1.使用OpenCV衡量性能
主要使用cv.getTickCount()和cv.getTickFrequency()函数。
- cv.getTickCount()函数返回从参考事件（如打开机器的那一刻）到调用此函数那一刻之间的时钟周期数。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的时钟周期数。
- time.time()函数返回当前时间的时间戳。
代码示例：
import cv2 as cv
import time
img1 = cv.imread('C:\\Users\\dell\\Desktop\\prac files\\prac.jpg')
e1 = cv.getTickCount()
e2 = time.time()
for i in range(5,49,2):
img1 = cv.medianBlur(img1,i)
e3 = cv.getTickCount()
e4 = time.time()
t1 = (e3 - e1)/cv.getTickFrequency()
t2 = e4 - e2
print( t1,'\t',t2 )
2.OpenCV中的默认优化
启用OpenCV时会默认使用优化过的代码，使用cv.useOptimized()函数检查是否启用 / 禁用以及cv.setUseOptimized()以启用 / 禁用它。代码示例：
import cv2 as cv
print(cv.useOptimized())
cv.setUseOptimized(False)
print(cv.useOptimized())
cv.setUseOptimized(True)
print(cv.useOptimized())
3.性能优化技术
- 注意 Python标量操作比Numpy标量操作快。因此，对于包含一两个元素的运算，Python标量比Numpy数组好。当数组大小稍大时，Numpy会占优势。
- 通常，OpenCV函数比Numpy函数要快。因此，对于相同的操作，首选OpenCV功能。但是，可能会有例外，尤其是当Numpy处理视图而不是副本时。
- 尽量避免在Python中使用循环，尤其是双/三重循环等。它们本来就很慢。
- 由于Numpy和OpenCV已针对向量运算进行了优化，因此将算法/代码向量化到最大程度。
- 利用缓存一致性。
- 除非需要，否则切勿创建数组的副本。尝试改用视图。数组复制是一项昂贵的操作。
