python调用opencv的速度_OpenCV-Python系列之OpenCV性能衡量与优化方法

本次教程我们谈及OpenCV的性能衡量与优化，众所周知，算法的不断的革新其最重要的一点就是不断的优化再优化，比如我们的后面要讲到的边缘检测的算法，又或者是图像分割的算法，他们都是随着时间的一步一步的推移，从而完成算法层面的优化。在以后的学习中，我们会接触到诸多的框架，这些所谓的API他们都是固定的，如果我们只是单纯的调用这些API的话，那么就做不到算法层面的革新，而当我们自己想从原理层面来写这些算法的时候，我们就需要考虑到它的速度，是否能跟得上这些原有API的速度。

本次教程我们需要接触到几个函数：

cv.getTickCount()

调用此函数之后返回时钟周期的数目。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。

现在我们来做个实验，我们采用一个普通的高斯滤波器，调用OpenCV中的函数API，我们看看调用OpenCV的API速度怎么样：import cv2

img1 = cv2.imread("01.jpg")

e1 = cv2.getTickCount()

img1 = cv2.GaussianBlur(img1,(3,3),0)

e2 = cv2.getTickCount()

t = (e2 - e1) / cv2.getTickFrequency()

print(t)

cv2.imshow("res", img1)

cv2.waitKey(0)

cv2.destroyAllWindows()

我们运行看看效果：

可以看到运行速度非常快，现在我们自己写一个高斯滤波器，不再调用官方API，我们看看效果，当然，这里只是进行一个实验，具体代码的编写目前并不要求大家掌握，这些是后面将要学到的内容，我们来看代码：import cv2

import numpy as np

import math

import copy

gauss = np.array([1, 2, 1, 2, 4, 2, 1, 2, 1])

def spilt(a):

if a / 2 == 0:

x1 = x2 = a / 2

else:

x1 = math.floor(a / 2)

x2 = a - x1

return -x1, x2

def gaussian_b0x(a, b):

judge = 10

sum = 0

box = []

x1, x2 = spilt(a)

y1, y2 = spilt(b)

for i in range(x1, x2):

for j in range(y1, y2):

t = i * i + j * j

re = math.e ** (-t / (2 * judge * judge))

sum = sum + re

box.append(re)

box = np.array(box)

box = box / sum

# for x in box :

#     print (x)

return box

def original(i, j, k, a, b, img):

x1, x2 = spilt(a)

y1, y2 = spilt(b)

temp = np.zeros(a * b)

count = 0

for m in range(x1, x2):

for n in range(y1, y2):

if i + m  img.shape[0] - 1 or j + n  img.shape[1] - 1:

temp[count] = img[i, j, k]

else:

temp[count] = img[i + m, j + n, k]

count += 1

return temp

def gaussian_function(a, b, img, gauss_fun):

img0 = copy.copy(img)

for i in range(0, img.shape[0]):

for j in range(2, img.shape[1]):

for k in range(img.shape[2]):

temp = original(i, j, k, a, b, img0)

img[i, j, k] = np.average(temp, weights=gauss_fun)  # 按权分配

return img

img0 = cv2.imread("01.jpg")

gauss_new = gaussian_b0x(3 , 3)

e1 = cv2.getTickCount()

gauss_img = gaussian_function(3, 3, copy.copy(img0), copy.copy(gauss_new))

e2 = cv2.getTickCount()

t = (e2 - e1) / cv2.getTickFrequency()

print(t)

cv2.imshow("res",gauss_img)

cv2.waitKey(0)

cv2.destroyAllWindows()

我们来看运行效果，跟官方API的效果一致：

但是其运行时间让人觉得难以接受，竟然长达18秒：

由此我们可以用这两个函数检验自己所写的算法是否已经足够优化，运行时间就是最好的证明。

OpenCV中的默认优化

许多OpenCV功能都使用SSE2，AVX等进行了优化，当然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(几乎所有现代处理器都支持它们).编译时默认启用它， 因此，OpenCV运行优化代码(如果已启用)，否则运行未优化代码。 我们可以使用cv2.useOptimized()来检查它是否已启用/禁用，并使用cv2.setUseOptimized()来启用/禁用它：import cv2

print(cv2.useOptimized())

cv2.setUseOptimized(False)

print(cv2.useOptimized())

我们可以查看输出：

现在我们将其综合起来，看看优化之后与不优化的速度差异，我们先来看优化之后的：import cv2

img1 = cv2.imread("cat.jpg")

print(cv2.useOptimized())  # True

e1 = cv2.getTickCount()

for i in range(5, 49, 2):

img1 = cv2.medianBlur(img1, i)

e2 = cv2.getTickCount()

print((e2 - e1) / cv2.getTickFrequency())

时间：

我们再来看看未优化的效果：import cv2

img1 = cv2.imread("cat.jpg")

cv2.setUseOptimized(False)

print(cv2.useOptimized())  # False

e1 = cv2.getTickCount()

for i in range(5, 49, 2):

img1 = cv2.medianBlur(img1, i)

e2 = cv2.getTickCount()

print((e2 - e1) / cv2.getTickFrequency())

事实证明，OpenCV在开启优化之后其运行速度得到了提升。

到本次教程为止，OpenCV入门篇的教程就结束了，从下一个教程开始，将进行OpenCV基础篇的讲解。