计算机视觉 / 系统课时

测量处理耗时

测量处理耗时

本课用 OpenCV 内置计时器统计单个处理步骤和完整流水线的耗时,并通过多次运行取平均值,快速找出真正拖慢程序的环节,为后续优化提供可靠依据。

学习目标

  • 使用 cv2.getTickCount() 和 cv2.getTickFrequency() 计算耗时
  • 分别统计灰度化、滤波、边缘检测和整条流水线
  • 避免只测一次、把初始化时间混入结果等常见误差

OpenCV 计时器的工作方式

cv2.getTickCount() 返回高精度计时器当前的计数值,cv2.getTickFrequency() 返回每秒包含多少个计数。两个计数值相减后除以频率,即可得到秒数:

t=cend−cstartft = \frac{c_{end} - c_{start}}{f}

其中 cstartc_{start} 和 cendc_{end} 分别是开始、结束计数,ff 是计时频率。测量某一步时,应把开始计数放在操作之前,把结束计数放在操作之后。

分步骤测量完整示例

下面的程序生成一张测试图像,预热一次后连续运行 20 次,分别累计灰度化、高斯滤波、Canny 边缘检测和整条流水线的耗时。多次取平均值比单次结果更稳定。

python
import cv2
import numpy as np

def run_pipeline(image: np.ndarray) -> tuple[np.ndarray, dict[str, float]]:
    timings: dict[str, float] = {}
    pipeline_start = cv2.getTickCount()

    start = cv2.getTickCount()
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    timings["gray"] = (cv2.getTickCount() - start) / cv2.getTickFrequency()

    start = cv2.getTickCount()
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    timings["blur"] = (cv2.getTickCount() - start) / cv2.getTickFrequency()

    start = cv2.getTickCount()
    edges = cv2.Canny(blurred, 80, 160)
    timings["canny"] = (cv2.getTickCount() - start) / cv2.getTickFrequency()

    timings["pipeline"] = (
        cv2.getTickCount() - pipeline_start
    ) / cv2.getTickFrequency()
    return edges, timings

def main() -> None:
    # 固定随机种子,保证每次测试使用相同尺寸和内容的图像
    rng = np.random.default_rng(42)
    image = rng.integers(0, 256, size=(1080, 1920, 3), dtype=np.uint8)

    run_pipeline(image)  # 预热,避免首次调用的初始化开销干扰结果

    repeat = 20
    totals = {"gray": 0.0, "blur": 0.0, "canny": 0.0, "pipeline": 0.0}

    for _ in range(repeat):
        edges, timings = run_pipeline(image)
        for name, seconds in timings.items():
            totals[name] += seconds

    for name in ("gray", "blur", "canny", "pipeline"):
        average_ms = totals[name] / repeat * 1000
        print(f"{name:8s}: {average_ms:.3f} ms")

    print("edge shape:", edges.shape)

if __name__ == "__main__":
    main()

预期输出如下,具体耗时会随 CPU、OpenCV 构建方式和系统负载变化,因此使用 <TIME> 表示动态值。

text
gray    : <TIME> ms
blur    : <TIME> ms
canny   : <TIME> ms
pipeline: <TIME> ms
edge shape: (1080, 1920)

如何识别优化重点

先比较各步骤的平均耗时,耗时最高的步骤通常是首要优化对象。例如 Canny 明显高于灰度化时,应优先检查输入尺寸、阈值设置或是否能减少调用次数,而不是先优化几乎不占时间的代码。

整条流水线耗时通常略高于各步骤之和,因为还包含函数调用、记录和步骤衔接等开销。如果流水线耗时远高于分步骤之和,应继续检查图像复制、格式转换、磁盘读写或日志输出。

让测量结果更可信

测试前至少预热一次,避免首次调用时的缓存、线程池或内部初始化影响结果。测试过程应使用相同输入尺寸,并重复运行多次取平均值;需要比较两种实现时,还应在相同环境下交替测试。

不要把 cv2.imread()、窗口显示和人工等待时间混入纯算法耗时,除非目标就是评估端到端处理时间。若流程包含 GPU、异步任务或多线程,还需要等待任务真正完成后再停止计时。

本课总结

  • getTickCount() 的计数差除以 getTickFrequency() 可得到秒级耗时
  • 单步骤计时用于定位瓶颈,整条流水线计时用于评估端到端成本
  • 预热、多次重复和固定输入是获得稳定结果的关键

下一课预告

下一课将处理 OpenCV 在部分环境中无法直接读写中文路径的问题,并封装兼容的图像读取与保存方法。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

测量处理耗时

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通