时你可能需要比较两个类似操作的性能。IPython给了你一个神奇的命令timeit来执行这个任务。它将代码运行数次，以获得更准确的结果。再一次，它适合于测量单行的代码。

例如，你知道下面的加法运算哪个更好，x=5；y=x**2，x=5；y=xx，x=np.uint8([5])；y=xx，或者y=np.square(x)？我们将通过IPython shell中的timeit来找出答案。

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

你可以看到，x = 5 ; y = xx是最快的，与Numpy相比，它大约快20倍。如果你也考虑到数组的创建，它可能达到100倍的速度。很酷，对吗？(Numpy的开发者们正在解决这个问题)*。

注意
Python的标量操作要比Numpy的标量操作快。所以对于包括一个或两个元素的操作，Python标量比Numpy数组好。当数组的大小稍微大一点时，Numpy有优势。

我们将再试一个例子。这一次，我们将比较cv.countNonZero()和**np.count_nonzero()**对同一图像的性能。

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

看，OpenCV函数比Numpy函数快了近25倍。

注意
通常情况下，OpenCV函数比Numpy函数快。所以对于相同的操作，OpenCV函数是首选。但是，也可能有例外，特别是当Numpy使用视图而不是拷贝时。

更多的IPython魔法命令

还有其他几个神奇的命令来测量性能，剖析，行剖析，内存测量等等。它们都有很好的文档。所以这里只提供这些文档的链接。建议有兴趣的读者可以尝试一下。

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。这里只指出了相关的技术，并给出了重要来源的链接。这里需要注意的是，首先尝试以一种简单的方式实现算法。一旦它开始工作，对它进行剖析，找到瓶颈，并对其进行优化。

• 1.尽可能避免在Python中使用循环，特别是双/三循环等。它们本身就很慢。
• 2.尽可能地将算法/代码矢量化，因为Numpy和OpenCV是为矢量操作而优化的。
• 3.利用高速缓存的一致性。
• 4.除非有必要，否则不要对数组进行复制。尽量使用视图来代替。阵列的复制是一个昂贵的操作。

如果你的代码在做完所有这些操作后仍然很慢，或者不可避免地要使用大的循环，请使用额外的库，如Cython，使其更快。

额外的资源

Python优化技术
Scipy讲义–高级Numpy
IPython中的计时和分析