Armadillo，Eigen，OpenCV 矩阵操作比较（Compare Armadillo, Eigen and OpenCV）

有的时候写出来的程序慢也许并不是算法有问题，而是用的库比较慢；也可能并不是库本身慢，而只是你的写法不够高效。在经历了无数次令人蛋疼的等待后，我决定比较一下这几个所谓的高效的线性代数库（OpenCV虽然目标是计算机视觉，但也提供了比较丰富的代数计算能力），看看它们的性能到底怎么样。
有人已经做过类似的事情了，比如  OpenCV vs. Armadillo vs. Eigen on Linux revisited，这哥们比较了这几个库在各种矩阵运算方面的效率，总结的比较齐全。但是，在计算机视觉领域这些还不够，比如经常使用的相似性度量（Similarity
Measure）的计算。当然后很多种方法，这里就考虑最基本的SAD（Sum of Absolute Difference）方法吧，简单来说就是把两个矩阵（或者向量）相减，求个绝对值，再加起来。这个计算看起来挺简单的，不过比较的结果令我比较意外。
 本文为原创，转载请注明： http://blog.csdn.net/houston11235/article/details/8501135
 先把代码贴出来吧。

//	PerformanceTest.h

#pragma warning(disable:4344)
#define DEIGEN_NO_DEBUG
#define DNDEBUG

#include <emmintrin.h>
#include <opencv.hpp>
#include <vector>
#include <iostream>
#include <armadillo>
#include <Eigen/Dense>
#include "Timer.h"

using namespace std;

//	PerformanceTest.cpp

#include "PerformanceTest.h"

int main(void)
{
Timer timer;		//	timer
double elapsedTime;	//	time in millisecond
double res;			//	SAD value
int i;				//	loop variable
float bnd = 1e5;	//	loop times

//	Armadillo
arma::mat armaA(4, 1);
arma::mat armaB(4, 1);
timer.start();
for (i = 0; i < bnd; ++i)
{
res = arma::accu(arma::abs(armaA - armaB));

//res = 0;
//for (int idx = 0; idx < 4; ++idx)
//{
//	res += abs(armaA(idx, 0) - armaB(idx, 0));
//}
}
elapsedTime = timer.getElapsedTimeInMilliSec();
cout<<"arma time : "<<elapsedTime<<" ms"<<endl;

//	Eigen
Eigen::Vector4d eiA;
Eigen::Vector4d eiB;
Eigen::Vector4d eiC;
timer.start();
for (i = 0; i < bnd; ++i)
{
res = (eiA - eiB).cwiseAbs().sum();
//res = 0;
//for (int idx = 0; idx < 4; ++idx)
//{
//	res += abs(eiA(idx,0) - eiB(idx, 0));
//}
}
elapsedTime = timer.getElapsedTimeInMilliSec();
cout<<"eigen time : "<<elapsedTime<<" ms"<<endl;

//	OpenCV
cv::Mat ocvA(4, 1, CV_64F);
cv::Mat ocvB(4, 1, CV_64F);
timer.start();
for (i = 0; i < bnd; ++i)
{
res = cv::sum(cv::abs(ocvA - ocvB))[0];
//res = 0;
//for (int idx = 0; idx < 4; ++idx)
//{
//	res += abs(ocvA.at<double>(idx, 0) - ocvB.at<double>(idx, 0));
//}
}
elapsedTime = timer.getElapsedTimeInMilliSec();
cout<<"opencv time : "<<elapsedTime<<" ms"<<endl;

//	pointer operation
double *a = (double*)_mm_malloc(4 * sizeof(double), 16);
double *b = (double*)_mm_malloc(4 * sizeof(double), 16);
int len = ocvA.rows;
timer.start();
for (i = 0; i < bnd; ++i)
{
res = 0;
for (int idx = 0; idx < len; ++idx)
{
res += abs(a[idx] - b[idx]);
}
//cout<<"i = "<<i<<endl;
}
elapsedTime = timer.getElapsedTimeInMilliSec();
cout<<"array operation : "<<elapsedTime<<" ms"<<endl;

//	release resource
_mm_free(a);
_mm_free(b);
return 0;
}

其中的计时函数用到的是 Franz Kafka 提供的跨平台高精度计时类，可以从以下地址下载
High Resolution Timer。

用以上代码在 release 下得到的结果如下：

arma time : 0.87827 ms
eigen time : 0.13641 ms
opencv time : 179.599 ms
array operation : 0.135591 ms

可以看出 Eigen 的时间和直接用数组运算的时间是相当的，Armadillo 的时间慢了 6~7 倍左右，而 OpenCV 已经目不忍视了，不知道 OpenCV 是怎么想的，差距有点悬殊。

下面又做了另外一组对比，把循环中的求 SAD 部分用类似于数组的方式自己计算，结果如下

arma time : 0.145423 ms
eigen time : 0.134772 ms
opencv time : 0.134362 ms
array operation : 0.139278 ms

这下计算时间基本上是相当的了。

通过这些对比得到两个结论：

1、虽然这些库在矩阵相乘等操作上可能比较高效，但是对于某些低级操作可能效率并不高

2、通过模板访问数据并不比数组效率低，性能基本相当

 

实验环境：

Windows 7 Ultimate SP1

Visual C++ 2008

Armadillo 3.4.4

Eigen 3.1.2

OpenCV 2.3.1

Compiled to 32-bit binary