Android 使用ARM NEON调整图像大小

我正在尝试实现此图像缩小算法的逐行版本：，应用于RGBA 8位图像

为了简化，考虑调整单个行的大小，WSRC->WYDST。然后，每个像素可以将其值贡献给权重为1.0的单个输出累加器，或者贡献给权重为alpha和（1.0f-alpha）的两个连续输出像素。在C/伪代码中：

float acc[w_dst] = malloc(w_dst * 4);
x_dst = 0
for x = 0 .. w_src:
  if x is a pivot column:
     acc[x_dst] += (w_src[x] * alpha);
     x_dst++;
     acc[x_dst] += (w_src[x] * (1.0f - alpha);
  else
     acc[x_dst] += w_src[x];

最后，将每个累加器通道除以与其相关的源像素数（浮点值）：

---

我的参考纯C实现工作正常。然而，我想知道是否有一种方法可以使用霓虹灯操作（记住，每个像素都是8位RGBA）来加快速度。谢谢

不幸的是，霓虹灯不太适合这种工作。 如果是使用固定的源和目标分辨率调整图像大小，则可以使用动态向量进行新化，但对可变数量的相邻像素求和并不简单

我建议用定点运算代替浮点运算。光是这一点就很有帮助

除此之外，分裂需要非常长的时间。它确实会损害性能，尤其是在循环内执行时。应将其替换为乘法，如：

uint8_t dst = malloc(w_dst);
float area_ret = 1.0f/area;
for x_dst = 0 .. w_dst
  dst[x_dst] = (uint8_t)round(acc[x_dst] * area_ret);

---

不幸的是，霓虹灯不太适合这种工作。 如果是使用固定的源和目标分辨率调整图像大小，则可以使用动态向量进行新化，但对可变数量的相邻像素求和并不简单

我建议用定点运算代替浮点运算。光是这一点就很有帮助

除此之外，分裂需要非常长的时间。它确实会损害性能，尤其是在循环内执行时。应将其替换为乘法，如：

uint8_t dst = malloc(w_dst);
float area_ret = 1.0f/area;
for x_dst = 0 .. w_dst
  dst[x_dst] = (uint8_t)round(acc[x_dst] * area_ret);

---

我的第二个想法是，垂直缩小非常容易模拟，因为相同的算法可以应用于水平相邻的像素

因此，以下是我的建议：

• 使用q15无符号fp算法使用NEON垂直调整大小。这个 临时结果存储在32位/元素中
• 使用q15无符号fp算法使用ARM水平调整大小， 按区域/类型转换/打包划分，并将最终结果存储在RGBA中

请注意，按面积除法应在q17中与（1/面积）进行长乘法

为什么是q17？如果执行q15*q17，结果是在q32中，其中两个32位寄存器包含数据。您不需要执行任何“逐位类型转换操作”，因为上层寄存器已经具有目标8位int值。这就是fp算法的美妙之处

---

也许我会在不久的将来编写完全优化的版本，完全在汇编中。

在我的第二个想法中，垂直缩小是非常容易模拟的，因为相同的算法可以应用于水平相邻的像素

因此，以下是我的建议：

• 使用q15无符号fp算法使用NEON垂直调整大小。这个 临时结果存储在32位/元素中
• 使用q15无符号fp算法使用ARM水平调整大小， 按区域/类型转换/打包划分，并将最终结果存储在RGBA中

请注意，按面积除法应在q17中与（1/面积）进行长乘法

为什么是q17？如果执行q15*q17，结果是在q32中，其中两个32位寄存器包含数据。您不需要执行任何“逐位类型转换操作”，因为上层寄存器已经具有目标8位int值。这就是fp算法的美妙之处

---

也许我会在不久的将来编写这个完全优化的版本，完全在汇编中。

是的，为了清晰起见，我简化了伪代码。我已经做了所有明显的优化（乘法而不是除法，缓存浮点计算），仍然想知道是否有一种可模拟的方法。我将研究定点算法，尽管计算的准确性对该算法的结果有很大影响。许多人的一个常见误解是fp的精度不如float。Float提供24位精度，这听起来足够了，但随着值的增加，它会截断最低有效位。另一方面，fp的精度保持不变，直到最终转换为整数时才会截断。在您的情况下，即使是q14 fp算法也比当前的实现更精确。。。。AAAA当然，你是对的。刚刚在当前的浮点实现中发现了一个错误，当源行足够宽时，精度会丢失，这使得累加器值对于精确的浮点精度来说太大。是的，为了清晰起见，我简化了伪代码。我已经做了所有明显的优化（乘法而不是除法，缓存浮点计算），仍然想知道是否有一种可模拟的方法。我将研究定点算法，尽管计算的准确性对该算法的结果有很大影响。许多人的一个常见误解是fp的精度不如float。Float提供24位精度，这听起来足够了，但随着值的增加，它会截断最低有效位。另一方面，fp的精度保持不变，直到最终转换为整数时才会截断。在您的情况下，即使是q14 fp算法也比当前的实现更精确。。。。AAAA当然，你是对的。刚刚在当前的浮点实现中发现了一个错误，当源行足够宽时，精度会丢失，这使得累加器值对于精确的浮点精度来说太大。