python 图像无缝拼接,OpenCV Python 系列教程3 - Core 组件
基本知識(shí)
灰度圖像的存儲(chǔ)方式：
image
多通道圖像存儲(chǔ)方式
image
OpenCV 中的通道存儲(chǔ)為 BGR
像素值的存儲(chǔ)方式
RGB 模式，顯示設(shè)備采用這種模式
HSV、HLS 將顏色分解成色調(diào)、飽和度和亮度/明度
YCrCb 在 JPEG 圖像格式中廣泛使用
CIE Lab* 是一種感知上均勻的顏色空間，它適用來度量?jī)蓚€(gè)顏色之間的距離
圖片的基本操作
學(xué)習(xí)目標(biāo)：
訪問像素值并修改
訪問圖片屬性
設(shè)置圖像區(qū)域(ROI)
拆分、合并圖像
這一節(jié)主要大部分涉及 Numpy 庫的使用
訪問并且修改像素值
import cv2
import numpy as np
# 加載一個(gè)彩色圖
img = cv2.imread("img.jpg")
img.shape
(150, 220, 3)
px = img[100, 100]
print(px)
blue = img[100, 100, 0]
print(blue)
[ 85 180 173]
85
# 修改特定的像素
img[100, 100] = [255, 255, 255]
print(img[100, 100])
# 這種修改每個(gè)像素的做法效率很低
[255 255 255]
最好使用下面這種方法
# 獲取 RED 通道值
img.item(10, 10, 1)
# 修改
img.itemset((10, 10, 2), 100)
img.item(10, 10, 2)
100
顏色空間縮減
若是單通道的像素，像素有 256(0-255)個(gè)值，若是三通道，則顏色數(shù)就更多(一千六百多萬種)，如此多的顏色進(jìn)行處理，會(huì)對(duì)算法的性能造成影響。這些顏色中，有代表性的顏色只是小部分。
顏色空間縮減(color space reduction)可以大大降低運(yùn)算復(fù)雜度，具體做法是：
0-9 范圍的像素值為 0；
10-19 范圍像素值為 10；
以此類推
算法實(shí)現(xiàn)步驟：
遍歷圖像矩陣的每個(gè)像素
根據(jù)公式：
img = cv2.imread("img.jpg", 0) # img.shape = 150*220
img_new = np.array([i for i in map(lambda x:(x//10)*10, img)])
cv2.imshow("img", img)
cv2.imshow("img_new", img_new)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 統(tǒng)計(jì)不同元素的個(gè)數(shù)
np.unique(img),np.unique(img_new)
(array([ 21, 26, 28, 33, 34, 35, 37, 38, 39, 40, 41, 42, 43,
44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56,
57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69,
70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82,
83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95,
96, 97, 98, 99, 100, 101, 102, 103, 104, 105, 106, 107, 108,
109, 110, 111, 112, 113, 114, 115, 116, 117, 118, 119, 120, 121,
122, 123, 124, 125, 126, 127, 128, 129, 130, 131, 132, 133, 134,
135, 136, 137, 138, 139, 140, 141, 142, 143, 144, 145, 146, 147,
148, 149, 150, 151, 152, 153, 154, 155, 156, 157, 158, 159, 160,
161, 162, 163, 164, 165, 166, 167, 168, 169, 170, 171, 172, 173,
174, 175, 176, 177, 178, 179, 180, 181, 182, 183, 184, 185, 186,
187, 188, 189, 190, 191, 192, 193, 194, 195, 196, 197, 198, 199,
200, 201, 202, 203, 204, 205, 206, 207, 208, 209, 210, 211, 212,
213, 214, 215, 216, 217, 218, 219, 220, 221, 222, 223, 224, 225,
226, 227, 228, 229, 230, 231, 232, 233, 234, 235, 236, 237, 238,
239, 240, 241, 242, 243, 244, 245, 246, 247, 248, 249, 250, 251,
252, 253, 254, 255], dtype=uint8),
array([ 20, 30, 40, 50, 60, 70, 80, 90, 100, 110, 120, 130, 140,
150, 160, 170, 180, 190, 200, 210, 220, 230, 240, 250], dtype=uint8))
運(yùn)行結(jié)果，從肉眼來看，差別不大
image
獲取圖像的屬性
img;
img.shape
# 若是彩色圖像，則返回元組 1*3
# 若是灰色圖像，則返回元組 1*2 只有行和列
# 此方法可以用來判斷是否為彩色圖像
(150, 220)
# 所有像素的總和即上面的元組值相乘
img.size
33000
# 圖像的數(shù)據(jù)類型
img.dtype
dtype('uint8')
img.dtype 在調(diào)試時(shí)非常重要，因?yàn)榇蟛糠皱e(cuò)誤是因?yàn)闊o效的數(shù)據(jù)類型引起的
感興趣區(qū)域(ROI)
該部分的功能是對(duì)圖像的一小部分區(qū)域進(jìn)行處理(我們感興趣的那部分)，可以減少處理時(shí)間，增加精度，給圖像處理帶來便利。
img = cv2.imread("messi5.jpg")
cv2.imshow("image_init", img)
ball = img[280:340, 330:390]
img[273:333, 100:160] = ball
cv2.imshow("image_roi", img)
k = cv2.waitKey(0) & 0xFF
if k == 27:
cv2.destroyAllWindows()
本例是對(duì)找到圖像中球的位置，并復(fù)制一個(gè)放在另外一個(gè)地方，注意看的話，你會(huì)發(fā)現(xiàn)復(fù)制的球是一個(gè)矩形，看起來并不協(xié)調(diào)？
image
拆分、合并圖像通道
# 拆分每個(gè)通道
b,g,r = cv2.split(img) # 或者 b = img[:, :, 0]
# 把各個(gè)通道合并起來
img = cv2.merge((b,g,r))
# 讓紅色通道置零，可以不用拆分紅色通道，直接置零
img[:, :, 2] = 0
cv2.split() 對(duì)系統(tǒng)來說開銷很大，所以只在需要使用的時(shí)候再使用，使用 Numpy 索引的方法更有效
為圖像創(chuàng)建邊框(填充)
cv2.copyMakeBorder(): 可以為圖像創(chuàng)建邊框它在 卷積運(yùn)算，零填充等方面有更多的應(yīng)用
import cv2
import numpy as np
from matplotlib import pyplot as plt
BLUE = [255, 0, 0]
img1 = cv2.imread('opencv-logo.png')
replicate = cv2.copyMakeBorder(
img1, 10, 10, 10, 10, cv2.BORDER_REPLICATE) # 最后一個(gè)元素的復(fù)制
reflect = cv2.copyMakeBorder(img1, 10, 10, 10, 10, cv2.BORDER_REFLECT) # 邊框的鏡面
reflect101 = cv2.copyMakeBorder(
img1, 10, 10, 10, 10, cv2.BORDER_REFLECT_101) # 同上，但有細(xì)微變化
wrap = cv2.copyMakeBorder(img1, 10, 10, 10, 10, cv2.BORDER_WRAP)
# 添加一個(gè)固定顏色的邊框,因?yàn)?matpltlib 和 opencv 顏色顯示不一樣，所有圖標(biāo)的紅色和藍(lán)色互換了
constant = cv2.copyMakeBorder(
img1, 10, 10, 10, 10, cv2.BORDER_CONSTANT, value=BLUE)
plt.subplot(231), plt.imshow(img1, 'gray'), plt.title('ORIGINAL')
plt.subplot(232), plt.imshow(replicate, 'gray'), plt.title('REPLICATE')
plt.subplot(233), plt.imshow(reflect, 'gray'), plt.title('REFLECT')
plt.subplot(234), plt.imshow(reflect101, 'gray'), plt.title('REFLECT_101')
plt.subplot(235), plt.imshow(wrap, 'gray'), plt.title('WRAP')
plt.subplot(236), plt.imshow(constant, 'gray'), plt.title('CONSTANT')
plt.show()
image
函數(shù)說明
copyMakeBorder(src, top, bottom, left, right, borderType[, dst[, value]]) -> dst
src: 輸入圖片
top, bottom, left, right: 上下左右的寬度
borderType: 邊框類型，多個(gè)可以選擇 參見
更多資料
圖像對(duì)比度、亮度值調(diào)整
學(xué)習(xí)目標(biāo)：
用 OpenCV 進(jìn)行圖像對(duì)比度、亮度的動(dòng)態(tài)調(diào)整
理論依據(jù)
一般的圖像處理算子都是一個(gè)函數(shù)，它接受一個(gè)或多個(gè)輸入圖像，并產(chǎn)生輸出圖像。算子的一般形式：
或者
圖像亮度和對(duì)比度的調(diào)整操作，屬于圖像操作中的點(diǎn)操作。點(diǎn)操作的特點(diǎn)：僅僅根據(jù)輸入像素值(有時(shí)可加上某些全局信息或參數(shù))，來計(jì)算相應(yīng)的輸出像素值。這類算子包括：亮度(brightness)、對(duì)比度(contrast)調(diào)整、顏色校正(colorcorrection)、變換(transformations)。
常見的點(diǎn)操作(或說點(diǎn)算子)是乘上一個(gè)常數(shù)(對(duì)應(yīng)對(duì)比度發(fā)調(diào)節(jié))和加上一個(gè)常數(shù)(對(duì)應(yīng)亮度的調(diào)節(jié))。公式為：
各個(gè)參數(shù)的含義：
參數(shù) f(x) 表示源圖像像素
參數(shù) g(x) 表示輸出圖像像素
參數(shù) a (需要滿足 a>0 )被稱為增益(gain)，控制圖像的對(duì)比度
參數(shù) b 稱為偏置(bias)，控制圖像的亮度
公式改寫：
即對(duì)圖像的 i 行 j 列的像素進(jìn)行操作。(對(duì)所有的像素進(jìn)行操作)
案例(利用軌跡條調(diào)節(jié)圖像的亮度和對(duì)比度)
import numpy as np
import cv2
from skimage import img_as_int
def nothing(x):
pass
# 對(duì)比度和亮度調(diào)節(jié)函數(shù)
def adjust_bright_contrast(img, a=1, b=0):
new_img = np.zeros(img.shape, dtype=img.dtype)
for b in range(img.shape[0]):
for g in range(img.shape[1]):
for r in range(img.shape[2]):
new_img[b, g, r] = np.clip(a*img[b, g, r]+b, 0, 255)
return new_img
# 使用軌跡條應(yīng)該先創(chuàng)建一個(gè)窗口，因?yàn)?/p>
cv2.namedWindow("image")
cv2.createTrackbar("bright", "image", 0, 300, nothing)
cv2.createTrackbar("contrast", "image", 0, 255, nothing)
img = cv2.imread("img.jpg")
new_img = np.zeros(img.shape, dtype=img.dtype)
while(1):
cv2.imshow("image", new_img)
k = cv2.waitKey(1) & 0xFF
if k == 27:
break
brightness = cv2.getTrackbarPos("bright", "image")
contrast = cv2.getTrackbarPos("contrast", "image")
new_img[:] = adjust_bright_contrast(img, brightness*0.01, contrast)
cv2.destroyAllWindows()
運(yùn)行結(jié)果：
image
這個(gè)方式運(yùn)行起來很慢，因?yàn)槔锩嬗腥龑友h(huán)
離散傅立葉變換
待學(xué)習(xí)
圖像的算術(shù)運(yùn)算
學(xué)習(xí)目標(biāo)：
圖像的加法、減法、位運(yùn)算
cv2.add(), cv2.addWeighted()
圖像加法
cv2.add() 使用該函數(shù)操作是 Numpy 操作，兩個(gè)圖片應(yīng)該要有一樣的數(shù)據(jù)類型和深度，否則第二個(gè)圖像只能是標(biāo)量值。
x = np.uint8([250])
y = np.uint8([10])
z = np.uint8([255])
print("opencv add operation:", cv2.add(x, y)) # 250+10 = 260 => 255
print("opencv sub operation:", cv2.subtract(x, z)) # 250-255 = -5 => 0
print("numpy add operation:", x+y) # 250+10 = 260 % 256 = 4
print("numpy sub operation:", x-z) # 250-255 = -5 % 256 = 251
opencv add operation: [[255]]
opencv sub operation: [[0]]
numpy add operation: [4]
numpy sub operation: [251]
OpenCV 運(yùn)算和 Numpy 運(yùn)算有區(qū)別：OpenCV 是飽和運(yùn)算，即相加最大只能是 255 ,相減最小只能是 0。Numpy 是模運(yùn)算。見上面注釋。
最好使用 OpenCV 中的 add 進(jìn)行運(yùn)算
圖像融合
cv2.addWeighted() 兩張圖片以權(quán)重進(jìn)行融合，使其給人一種混合或透明的感覺。圖片按以下公式運(yùn)算
img1 = cv2.imread("ml.png")
img2 = cv2.imread("opencv-logo.png")
dst = cv2.addWeighted(img1, 0.7, img2, 0.3, 0)
cv2.imshow('dst', dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
addWeighted 運(yùn)算公式為：
image
軌跡條版本
img1 = cv2.imread("ml.png")
img2 = cv2.imread("opencv-logo.png")
def nothing(x):
pass
cv2.namedWindow("image")
cv2.createTrackbar("alpha", "image", 0, 100, nothing)
dst = np.zeros(img1.shape, dtype=img1.dtype)
while(1):
cv2.imshow('image', dst)
alpha = cv2.getTrackbarPos("alpha", "image")
dst = cv2.addWeighted(img1, alpha*0.01, img2, 1 -alpha*0.01, 0)
k = cv2.waitKey(1) & 0xFF
if k == 27:
break
cv2.destroyAllWindows()
位運(yùn)算
包括 AND、OR、NOT 和 XOR 操作。它們?cè)谔崛D像的任何部分、定義和處理非矩形 ROI 時(shí)非常有用。
AND 運(yùn)算
# 畫矩形
Rectangle = np.zeros((300, 300), dtype="uint8")
cv2.rectangle(Rectangle, (25, 25), (275, 275), 255, -1)
cv2.imshow("Rectangle", Rectangle)
cv2.waitKey(0)
# 畫圓形
Circle = np.zeros((300, 300), dtype="uint8")
cv2.circle(Circle, (150, 150), 150, 255, -1)
cv2.imshow("Circle", Circle)
cv2.waitKey(0)
bit_and = cv2.bitwise_and(Rectangle, Circle)
cv2.imshow("bit_and", bit_and)
cv2.waitKey(0)
"""
sub = cv2.subtract(Rectangle, Circle)
cv2.imshow("sub", sub)
cv2.waitKey()
"""
cv2.destroyAllWindows()
x = np.uint8([10])
y = np.uint8([20])
z = np.uint8([10])
cv2.bitwise_and(x, y), cv2.bitwise_and(x, z)
(array([[0]], dtype=uint8), array([[10]], dtype=uint8))
運(yùn)行結(jié)果
image
OR 運(yùn)算
# 畫矩形
Rectangle = np.zeros((300, 300), dtype="uint8")
cv2.rectangle(Rectangle, (25, 25), (275, 275), 255, -1)
cv2.imshow("Rectangle", Rectangle)
cv2.waitKey(0)
# 畫圓形
Circle = np.zeros((300, 300), dtype="uint8")
cv2.circle(Circle, (150, 150), 150, 255, -1)
cv2.imshow("Circle", Circle)
cv2.waitKey(0)
bit_or = cv2.bitwise_or(Rectangle, Circle)
cv2.imshow("bit_or", bit_or)
cv2.waitKey(0)
add = cv2.add(Rectangle, Circle)
cv2.imshow("add", add)
cv2.waitKey(0)
cv2.destroyAllWindows()
x = np.uint8([10]) # 0000 1010
y = np.uint8([20]) # 0001 0100
z = np.uint8([40]) # 0010 1000
print(cv2.bitwise_or(x, y)) # 0001 1110 => 30
print(cv2.bitwise_or(x, z)) # 0010 1010 => 42
[[30]]
[[42]]
OR 運(yùn)算和 cv2.add() 結(jié)果一致?
運(yùn)行結(jié)果
image
XOR(異或)運(yùn)算
# 畫矩形
Rectangle = np.zeros((300, 300), dtype="uint8")
cv2.rectangle(Rectangle, (25, 25), (275, 275), 255, -1)
cv2.imshow("Rectangle", Rectangle)
cv2.waitKey(0)
# 畫圓形
Circle = np.zeros((300, 300), dtype="uint8")
cv2.circle(Circle, (150, 150), 150, 255, -1)
cv2.imshow("Circle", Circle)
cv2.waitKey(0)
bit_xor = cv2.bitwise_xor(Rectangle, Circle)
cv2.imshow("bit_xor", bit_xor)
cv2.waitKey(0)
cv2.destroyAllWindows()
運(yùn)行結(jié)果
image
NOT 運(yùn)算
# 畫矩形
Rectangle = np.zeros((300, 300), dtype="uint8")
cv2.rectangle(Rectangle, (25, 25), (275, 275), 255, -1)
cv2.imshow("Rectangle", Rectangle)
cv2.waitKey(0)
# 畫圓形
Circle = np.zeros((300, 300), dtype="uint8")
cv2.circle(Circle, (150, 150), 150, 255, -1)
cv2.imshow("Circle", Circle)
cv2.waitKey(0)
bit_not = cv2.bitwise_not(Rectangle, Circle)
cv2.imshow("bit_not", bit_not)
cv2.waitKey(0)
cv2.destroyAllWindows()
運(yùn)行結(jié)果
image
綜合例程
mask：圖像掩模
# 加載圖片
img1 = cv2.imread("messi5.jpg")
img2 = cv2.imread("opencv-logo.png")
print(img1.shape, img2.shape)
# 把 OpenCV logo 放在圖片的左上角，創(chuàng)建一個(gè) ROI 大小和 logo 圖像一致
rows, cols, channels = img2.shape
roi = img1[0:rows, 0:cols]
print("roi.shape:", roi.shape)
cv2.imshow("roi", roi)
cv2.waitKey(0)
# 灰度圖
img2gray = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
cv2.imshow("img2gray", img2gray)
cv2.waitKey(0)
ret, mask = cv2.threshold(img2gray, 25, 255, cv2.THRESH_BINARY)
# 解釋：若圖片 im2gray 的像素值小于 25，則像素置 0(黑)，否則置 255(白)
# ret ：得到的閾值，mask：閾值化后的圖像
print("ret", ret)
cv2.imshow("mask", mask)
cv2.waitKey(0)
mask_inv = cv2.bitwise_not(mask)
# 把 mask 圖像的白色像素變?yōu)楹谏?#xff0c;黑色像素變?yōu)榘咨?/p>
cv2.imshow("mask_inv", mask_inv)
cv2.waitKey(0)
# 將 img1 中的 ROI 的 logo 區(qū)域涂黑
img1_bg = cv2.bitwise_and(roi, roi, mask=mask_inv)
cv2.imshow("img1_bg", img1_bg)
cv2.waitKey(0)
# plt.imshow(img1_bg)
# 只提取 logo 圖像中的 logo
img2_fg = cv2.bitwise_and(img2, img2, mask=mask)
cv2.imshow("img2_fg", img2_fg)
cv2.waitKey(0)
# 將 ROI 區(qū)域與 logo 圖標(biāo)運(yùn)算
dst = cv2.add(img1_bg, img2_fg)
cv2.imshow("dst", dst)
cv2.waitKey(0)
img1[0:rows, 0:cols] = dst
cv2.imshow("res", img1)
cv2.waitKey(0)
cv2.destroyAllWindows()
(342, 548, 3) (186, 152, 3)
roi.shape: (186, 152, 3)
ret 25.0
運(yùn)行結(jié)果
image
要將兩張圖放在一起，且都是原來的圖像，如上圖所示，將 OpenCV logo (img2)放在 img1 上面，巧妙的利用黑色像素(0)。
如何將兩個(gè)圖一原來的圖像進(jìn)行重疊：
創(chuàng)建一個(gè) ROI 區(qū)域(ROI 區(qū)域來自底圖，如上面的例子的 img1)
將 logo 之外的像素置 0 (就是背景是純黑色)，如上圖的 img2_fg
將 ROI 區(qū)域上要放置 logo 的位置置 0，如上圖的 img1_bg
將 2、3 步得到的圖像相加( cv2.add() )
將第 4 步得到的圖像將 img1 的區(qū)域替換掉
練習(xí)(用函數(shù)實(shí)現(xiàn)圖像的無縫拼接)
def pinjie(img1, img2, x=0, y=0):
"""
img1: 底圖
img2: 上方的圖
x, y:選擇放置的位置
"""
# 創(chuàng)建一個(gè) ROI
rows, cols, channel = img2.shape
roi = img1[x:x+rows, y:y+cols]
img2gray = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
ret, mask = cv2.threshold(img2gray, 25, 255, cv2.THRESH_BINARY)
mask_inv = cv2.bitwise_not(mask)
roi = cv2.bitwise_and(roi, roi, mask=mask_inv)
img2_bg = cv2.bitwise_and(img2, img2, mask=mask)
img1[x:x+rows, y:y+cols] = cv2.add(roi, img2_bg)
return img1
img1 = cv2.imread("messi5.jpg")
img2 = cv2.imread("opencv-logo.png")
dst = pinjie(img1, img2, 100, 100)
cv2.imshow("dst", dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
更多資料
性能評(píng)估和改進(jìn)技術(shù)
圖像處理中，不僅需要準(zhǔn)確，更需要快速的方法進(jìn)行處理。
學(xué)習(xí)目標(biāo)：
評(píng)估代碼的性能
提升代碼性能的小技巧
cv2.getTickCount, cv2.getTickFrequency
time 模塊可以測(cè)量執(zhí)行時(shí)間；
profile 模塊有助于獲得關(guān)于代碼的詳細(xì)報(bào)告，比如代碼中每個(gè)函數(shù)花費(fèi)了多少時(shí)間、調(diào)用了多少次等等。
使用 OpenCV 衡量性能
cv2.getTickCount 在代碼前后使用可以得到代碼的運(yùn)行時(shí)間
cv2.getTickFrequency 返回時(shí)鐘周期的頻率，即每秒的時(shí)鐘周期數(shù)
img1 = cv2.imread('messi5.jpg')
e1 = cv2.getTickCount()
for i in range(5,49,2):
img1 = cv2.medianBlur(img1,i)
e2 = cv2.getTickCount()
t = (e2 - e1)/cv2.getTickFrequency()
e2 - e1, t
(8315303, 0.8315303)
python 中的 time 模塊也可以實(shí)現(xiàn)該功能
OpenCV 中的默認(rèn)優(yōu)化
OpenCV 的許多函數(shù)都是使用SSE2、AVX等優(yōu)化的。它還包含未優(yōu)化的代碼。因此，如果我們的系統(tǒng)支持這些特性，我們應(yīng)該利用它們(幾乎所有現(xiàn)代處理器都支持它們)。它在編譯時(shí)默認(rèn)啟用。OpenCV 在啟用時(shí)運(yùn)行優(yōu)化后的代碼，否則運(yùn)行未優(yōu)化的代碼。使用 cv2.useoptimization()來檢查它是否啟用/禁用，使用
cv2.setuseoptimization()來啟用/禁用它。
# 檢查優(yōu)化器是否開啟
cv2.setUseOptimized(True)
cv2.useOptimized()
True
img = cv2.imread("messi5.jpg")
%timeit res = cv2.medianBlur(img,49)
31.8 ms ± 1.28 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
# 設(shè)置優(yōu)化器的開關(guān)
cv2.setUseOptimized(False)
cv2.useOptimized()
False
%timeit res = cv2.medianBlur(img,49)
30.9 ms ± 448 μs per loop (mean ± std. dev. of 7 runs, 10 loops each)
可以看出使用優(yōu)化器前后的運(yùn)行性能
IPython 性能測(cè)試
測(cè)試一下下面幾個(gè)計(jì)算平方的方法哪個(gè)更好。
例子：
x = 5; y = x**2、x = 5; y = x*x、x = np.uint8([5]); y = x*x、y = np.square(x) 可以使用 %timeit 進(jìn)行測(cè)試
x = 5
%timeit y = x**2
505 ns ± 18 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
%timeit y = x*x
77.5 ns ± 1.98 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)
z = np.uint8([5])
%timeit y=z*z
709 ns ± 57.2 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
%timeit y=np.square(z)
674 ns ± 66.1 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
y = x*x 比 Numpy 運(yùn)算快不少
Python 標(biāo)量操作比 Numpy 標(biāo)量操作快。因此對(duì)于包含一個(gè)或兩個(gè)元素的操作，Python 標(biāo)量?jī)?yōu)于 Numpy 數(shù)組。當(dāng)數(shù)組的大小稍微大一點(diǎn)時(shí)，Numpy 就更有優(yōu)勢(shì)。
# 比較 cv2.countNonZero() 和 np.count_nonzero() 的性能
%timeit z = cv2.countNonZero(img[:,:, 0]) # 該函數(shù)只能計(jì)算單通道的圖片
269 μs ± 30.7 μs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
%timeit z = np.count_nonzero(img[:,:, 0])
677 μs ± 54.5 μs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
性能優(yōu)化技術(shù)
首先嘗試以一種簡(jiǎn)單的方式實(shí)現(xiàn)該算法。一旦開始工作，對(duì)其進(jìn)行分析，找到瓶頸并對(duì)其進(jìn)行優(yōu)化。
盡量避免循環(huán)，特別是 2/3 重的循環(huán)
最大限度地向量化算法/代碼，因?yàn)?Numpy 和 OpenCV 是針對(duì)向量操作進(jìn)行優(yōu)化的。
利用緩存一致性
除非必要，不然盡量不要對(duì)數(shù)組進(jìn)行復(fù)制，數(shù)組復(fù)制的開銷很大
即使在執(zhí)行了所有這些操作之后，如果代碼仍然很慢，或者不可避免地要使用大型循環(huán)，那么可以使用其他庫，比如Cython來加快速度。
更多資料
總結(jié)
以上是生活随笔為你收集整理的python 图像无缝拼接,OpenCV Python 系列教程3 - Core 组件的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： matlab都有什么接口,介绍MATLA
- 下一篇： websocket python爬虫_p