1.使用OpenCV测量性能

1.1常用函数：

retval=cv.getTickCount()

retval=cv.getTickFrequency()

1.2固定写法：

# use getTickCount() to get time
e1 = cv.getTickCount()
#　　　　CODE
e2 = cv.getTickCount()
time = (e2 - e1)/cv.getTickFrequency()

print(time)   #结果以秒为单位

# 使用time.clock()计时
start = time.clock()
#　　　　 CODE
elapsed = (time.clock() - start)

print(time)　　#结果以秒为单位

2.OpenCV中的默认优化

许多OpenCV函数都是使用SSE2、AVX等进行优化的。它还包含未加密的代码。因此，如果我们的系统支持这些特性，我们就应该利用它们(几乎所有现代处理器都支持它们)。编译时默认启用它。因此，如果OpenCV启用了优化代码，它将运行优化后的代码，否则它将运行未经优化的代码。可以使用cv.useoptimization()检查是否启用/禁用了它，并使用cv.setuseoptimization()启用/禁用它。

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。

3.在Ipython中检测效率

有时您可能需要比较两个类似操作的性能。IPython提供了一个神奇的命令timeit来执行此操作。它运行代码较少的次数获得更精确的结果。同样，它们也适用于测量单行代码。

Python标量操作比Numpy标量操作快。因此，对于包含一两个元素的操作，Python标量优于Numpy数组。当数组的大小稍微大一点时，Numpy就会发挥作用。

我们试一个例子。这一次，我们将比较相同图像的cv.countNonZero()和np.count_nonzero()的性能。

In [35]: %timeit z = cv.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

OpenCV函数比Numpy函数快25倍。

通常，OpenCV函数比Numpy函数更快。因此，对于相同的操作，OpenCV函数是首选的。但是，也有例外，特别是当Numpy使用视图而不是副本时。

4.效率优化

1. 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。
2. 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。
3. 利用高速缓存一致性。
4. 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。

opencv-python-学习笔记七（程序性能检测及提升）

原文：https://www.cnblogs.com/blog-xyy/p/11184357.html