在圖像處理中每秒鐘都要做大量的運算，所以你的程序不僅要能給出正確的結果，同時還必須要快。所以這節將要學習：
? 檢測程序的效率
? 一些能夠提高程序效率的技巧
?

1.使用 OpenCV 檢測程序效率

cv2.getTickCount（） 函數 返回從參考點到這個函數被執行的時鐘數。所以當你在一個函數執行前后都調用它的話，你就會得到這個函數的執行時鐘數。
cv2.getTickFrequency（） 返回時鐘頻率，或者說每秒鐘的時鐘數。

另外：也可以導入time模塊，使用 time.time（）函數 計算函數運行時間。示例代碼如下：

            
              import cv2
import time

img = cv2.imread(r'D:\OpenCV_Python\chepai.jpg')

# t1 = time.time()
e1 = cv2.getTickCount()

# 使用窗口大小分別為3,5,7,9的核函數對圖像進行中值濾波
for k in range(3, 11, 2):
    img1 = cv2.medianBlur(img, k)

e2 = cv2.getTickCount()
# t2 = time.time()
time1 = (e2-e1) / cv2.getTickFrequency()
# time2 = t2-t1
print(time1)
# print(time2)
            
          

?

2.OpenCV 中的默認優化
OpenCV 中的很多函數都被優化過（使用 SSE2， AVX 等）。也包含一些沒有被優化的代碼。如果我們的系統支持優化的話要盡量利用這一點。在編譯時優化是被默認開啟的。因此 OpenCV 運行的就是優化后的代碼，如果你把優化關閉的話就只能執行低效的代碼了。你可以使用 函數 cv2.useOptimized( ) 來查看優化是否被開啟了，使用 函數 cv2.setUseOptimized( ) 來開啟優化。讓我們來看一個簡單的例子吧。
?

            
              import cv2
import numpy as np

# check if optimization is enabled
In [5]: cv2.useOptimized()
Out[5]: True

In [6]: %timeit res = cv2.medianBlur(img,49)
10 loops, best of 3: 34.9 ms per loop

# Disable it
In [7]: cv2.setUseOptimized(False)

In [8]: cv2.useOptimized()
Out[8]: False

In [9]: %timeit res = cv2.medianBlur(img,49)
10 loops, best of 3: 64.1 ms per loop
            
          

看見了嗎，優化后中值濾波的速度是原來的兩倍。如果你查看源代碼的話，你會發現中值濾波是被 SIMD 優化的。所以你可以在代碼的開始處開啟優化（你要記住優化是默認開啟的）。

?

3.在 IPython 中檢測程序效率

有時你需要比較兩個相似操作的效率，這時你可以使用 IPython 為你提供的魔法命令 %timeit 。他會讓代碼運行好幾次從而得到一個準確的（運行）時間。它也可以被用來測試單行代碼的。
例如，你知道下面這同一個數學運算用哪種行式的代碼會執行的更快嗎？
x = 5; y = x ? ?2
x = 5; y = x ? x
x = np:uint([5]); y = x ? x
y = np:squre(x)
我們可以在 IPython 的 Shell 中使用魔法命令找到答案。

            
              import cv2
import numpy as np

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
            
          

竟然是第一種寫法，它居然比 Nump 快了 20 倍。如果考慮到數組構建的話，能達到 100 倍的差。
注意： Python 的標量計算比 Nump 的標量計算要快。對于僅包含一兩個元素的操作 Python 標量比 Numpy 的數組要快。但是當數組稍微大一點時Numpy更有優勢。

再看個例子，比較一下 cv2.countNonZero() 和 np.count_nonzero()的計算速度。

            
              import cv2
import numpy as np

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
            
          

看見了吧， OpenCV 的函數是 Numpy 函數的 25 倍。
注意： 一般情況下 OpenCV 的函數要比 Numpy 函數快 。所以對于相同的操作最好使用 OpenCV 的函數。當然也有例外，尤其是當使用 Numpy 對視圖（而非復制）進行操作時。
?

4.更多 IPython 的魔法命令

還有幾個魔法命令可以用來檢測程序的效率， profiling， line profiling，內存使用等。他們都有完善的文檔。所以這里只提供了超鏈接：

1. Python Optimization Techniques
2. Scipy Lecture Notes - Advanced Numpy
3. Timing and Profiling in IPython
?

5.效率優化技術

有些技術和編程方法可以讓我們最大的發揮 Python 和 Numpy 的威力。我們這里僅僅提一下相關的，你可以通過超鏈接查找更多詳細信息。我們要說的最重要的一點是：首先用簡單的方式實現你的算法（結果正確最重要），當結果正確后，再使用上面的提到的方法找到程序的瓶頸來優化它。
1. 盡量避免使用循環，尤其雙層三層循環，它們天生就是非常慢的。
2. 算法中盡量使用向量操作，因為 Numpy 和 OpenCV 都對向量操作進行了優化。
3. 利用高速緩存一致性。
4. 沒有必要的話就不要復制數組。使用視圖來代替復制。數組復制是非常浪費資源的。
就算進行了上述優化，如果你的程序還是很慢，或者說大的循環不可避免的話，你你應該嘗試使用其他的包，比如說 Cython，來加速你的程序。
?