opencv-python:07_OpenCV程序性能检测及优化(getTickCount()、getTickFrequency()、useOptimized()、%time、%timeit )

OpenCV程序性能检测及优化

  1. 在图像处理中你每秒钟都要做大量的运算,所以你的程序不仅要能给出正确的结果,同时还必须要快。

    • 检测程序的效率
    • 一些能够提高程序效率的技巧
    • 相关函数有:cv2.getTickCount,cv2.getTickFrequency等
  2. 检测时间的方法

    • 使用OpenCV
    • Python 的 time 的的模块,你可以用它来测量程序的运行时间。
    • Python 的 profile 的模块,会帮你得到一份关于你的程序的详细报告,其中包含了代码中每个函数运行需要的时间,以及每个函数被调用的次数。

一、使用 OpenCV 检测程序效率

  1. cv2.getTickCount 函数返回从参考点到这个函数被执行的时钟数。所以当你在一个函数执行前后都调用它的话,你就会得到这个函数的执行时间(时钟数)。

  2. cv2.getTickFrequency 返回时钟频率,或者说每秒钟的时钟数。所以你可以按照下面的方式得到一个函数运行了多少秒:

import cv2
import numpy as np

e1 = cv2.getTickCount()
# your code execution
e2 = cv2.getTickCount()
time = (e2 - e1)/ cv2.getTickFrequency()
# 我们将会用下面的例子演示。下面的例子是用窗口大小不同(5,7,9)核函数来做中值滤波:
import cv2
import numpy as np

img = cv2.imread('cat.jpg')

e1 = cv2.getTickCount()
for i in range(5,49,2):
    img = cv2.medianBlur(img,i)
e2 = cv2.getTickCount()

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

注 意: 你 也 可 以 中 time 模 块 实 现 上 面 的 功 能。 但 是 要 用 的 函 数 是time.time() 而不是 cv2.getTickCount。比较一下这两个结果的差别吧。

二、OpenCV 中的默认优化

OpenCV 中的很多函数都被优化过(使用 SSE2,AVX 等)。也包含一些没有被优化的代码。如果我们的系统支持优化的话要尽量利用只一点。在编译时优化是被默认开启的。因此 OpenCV 运行的就是优化后的代码,如果你把优化关闭的话就只能执行低效的代码了。

  • 使用函数cv2.useOptimized() 来查看优化是否被开启,
  • 使用函数cv2.setUseOptimized() 来开启优化。
import cv2
import numpy as np

img = cv2.imread('cat.jpg')

# check if optimization is enabled
cv2.useOptimized()
%timeit res = cv2.medianBlur(img,49)

    
# Disable it
cv2.setUseOptimized(False)
cv2.useOptimized()
%timeit res = cv2.medianBlur(img,49)

在 IPython 中检测程序效率

有时你需要比较两个相似操作的效率,这时你可以使用 IPython 为你提供魔法命令%time。他会让代码运行好几次从而得到一个准确的(运行)时间,它也可以被用来测试单行代码的。

例如,你知道下面这同一个数学运算用哪种行式的代码会执行的更快吗?

    x = 5; y = x ∗ ∗2
    x = 5; y = x ∗ x
    x = np.uint([5]); y = x ∗ x
    y = np.squre(x)

我们可以在 IPython 的 Shell 中使用魔法命令找到答案。

import cv2
import numpy as np

x = 5
%timeit y=x**2

%timeit y=x*x

z = np.uint8([5])
%timeit y=z*z

%timeit y=np.square(z)

我们来再看几个例子。我们来比较一下 cv2.countNonZero()np.count_nonzero()。

一般情况下 OpenCV 的函数要比 Numpy 函数快。所以对于相同的操作最好使用 OpenCV 的函数。当然也有例外,尤其是当使用 Numpy 对视图(而非复制)进行操作时。

import cv2
import numpy as np

# countNonZero():返回灰度值不为0的像素数,可用来判断图像是否全黑。
# opencv 二值化图像 像素统计 countNonZero  对二值化图像执行countNonZero。可得到非零像素点数.
%timeit z = cv2.countNonZero(img)

%timeit z = np.count_nonzero(img)

你可能感兴趣的:(python,opencv)