# -*-coding:utf-8
# 使用OpenCV检测程序效率
# 两个函数:
# cv2.getTickCount():返回从参考点到这个函数被执行的时钟数
# cv2.getTickFrequency():返回时钟频率
import cv2
import numpy as np
# # 使用范例 获得函数执行时间
# e1 = cv2.getTickCount() # 执行开始时间（我的理解）
# # 所要执行的代码
# e2 = cv2.getTickCount() # 之行结束时间（我的理解）
# time = (e2-e1)/cv2.getTickFrequency() # 得到函数执行时间
# 除了这种方法，还可以通过time.time()来获得函数执行的时间
# OpenCV中的默认优化
# OpenCV中许多函数是优化过的，也有一些是没有优化的，如果我们的编译系统的是支持优化的话，
# 那么在编译的时候就会优化，可以通过cv2.useOptimized来查看优化是否开启,若没有开启，则可以
# 通过cv2.setUseOptimized()来开启
# 默认
# print cv2.useOptimized()
# # 关闭
# cv2.setUseOptimized(False)
# print cv2.useOptimized()
# # 开启
# cv2.setUseOptimized(True)
# print cv2.useOptimized()
# 结果：
# True
# False
# True
# 效率优化技术有些技术和编程方法可以让我们最大的发挥 Python 和 Numpy 的威力。
# 我们这里仅仅提一下相关的，你可以通过超链接查找更多详细信息。我们要说的最重要的一点是：
# 首先用简单的方式实现你的算法（结果正确最重要），当结 果正确后，再使用上面的提到的方法
# 找到程序的瓶颈来优化它。
# 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。
# 就算进行了上述优化，如果你的程序还是很慢，或者说大的训话不可避免的话， 你你应该尝试使用其他的包，
# 比如说 Cython，来加速你的程序。
