4.3. 11 程序性能检测及优化¶
目标
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。所以这节我们将要学习：
检测程序的效率
一些能够提高程序效率的技巧
你要学到的函数有：cv2.getTickCount,cv2.getTickFrequency等
除了 OpenCV，Python 也提供了一个叫 time 的的模块，你可以用它来测量程序的运行时间。另外一个叫做 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。如果你正在使用 IPython 的话，所有这些特点都被以一种用户友好的方式整合在一起了。我们会学习几个重要的，要想学到更加详细的知识就打开更多资源中的链接吧。
4.3.1. 11.1 使用 OpenCV 检测程序效率¶
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）。
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
>>> e1 = cv2.getTickCount()
>>>
>>> # your code execution
>>>
>>> e2 = cv2.getTickCount()
>>>
>>> time = (e2 - e1)/ cv2.getTickFrequency()
>>> print(time)
5.6734e-05
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）的核函数来做中值滤波：
>>> import time
>>> img1 = cv2.imread('/cvdata/messi5.jpg')
>>>
>>>
>>> e1 = cv2.getTickCount()
>>> t1=time.time()
>>> for i in range(5,49,2):
>>>
>>> img1 = cv2.medianBlur(img1,i)
>>>
>>> e2 = cv2.getTickCount()
>>> t2=time.time()
>>> t = (e2 - e1)/cv2.getTickFrequency()
>>> t3=t2-t1
>>> print(t3)
>>> print(t)
0.42069387435913086
0.420689946
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。
4.3.2. 11.2 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。你可以使用函数 cv2.useOptimized()来查看优化是否被开启了，使用函数 cv2.setUseOptimized() 来开启优化。
让我们来看一个简单的例子吧。
>>> cv2.useOptimized()
True
>>> %timeit res= cv2.medianBlur(img1,49)
15.3 ms ± 46 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
>>> cv2.setUseOptimized(False)
>>> cv2.useOptimized()
False
>>> %timeit res=cv2.medianBlur(img1,49)
17.1 ms ± 21.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
看见了吗，优化后中值滤波的速度是原来的两倍。如果你查看源代码的话，你会发现中值滤波是被 SIMD 优化的。所以你可以在代码的开始处开启优化（你要记住优化是默认开启的）。
4.3.3. 11.3 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 为你提供的魔法命令%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 = xx x = np.uint([5]) y = xx y = np.square(x)
>>> x=5
>>> %timeit y=x**2
34 ns ± 0.0617 ns per loop (mean ± std. dev. of 7 runs, 10,000,000 loops each)
>>> %timeit y=x*x
25.2 ns ± 0.333 ns per loop (mean ± std. dev. of 7 runs, 10,000,000 loops each)
>>> import numpy as np
>>>
>>> z=np.uint8([5])
>>> %timeit y=z*z
504 ns ± 1.65 ns per loop (mean ± std. dev. of 7 runs, 1,000,000 loops each)
>>> %timeit y=np.square(z)
487 ns ± 4.04 ns per loop (mean ± std. dev. of 7 runs, 1,000,000 loops each)
竟然是第一种写法，它居然比 Nump 快了 20 倍。如果考虑到数组构建的话，能达到 100 倍的差。
注意：Python 的标量计算比 Nump 的标量计算要快。对于仅包含一两个元素的操作 Python 标量比 Numpy 的数组要快。但是当数组稍微大一点时Numpy 就会胜出了。
我们来再看几个例子。我们来比较一下 cv2.countNonZero() 和 np.count_nonzero()。
In [35]: %timeit z = cv2.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
看见了吧，OpenCV 的函数是 Numpy 函数的 25 倍。
注意：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。
4.3.4. 11.4 更多 IPython 的魔法命令¶
还有几个魔法命令可以用来检测程序的效率，profiling，line profiling，内存使用等。他们都有完善的文档。所以这里只提供了超链接。感兴趣的可以自己学习一下。
4.3.5. 11.5 效率优化技术¶
有些技术和编程方法可以让我们最大的发挥 Python 和 Numpy 的威力。
我们这里仅仅提一下相关的，你可以通过超链接查找更多详细信息。我们要说的最重要的一点是：首先用简单的方式实现你的算法（结果正确最重要），当结果正确后，再使用上面的提到的方法找到程序的瓶颈来优化它。
尽量避免使用循环，尤其双层三层循环，它们天生就是非常慢的。
算法中尽量使用向量操作，因为 Numpy 和 OpenCV 都对向量操作进行了优化。
利用高速缓存一致性。
没有必要的话就不要复制数组。使用视图来代替复制。数组复制是非常浪费资源的。
就算进行了上述优化，如果你的程序还是很慢，或者说大的训话不可避免的话，你你应该尝试使用其他的包，比如说 Cython，来加速你的程序。
更多资源
Python Optimization Techniques
Scipy Lecture Notes - Advanced Numpy
Timing and Profiling in IPython