关闭cv.setUseOptimized后medianBlur运行时长缩短的原因咨询

我关闭了cv.setUseOptimized()函数后，执行medianBlur的运行时间反而变短了，请问原因是什么？

测试代码如下：

import cv2 as cv
print(cv.useOptimized())
img1 = cv.imread('./image_lib/1.jpg')
e1 = cv.getTickCount()
img1 = cv.medianBlur(img1, 49)
e2 = cv.getTickCount()
t = (e2 - e1) / cv.getTickFrequency()
print(t)
cv.setUseOptimized(False)
print(cv.useOptimized())
img2 = cv.imread('./image_lib/1.jpg')
e1 = cv.getTickCount()
img2 = cv.medianBlur(img2, 49)
e2 = cv.getTickCount()
t = (e2 - e1) / cv.getTickFrequency()
print(t)

运行结果如下：

True 0.3181056
False 0.0906346

这确实有点反直觉，但背后其实是几个具体因素在起作用：

• 优化路径的额外开销
  OpenCV的优化后端（比如OpenCL、Intel IPP或CUDA）虽然针对多数场景做了加速，但对于你使用的49x49超大核尺寸中值滤波，可能出现"优化"反向拖慢的情况：

  • 优化版本往往需要在CPU和专用硬件（比如GPU）之间做数据拷贝，当图像尺寸不大时，这个拷贝的时间可能远超过计算本身节省的时间。
  • 中值滤波核心是排序操作，这类操作在并行硬件上的优化难度极高，大核尺寸下通用CPU的串行实现反而能避免并行调度的额外损耗，效率更高。

• 优化后端的适配缺陷
  不同OpenCV编译版本默认启用的优化后端不同，如果你的环境中优化模块对大核中值滤波的支持不完善，甚至存在性能瓶颈，关闭优化后切换到OpenCV原生CPU实现，反而能避开这些适配问题带来的性能浪费。

• 内存局部性差异
  原生CPU实现通常更注重内存局部性设计，大核尺寸滤波时能更好利用CPU缓存；而优化后端的并行处理模式可能导致内存访问分散，缓存命中率下降，反而拖慢了整体速度。

你可以做几个额外测试验证这些猜想：

• 更换不同的核尺寸（比如3x3、9x9、25x25），观察开启/关闭优化的性能差异是否变化。
• 用超大尺寸图像测试，看看数据拷贝的开销占比是否会降低。
• 执行cv.getBuildInformation()查看OpenCV编译配置，确认当前启用的优化后端是否正常加载。

内容的提问来源于stack exchange，提问作者jietui