Performance SIMD/SSE新手：简单图像过滤
我对SIMD/SSE非常陌生，我正在尝试做一些简单的图像过滤（模糊）。 下面的代码在水平方向上用简单的[1 2 1]加权过滤8位灰度位图的每个像素。我一次创建16个像素的总和 至少对我来说，这段代码非常糟糕的地方在于，它包含了大量的插入/提取操作，这不是很优雅，可能也会降低速度。在转换时，是否有更好的方法将数据从一个reg包装到另一个reg buf是图像数据，16字节对齐。 w/h是宽度和高度，是16的倍数Performance SIMD/SSE新手：简单图像过滤,performance,image-processing,x86,sse,simd,Performance,Image Processing,X86,Sse,Simd,我对SIMD/SSE非常陌生，我正在尝试做一些简单的图像过滤（模糊）。 下面的代码在水平方向上用简单的[1 2 1]加权过滤8位灰度位图的每个像素。我一次创建16个像素的总和 至少对我来说，这段代码非常糟糕的地方在于，它包含了大量的插入/提取操作，这不是很优雅，可能也会降低速度。在转换时，是否有更好的方法将数据从一个reg包装到另一个reg buf是图像数据，16字节对齐。 w/h是宽度和高度，是16的倍数 __m128i *p = (__m128i *) buf; __m128i cur1,
__m128i *p = (__m128i *) buf;
__m128i cur1, cur2, sum1, sum2, zeros, tmp1, tmp2, saved;
zeros = _mm_setzero_si128();
short shifted, last = 0, next;
// preload first row
cur1 = _mm_load_si128(p);
for (x = 1; x < (w * h) / 16; x++) {
// unpack
sum1 = sum2 = saved = cur1;
sum1 = _mm_unpacklo_epi8(sum1, zeros);
sum2 = _mm_unpackhi_epi8(sum2, zeros);
cur1 = tmp1 = sum1;
cur2 = tmp2 = sum2;
// "middle" pixel
sum1 = _mm_add_epi16(sum1, sum1);
sum2 = _mm_add_epi16(sum2, sum2);
// left pixel
cur2 = _mm_slli_si128(cur2, 2);
shifted = _mm_extract_epi16(cur1, 7);
cur2 = _mm_insert_epi16(cur2, shifted, 0);
cur1 = _mm_slli_si128(cur1, 2);
cur1 = _mm_insert_epi16(cur1, last, 0);
sum1 = _mm_add_epi16(sum1, cur1);
sum2 = _mm_add_epi16(sum2, cur2);
// right pixel
tmp1 = _mm_srli_si128(tmp1, 2);
shifted = _mm_extract_epi16(tmp2, 0);
tmp1 = _mm_insert_epi16(tmp1, shifted, 7);
tmp2 = _mm_srli_si128(tmp2, 2);
// preload next row
cur1 = _mm_load_si128(p + x);
// we need the first pixel of the next row for the "right" pixel
next = _mm_extract_epi16(cur1, 0) & 0xff;
tmp2 = _mm_insert_epi16(tmp2, next, 7);
// and the last pixel of last row for the next "left" pixel
last = ((uint16_t) _mm_extract_epi16(saved, 7)) >> 8;
sum1 = _mm_add_epi16(sum1, tmp1);
sum2 = _mm_add_epi16(sum2, tmp2);
// divide
sum1 = _mm_srli_epi16(sum1, 2);
sum2 = _mm_srli_epi16(sum2, 2);
sum1 = _mm_packus_epi16(sum1, sum2);
mm_store_si128(p + x - 1, sum1);
}
\uuum128i*p=（\uuum128i*）buf；
__m128i cur1，cur2，sum1，sum2，零，tmp1，tmp2，已保存；
零=_mm_setzero_si128（）；
短移位，最后一个=0，下一个；
//预加载第一行
cur1=_mm_load_si128（p）；
对于（x=1；x<（w*h）/16；x++）{
//打开
sum1=sum2=saved=cur1；
sum1=_mm_unplo_epi8（sum1，零）；
sum2=_mm_unpachi_epi8（sum2，零）；
cur1=tmp1=sum1；
cur2=tmp2=sum2；
//“中间”像素
sum1=_mm_add_epi16（sum1，sum1）；
sum2=_mm_add_epi16（sum2，sum2）；
//左像素
cur2=_mm_slli_si128（cur2，2）；
移位=_mm_extract_epi16（cur1,7）；
cur2=_mm_insert_epi16（cur2，移位，0）；
cur1=_mm_slli_si128（cur1，2）；
cur1=_mm_insert_epi16（cur1，last，0）；
sum1=_mm_add_epi16（sum1，cur1）；
sum2=_mm_add_epi16（sum2，cur2）；
//右像素
tmp1=_mm_srli_si128（tmp1，2）；
移位=_mm_extract_epi16（tmp2，0）；
tmp1=_mm_insert_epi16（tmp1，移位，7）；
tmp2=_mm_srli_si128（tmp2，2）；
//预加载下一行
cur1=_mm_load_si128（p+x）；
//我们需要下一行的第一个像素作为“右”像素
下一步=_mm_extract_epi16（cur1，0）&0xff；
tmp2=_mm_insert_epi16（tmp2，next，7）；
//最后一行的最后一个像素表示下一个“左”像素
last=（（uint16_t）_mm_extract_epi16（已保存，7））>>8；
sum1=_mm_add_epi16（sum1，tmp1）；
sum2=_mm_add_epi16（sum2，tmp2）；
//分开
sum1=_mm_srli_epi16（sum1，2）；
sum2=_mm_srli_epi16（sum2，2）；
sum1=mm_packus_epi16（sum1，sum2）；
mm_store_si128（p+x-1，sum1）；
}
另一种方法是使用未对齐的负载来获取移位的数据-这在较旧的CPU上相对昂贵（大约是对齐负载延迟的两倍，吞吐量的一半），但这可能是可以接受的，这取决于每个负载所做的计算量。它还有一个好处，即在当前的英特尔CPU（Core i7）上，与对齐的加载相比，未对齐的加载没有任何惩罚，因此，在Core i7等处理器上，您的代码将非常高效。我建议将相邻像素保留在SSE寄存器上。也就是说，将_mm_slli_si128/_mm_srli_si128的结果保留在SSE变量中，并消除所有插入和提取操作。我的推理是，在较旧的CPU中，插入/提取指令需要SSE单元和通用单元之间的通信，这比将计算保持在SSE内要慢得多，即使它溢出到一级缓存 这样做时，应该只有四个16位移位（_mm_slli_si128，_mm_srli_si128，不计算除数移位）。我的建议是用你的代码做一个基准测试，因为那时你的代码可能已经达到了内存带宽限制。。这意味着你不能再优化了 如果图像较大（大于L2大小），并且输出不会很快被读回，请尝试使用MOVNTDQ（_mm_stream_si128）进行写回。根据一些网站的说法，它在SSE2中，尽管你可能想仔细检查一下 SIMD教程：