使用sse intrinsics对（A）RGB32图像进行最快的50%缩放 我想在C++中尽可能快地缩小图像。介绍如何有效地将32位rgb图像的平均值降低50%。它很快，看起来不错

我曾尝试使用sse内部函数修改该方法。无论启用或不启用SSE，下面的代码都有效。然而，令人惊讶的是，这种加速是可以忽略不计的

有谁能找到改进SSE准则的方法吗。创建变量shuffle1和shuffle2的两行代码似乎是两个候选代码（使用一些巧妙的移位或类似的方法）

/*
*计算两个rgb32像素的平均值。
*/
在线静态uint32平均值（uint32平均值、uint32平均值）
{
返回（（a^b）和0xfefefefel）>>1）+（a&b）；
}
/*
*计算四个rgb32像素的平均值。
*/
内联静态uint32平均值（常数uint32平均值[2]，常数uint32平均值[2]）
{
返回平均值（平均值（a[0]，a[1]），平均值（b[0]，b[1]）；
}
/*
*计算两行rgb32像素的平均值。
*/
无效平均2行（常数uint32*src行1，常数uint32*src行2，uint32*dst行，int w）
{
#如果！已定义（_SSE）
对于（int x=w；x；--x，dst_行++，src_行1+=2，src_行2+=2）
*dst_行=平均值（src_行1，src_行2）；
#否则
对于（int x=w；x；x-=4，dst_行+=4，src_行1+=8，src_行2+=8）
{
__m128i左=_mm_平均值_epu8（_mm_负载_si128（（_m128i常数*）src_行1），_mm_负载_si128（（_m128i常数*）src_行2））；
__m128i right=_mm_avg_epu8（_mm_load_si128（（_m128iconst*）（src_row1+4）），_mm_load_si128（（_m128iconst*）（src_row2+4））；
__m128i shuffle1=_mm_set_epi32（right.m128i_u32[2]，right.m128i_u32[0]，left.m128i_u32[2]，left.m128i_u32[0]）；
__m128i shuffle2=_mm_set_epi32（right.m128i_u32[3]，right.m128i_u32[1]，left.m128i_u32[3]，left.m128i_u32[1]）；
_mm_store_si128（（__m128i*）dst_行，mm_avg_epu8（shuffle1，shuffle2））；
}
#恩迪夫
}

如果SSE内部函数没有什么区别，那么代码可能会受到内存带宽的限制

代码中有很多加载和存储，实际工作不多（

\u mm\u set\u epi32

是一个加载，也是一个明显的加载）

如果加载/存储在运行时占主导地位，那么再多花哨的指令也救不了你。在高度流水线化和指令重新排序的现代处理器上，在代码的非SSE版本中保持整个处理器忙碌可能做得相当好

---

您可以通过多种方式验证这种情况。最简单的方法可能是测量算法的实际吞吐量与内存的加载/存储速度的比较。您可能还注意到一些差异，不仅通过改变实现，还通过改变输入的大小，随着输入超过每一级处理器缓存的大小而急剧增加。

主要问题是使用

\u mm\u set\u epi32

进行洗牌-与大多数SSE内部函数不同，这不会直接映射到单个SSE指令——在这种情况下，它会在后台生成大量标量代码，并导致数据在内存、通用寄存器和SSE寄存器之间移动。相反，请考虑使用适当的SSE shuffle intrinsic

---

第二个问题是，相对于加载和存储的数量，您所做的计算非常少。这将导致代码的带宽受限，而不是计算受限，即使使用理想的SSE代码，您也可能看不到显著的性能改进。请考虑在循环中组合更多操作，以便在数据处于缓存中时对其执行更多操作。

在通用寄存器和SSE寄存器之间传输数据的速度非常慢，因此应避免以下操作：

__m128i shuffle1 = _mm_set_epi32( right.m128i_u32[2], right.m128i_u32[0], left.m128i_u32[2], left.m128i_u32[0]);
__m128i shuffle2 = _mm_set_epi32( right.m128i_u32[3], right.m128i_u32[1], left.m128i_u32[3], left.m128i_u32[1]);

借助相应的洗牌操作，洗牌SSE寄存器中的值

这应该是您正在寻找的：

__m128i t0 = _mm_unpacklo_epi32( left, right ); // right.m128i_u32[1] left.m128i_u32[1] right.m128i_u32[0] left.m128i_u32[0]
__m128i t1 = _mm_unpackhi_epi32( left, right ); // right.m128i_u32[3] left.m128i_u32[3] right.m128i_u32[2] left.m128i_u32[2]
__m128i shuffle1 = _mm_unpacklo_epi32( t0, t1 );    // right.m128i_u32[2] right.m128i_u32[0] left.m128i_u32[2] left.m128i_u32[0]
__m128i shuffle2 = _mm_unpackhi_epi32( t0, t1 );    // right.m128i_u32[3] right.m128i_u32[1] left.m128i_u32[3] left.m128i_u32[1]

---

漂亮，你解决了。这两条线路把速度提高了125%。现在，算法只受到带宽的限制。