OpenCV 系列教程2 - Core 组件

机器视觉CV

发布于 2019-07-15 19:33:30

1.1K0

发布于 2019-07-15 19:33:30

文章被收录于专栏：机器视觉CV

建议阅读时长 15 分钟

基本知识

灰度图像的存储方式：

多通道图像存储方式

OpenCV 中的通道存储为 BGR

像素值的存储方式

RGB 模式，显示设备采用这种模式
HSV、HLS 将颜色分解成色调、饱和度和亮度/明度
YCrCb 在 JPEG 图像格式中广泛使用
CIE Lab* 是一种感知上均匀的颜色空间，它适用来度量两个颜色之间的距离

图片的基本操作

学习目标：

访问像素值并修改
访问图片属性
设置图像区域（ROI）
拆分、合并图像

这一节主要大部分涉及 Numpy 库的使用

访问并且修改像素值

1import cv2
2import numpy as np

1# 加载一个彩色图
2img = cv2.imread("img.jpg")
3img.shape

1(150, 220, 3)

1px = img[100, 100]
2print(px)
3blue = img[100, 100, 0]
4print(blue)

1[ 85 180 173]
285

1# 修改特定的像素
2img[100, 100] = [255, 255, 255]
3print(img[100, 100])
4
5# 这种修改每个像素的做法效率很低

1[255 255 255]

最好使用下面这种方法

1# 获取 RED 通道值
2img.item(10, 10, 1)
3
4# 修改
5img.itemset((10, 10, 2), 100)
6img.item(10, 10, 2)

颜色空间缩减

若是单通道的像素，像素有 256（0-255）个值，若是三通道，则颜色数就更多（一千六百多万种），如此多的颜色进行处理，会对算法的性能造成影响。这些颜色中，有代表性的颜色只是小部分。

颜色空间缩减（color space reduction）可以大大降低运算复杂度，具体做法是：

0-9 范围的像素值为 0；
10-19 范围像素值为 10；
以此类推

算法实现步骤：

遍历图像矩阵的每个像素
根据公式：

 1img = cv2.imread("img.jpg", 0) # img.shape = 150*220
 2img_new = np.array([i for i in map(lambda x:(x//10)*10, img)])
 3
 4cv2.imshow("img", img)
 5cv2.imshow("img_new", img_new)
 6cv2.waitKey(0)
 7cv2.destroyAllWindows()
 8
 9# 统计不同元素的个数
10np.unique(img),np.unique(img_new)

 1(array([ 21,  26,  28,  33,  34,  35,  37,  38,  39,  40,  41,  42,  43,
 2         44,  45,  46,  47,  48,  49,  50,  51,  52,  53,  54,  55,  56,
 3         57,  58,  59,  60,  61,  62,  63,  64,  65,  66,  67,  68,  69,
 4         70,  71,  72,  73,  74,  75,  76,  77,  78,  79,  80,  81,  82,
 5         83,  84,  85,  86,  87,  88,  89,  90,  91,  92,  93,  94,  95,
 6         96,  97,  98,  99, 100, 101, 102, 103, 104, 105, 106, 107, 108,
 7        109, 110, 111, 112, 113, 114, 115, 116, 117, 118, 119, 120, 121,
 8        122, 123, 124, 125, 126, 127, 128, 129, 130, 131, 132, 133, 134,
 9        135, 136, 137, 138, 139, 140, 141, 142, 143, 144, 145, 146, 147,
10        148, 149, 150, 151, 152, 153, 154, 155, 156, 157, 158, 159, 160,
11        161, 162, 163, 164, 165, 166, 167, 168, 169, 170, 171, 172, 173,
12        174, 175, 176, 177, 178, 179, 180, 181, 182, 183, 184, 185, 186,
13        187, 188, 189, 190, 191, 192, 193, 194, 195, 196, 197, 198, 199,
14        200, 201, 202, 203, 204, 205, 206, 207, 208, 209, 210, 211, 212,
15        213, 214, 215, 216, 217, 218, 219, 220, 221, 222, 223, 224, 225,
16        226, 227, 228, 229, 230, 231, 232, 233, 234, 235, 236, 237, 238,
17        239, 240, 241, 242, 243, 244, 245, 246, 247, 248, 249, 250, 251,
18        252, 253, 254, 255], dtype=uint8),
19 array([ 20,  30,  40,  50,  60,  70,  80,  90, 100, 110, 120, 130, 140,
20        150, 160, 170, 180, 190, 200, 210, 220, 230, 240, 250], dtype=uint8))

运行结果，从肉眼来看，差别不大

获取图像的属性

1img;

1img.shape
2# 若是彩色图像，则返回元组 1*3
3# 若是灰色图像，则返回元组 1*2 只有行和列
4# 此方法可以用来判断是否为彩色图像

1(150, 220)

1# 所有像素的总和即上面的元组值相乘
2img.size

1# 图像的数据类型
2img.dtype

1dtype('uint8')

img.dtype 在调试时非常重要，因为大部分错误是因为无效的数据类型引起的

感兴趣区域（ROI）

该部分的功能是对图像的一小部分区域进行处理（我们感兴趣的那部分），可以减少处理时间，增加精度，给图像处理带来便利。

1img = cv2.imread("messi5.jpg")
2cv2.imshow("image_init", img)
3ball = img[280:340, 330:390]
4img[273:333, 100:160] = ball
5cv2.imshow("image_roi", img)
6k = cv2.waitKey(0) & 0xFF
7if k == 27:
8    cv2.destroyAllWindows()

本例是对找到图像中球的位置，并复制一个放在另外一个地方，注意看的话，你会发现复制的球是一个矩形，看起来并不协调？

拆分、合并图像通道

1# 拆分每个通道
2b,g,r = cv2.split(img) # 或者 b = img[:, :, 0]
3# 把各个通道合并起来
4img = cv2.merge((b,g,r))

1# 让红色通道置零，可以不用拆分红色通道，直接置零
2img[:, :, 2] = 0

cv2.split() 对系统来说开销很大，所以只在需要使用的时候再使用，使用 Numpy 索引的方法更有效

为图像创建边框(填充)

cv2.copyMakeBorder(): 可以为图像创建边框它在 卷积运算，零填充等方面有更多的应用

 1import cv2
 2import numpy as np
 3from matplotlib import pyplot as plt
 4
 5BLUE = [255, 0, 0]
 6
 7img1 = cv2.imread('opencv-logo.png')
 8
 9replicate = cv2.copyMakeBorder(
10    img1, 10, 10, 10, 10, cv2.BORDER_REPLICATE)  # 最后一个元素的复制
11reflect = cv2.copyMakeBorder(img1, 10, 10, 10, 10, cv2.BORDER_REFLECT)  # 边框的镜面
12reflect101 = cv2.copyMakeBorder(
13    img1, 10, 10, 10, 10, cv2.BORDER_REFLECT_101)  # 同上，但有细微变化
14wrap = cv2.copyMakeBorder(img1, 10, 10, 10, 10, cv2.BORDER_WRAP)
15# 添加一个固定颜色的边框,因为 matpltlib 和 opencv 颜色显示不一样，所有图标的红色和蓝色互换了
16constant = cv2.copyMakeBorder(
17    img1, 10, 10, 10, 10, cv2.BORDER_CONSTANT, value=BLUE)
18
19
20plt.subplot(231), plt.imshow(img1, 'gray'), plt.title('ORIGINAL')
21plt.subplot(232), plt.imshow(replicate, 'gray'), plt.title('REPLICATE')
22plt.subplot(233), plt.imshow(reflect, 'gray'), plt.title('REFLECT')
23plt.subplot(234), plt.imshow(reflect101, 'gray'), plt.title('REFLECT_101')
24plt.subplot(235), plt.imshow(wrap, 'gray'), plt.title('WRAP')
25plt.subplot(236), plt.imshow(constant, 'gray'), plt.title('CONSTANT')
26
27plt.show()

函数说明

copyMakeBorder(src, top, bottom, left, right, borderType[, dst[, value]]) -> dst

src: 输入图片
top, bottom, left, right: 上下左右的宽度
borderType: 边框类型，多个可以选择 [参见] (https://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_core/py_basic_ops/py_basic_ops.html#basic-ops)

图像对比度、亮度值调整

学习目标：

用 OpenCV 进行图像对比度、亮度的动态调整

理论依据

一般的图像处理算子都是一个函数，它接受一个或多个输入图像，并产生输出图像。算子的一般形式：g(x)=h(f(x)) 或者

图像亮度和对比度的调整操作，属于图像操作中的点操作。点操作的特点：仅仅根据输入像素值（有时可加上某些全局信息或参数），来计算相应的输出像素值。这类算子包括：亮度（brightness）、对比度（contrast）调整、颜色校正（colorcorrection）、变换（transformations）。

常见的点操作（或说点算子）是乘上一个常数（对应对比度发调节）和加上一个常数（对应亮度的调节）。公式为：g(x)=a∗f(x)+b 各个参数的含义：

参数 f(x) 表示源图像像素
参数 g(x) 表示输出图像像素
参数 a （需要满足 a>0 ）被称为增益（gain），控制图像的对比度
参数 b 称为偏置（bias），控制图像的亮度

公式改写：g(i,j)=a∗f(i,j)+b 即对图像的 i 行 j 列的像素进行操作。（对所有的像素进行操作）

案例（利用轨迹条调节图像的亮度和对比度）

 1import numpy as np
 2import cv2
 3from skimage import img_as_int
 4
 5
 6def nothing(x):
 7    pass
 8
 9# 对比度和亮度调节函数
10def adjust_bright_contrast(img, a=1, b=0):
11    new_img = np.zeros(img.shape, dtype=img.dtype)
12    for b in range(img.shape[0]):
13        for g in range(img.shape[1]):
14            for r in range(img.shape[2]):
15                new_img[b, g, r] = np.clip(a*img[b, g, r]+b, 0, 255)
16    return new_img
17
18# 使用轨迹条应该先创建一个窗口，因为
19cv2.namedWindow("image") 
20cv2.createTrackbar("bright", "image", 0, 300, nothing)
21cv2.createTrackbar("contrast", "image", 0, 255, nothing)
22
23
24img = cv2.imread("img.jpg")
25new_img = np.zeros(img.shape, dtype=img.dtype)
26
27while(1):
28
29    cv2.imshow("image", new_img)
30    k = cv2.waitKey(1) & 0xFF
31    if k == 27:
32        break
33    brightness = cv2.getTrackbarPos("bright", "image")
34    contrast = cv2.getTrackbarPos("contrast", "image")
35    new_img[:] = adjust_bright_contrast(img, brightness*0.01, contrast)
36
37cv2.destroyAllWindows()

运行结果：

这个方式运行起来很慢，因为里面有三层循环

图像的算术运算

学习目标：

图像的加法、减法、位运算
cv2.add(), cv2.addWeighted()

图像加法

cv2.add() 使用该函数操作是 Numpy 操作，两个图片应该要有一样的数据类型和深度，否则第二个图像只能是标量值。

1x = np.uint8([250])
2y = np.uint8([10])
3z = np.uint8([255])
4print("opencv add operation:", cv2.add(x, y)) # 250+10 = 260 => 255 
5print("opencv sub operation:", cv2.subtract(x, z)) # 250-255 = -5 => 0
6
7print("numpy add operation:", x+y) # 250+10 = 260 % 256 = 4
8print("numpy sub operation:", x-z) # 250-255 = -5 % 256 = 251

1opencv add operation: [[255]]
2opencv sub operation: [[0]]
3numpy add operation: [4]
4numpy sub operation: [251]

OpenCV 运算和 Numpy 运算有区别：OpenCV 是饱和运算，即相加最大只能是 255 ,相减最小只能是 0。Numpy 是模运算。见上面注释。

最好使用 OpenCV 中的 add 进行运算

图像融合

cv2.addWeighted() 两张图片以权重进行融合，使其给人一种混合或透明的感觉。图片按以下公式运算

1img1 = cv2.imread("ml.png")
2img2 = cv2.imread("opencv-logo.png")
3
4dst = cv2.addWeighted(img1, 0.7, img2, 0.3, 0)
5cv2.imshow('dst', dst)
6cv2.waitKey(0)
7cv2.destroyAllWindows()

addWeighted 运算公式为： dst=α∗img1+β∗img2+γ

轨迹条版本

 1import cv2
 2img1 = cv2.imread("ml.png")
 3img2 = cv2.imread("opencv-logo.png")
 4
 5def nothing(x):
 6    pass
 7
 8cv2.namedWindow("image")
 9cv2.createTrackbar("alpha", "image", 0, 100, nothing)
10dst = np.zeros(img1.shape, dtype=img1.dtype)
11
12while(1):
13    cv2.imshow('image', dst)
14    alpha  = cv2.getTrackbarPos("alpha", "image")
15    dst = cv2.addWeighted(img1, alpha*0.01, img2, 1 -alpha*0.01, 0)
16    k = cv2.waitKey(1) & 0xFF
17    if k == 27:
18        break
19
20cv2.destroyAllWindows()

位运算

包括 AND、OR、NOT 和 XOR 操作。它们在提取图像的任何部分、定义和处理非矩形 ROI 时非常有用。

AND 运算

 1# 画矩形
 2Rectangle = np.zeros((300, 300), dtype="uint8")
 3cv2.rectangle(Rectangle, (25, 25), (275, 275), 255, -1)
 4cv2.imshow("Rectangle", Rectangle)
 5cv2.waitKey(0)
 6
 7# 画圆形
 8Circle = np.zeros((300, 300), dtype="uint8")
 9cv2.circle(Circle, (150, 150), 150, 255, -1)
10cv2.imshow("Circle", Circle)
11cv2.waitKey(0)
12
13bit_and = cv2.bitwise_and(Rectangle, Circle)
14cv2.imshow("bit_and", bit_and)
15cv2.waitKey(0)
16
17"""
18sub = cv2.subtract(Rectangle, Circle)
19cv2.imshow("sub", sub)
20cv2.waitKey()
21"""
22
23cv2.destroyAllWindows()
24
25x = np.uint8([10])
26y = np.uint8([20])
27z = np.uint8([10])
28
29cv2.bitwise_and(x, y), cv2.bitwise_and(x, z)

1(array([[0]], dtype=uint8), array([[10]], dtype=uint8))

运行结果

OR 运算

 1# 画矩形
 2Rectangle = np.zeros((300, 300), dtype="uint8")
 3cv2.rectangle(Rectangle, (25, 25), (275, 275), 255, -1)
 4cv2.imshow("Rectangle", Rectangle)
 5cv2.waitKey(0)
 6
 7# 画圆形
 8Circle = np.zeros((300, 300), dtype="uint8")
 9cv2.circle(Circle, (150, 150), 150, 255, -1)
10cv2.imshow("Circle", Circle)
11cv2.waitKey(0)
12
13bit_or = cv2.bitwise_or(Rectangle, Circle)
14cv2.imshow("bit_or", bit_or)
15cv2.waitKey(0)
16
17
18add = cv2.add(Rectangle, Circle)
19cv2.imshow("add", add) 
20cv2.waitKey(0)
21
22cv2.destroyAllWindows()
23x = np.uint8([10]) # 0000 1010
24y = np.uint8([20]) # 0001 0100 
25z = np.uint8([40]) # 0010 1000
26
27print(cv2.bitwise_or(x, y)) # 0001 1110 => 30
28print(cv2.bitwise_or(x, z)) # 0010 1010 => 42

1[[30]]
2[[42]]

OR 运算和 cv2.add() 结果一致?

运行结果

XOR（异或）运算

 1# 画矩形
 2Rectangle = np.zeros((300, 300), dtype="uint8")
 3cv2.rectangle(Rectangle, (25, 25), (275, 275), 255, -1)
 4cv2.imshow("Rectangle", Rectangle)
 5cv2.waitKey(0)
 6
 7# 画圆形
 8Circle = np.zeros((300, 300), dtype="uint8")
 9cv2.circle(Circle, (150, 150), 150, 255, -1)
10cv2.imshow("Circle", Circle)
11cv2.waitKey(0)
12
13bit_xor = cv2.bitwise_xor(Rectangle, Circle)
14cv2.imshow("bit_xor", bit_xor)
15cv2.waitKey(0)
16cv2.destroyAllWindows()

运行结果

NOT 运算

 1# 画矩形
 2Rectangle = np.zeros((300, 300), dtype="uint8")
 3cv2.rectangle(Rectangle, (25, 25), (275, 275), 255, -1)
 4cv2.imshow("Rectangle", Rectangle)
 5cv2.waitKey(0)
 6
 7# 画圆形
 8Circle = np.zeros((300, 300), dtype="uint8")
 9cv2.circle(Circle, (150, 150), 150, 255, -1)
10cv2.imshow("Circle", Circle)
11cv2.waitKey(0)
12
13bit_not = cv2.bitwise_not(Rectangle, Circle)
14cv2.imshow("bit_not", bit_not)
15cv2.waitKey(0)
16cv2.destroyAllWindows()

运行结果

综合例程

mask：图像掩模

 1# 加载图片
 2img1 = cv2.imread("messi5.jpg")
 3img2 = cv2.imread("opencv-logo.png")
 4
 5print(img1.shape, img2.shape)
 6
 7# 把 OpenCV logo 放在图片的左上角，创建一个 ROI 大小和 logo 图像一致
 8rows, cols, channels = img2.shape
 9roi = img1[0:rows, 0:cols]
10print("roi.shape:", roi.shape)
11cv2.imshow("roi", roi)
12cv2.waitKey(0)
13
14# 灰度图
15img2gray = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
16cv2.imshow("img2gray", img2gray)
17cv2.waitKey(0)
18
19ret, mask = cv2.threshold(img2gray, 25, 255, cv2.THRESH_BINARY)
20# 解释：若图片 im2gray 的像素值小于 25，则像素置 0（黑），否则置 255（白）
21# ret ：得到的阈值，mask：阈值化后的图像
22print("ret", ret)
23cv2.imshow("mask", mask)
24cv2.waitKey(0)
25
26mask_inv = cv2.bitwise_not(mask)
27# 把 mask 图像的白色像素变为黑色，黑色像素变为白色
28cv2.imshow("mask_inv", mask_inv)
29cv2.waitKey(0)
30
31
32# 将 img1 中的 ROI 的 logo 区域涂黑
33img1_bg = cv2.bitwise_and(roi, roi, mask=mask_inv)
34cv2.imshow("img1_bg", img1_bg)
35cv2.waitKey(0)
36# plt.imshow(img1_bg)
37
38# 只提取 logo 图像中的 logo
39img2_fg = cv2.bitwise_and(img2, img2, mask=mask)
40cv2.imshow("img2_fg", img2_fg)
41cv2.waitKey(0)
42
43
44# 将 ROI 区域与 logo 图标运算
45dst = cv2.add(img1_bg, img2_fg)
46cv2.imshow("dst", dst)
47cv2.waitKey(0)
48
49
50img1[0:rows, 0:cols] = dst
51
52cv2.imshow("res", img1)
53cv2.waitKey(0)
54cv2.destroyAllWindows()

1(342, 548, 3) (186, 152, 3)
2roi.shape: (186, 152, 3)
3ret 25.0

运行结果

要将两张图放在一起，且都是原来的图像，如上图所示，将 OpenCV logo （img2）放在 img1 上面，巧妙的利用黑色像素（0）。如何将两个图一原来的图像进行重叠：

创建一个 ROI 区域（ROI 区域来自底图，如上面的例子的 img1）
将 logo 之外的像素置 0 （就是背景是纯黑色），如上图的 img2_fg
将 ROI 区域上要放置 logo 的位置置 0，如上图的 img1_bg
将 2、3 步得到的图像相加（ cv2.add() ）
将第 4 步得到的图像将 img1 的区域替换掉

练习（用函数实现图像的无缝拼接）

 1def pinjie(img1, img2, x=0, y=0):
 2    """
 3    img1: 底图
 4    img2: 上方的图
 5    x, y:选择放置的位置
 6    """
 7    # 创建一个 ROI 
 8    rows, cols, channel = img2.shape
 9    roi = img1[x:x+rows, y:y+cols]
10    img2gray = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
11    ret, mask = cv2.threshold(img2gray, 25, 255, cv2.THRESH_BINARY)
12    mask_inv = cv2.bitwise_not(mask)    
13    roi = cv2.bitwise_and(roi, roi, mask=mask_inv) 
14    img2_bg = cv2.bitwise_and(img2, img2, mask=mask)
15    img1[x:x+rows, y:y+cols] = cv2.add(roi, img2_bg)
16    return img1
17
18
19img1 = cv2.imread("messi5.jpg")
20img2 = cv2.imread("opencv-logo.png")
21dst = pinjie(img1, img2, 100, 100)
22cv2.imshow("dst", dst)
23cv2.waitKey(0)
24cv2.destroyAllWindows()

性能评估和改进技术

图像处理中，不仅需要准确，更需要快速的方法进行处理。学习目标：

评估代码的性能
提升代码性能的小技巧
cv2.getTickCount, cv2.getTickFrequency

time 模块可以测量执行时间； profile 模块有助于获得关于代码的详细报告，比如代码中每个函数花费了多少时间、调用了多少次等等。

使用 OpenCV 衡量性能

cv2.getTickCount 在代码前后使用可以得到代码的运行时间
cv2.getTickFrequency 返回时钟周期的频率，即每秒的时钟周期数

1img1 = cv2.imread('messi5.jpg')
2
3e1 = cv2.getTickCount()
4for i in range(5,49,2):
5    img1 = cv2.medianBlur(img1,i)
6e2 = cv2.getTickCount()
7t = (e2 - e1)/cv2.getTickFrequency()
8e2 - e1, t

1(8315303, 0.8315303)

python 中的 time 模块也可以实现该功能

OpenCV 中的默认优化

OpenCV 的许多函数都是使用SSE2、AVX等优化的。它还包含未优化的代码。因此，如果我们的系统支持这些特性，我们应该利用它们(几乎所有现代处理器都支持它们)。它在编译时默认启用。OpenCV 在启用时运行优化后的代码，否则运行未优化的代码。使用 cv2.useoptimization()来检查它是否启用/禁用，使用 cv2.setuseoptimization()来启用/禁用它。

1# 检查优化器是否开启
2cv2.setUseOptimized(True)
3cv2.useOptimized()

1True

1img = cv2.imread("messi5.jpg")
2%timeit res = cv2.medianBlur(img,49)

131.8 ms ± 1.28 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

1# 设置优化器的开关
2cv2.setUseOptimized(False)

1cv2.useOptimized()

1False

1%timeit res = cv2.medianBlur(img,49)

130.9 ms ± 448 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

可以看出使用优化器前后的运行性能

IPython 性能测试

测试一下下面几个计算平方的方法哪个更好。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 进行测试

1x = 5

1%timeit y = x**2

1505 ns ± 18 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

1%timeit y = x*x

177.5 ns ± 1.98 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

1z = np.uint8([5])
2%timeit y=z*z

1709 ns ± 57.2 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

1%timeit y=np.square(z)

1674 ns ± 66.1 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

y = x*x 比 Numpy 运算快不少

Python 标量操作比 Numpy 标量操作快。因此对于包含一个或两个元素的操作，Python 标量优于 Numpy 数组。当数组的大小稍微大一点时，Numpy 就更有优势。

1# 比较 cv2.countNonZero() 和 np.count_nonzero() 的性能
2%timeit z = cv2.countNonZero(img[:,:, 0]) # 该函数只能计算单通道的图片

1269 µs ± 30.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

1%timeit z = np.count_nonzero(img[:,:, 0])

1677 µs ± 54.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

性能优化技术

首先尝试以一种简单的方式实现该算法。一旦开始工作，对其进行分析，找到瓶颈并对其进行优化。

尽量避免循环，特别是 2/3 重的循环
最大限度地向量化算法/代码，因为 Numpy 和 OpenCV 是针对向量操作进行优化的。
利用缓存一致性
除非必要，不然尽量不要对数组进行复制，数组复制的开销很大

即使在执行了所有这些操作之后，如果代码仍然很慢，或者不可避免地要使用大型循环，那么可以使用其他库，比如Cython来加快速度。