Question

我正在尝试编写一个需要为多个全分辨率图像计算高斯和拉普拉斯金字塔的Android应用程序，我在带有NDK的C ++上写了这个，代码的最关键部分是将高斯滤波器应用于图像abd我是水平和垂直应用此滤镜。

过滤器为（0.0625,0.25,0.375,0.25,0.02525）由于我正在研究整数，我正在计算（1,4,6,4,1）/ 16

dst[index] = ( src[index-2] + src[index-1]*4 + src[index]*6+src[index+1]*4+src[index+2])/16;

我做了一些简单的优化，但它仍然比预期的工作慢，我想知道是否还有其他任何我想要的优化选项。

PS：我应该提一下，我试图用内联臂组件编写这个过滤器部件，但它的结果慢了2倍。

//horizontal  filter
for(unsigned y = 0; y < height;  y++) {
    for(unsigned x = 2; x < width-2;  x++) {
        int index = y*width+x;
            dst[index].r = (src[index-2].r+ src[index+2].r + (src[index-1].r + src[index+1].r)*4 + src[index].r*6)>>4;
            dst[index].g = (src[index-2].g+ src[index+2].g + (src[index-1].g + src[index+1].g)*4 + src[index].g*6)>>4;
            dst[index].b = (src[index-2].b+ src[index+2].b + (src[index-1].b + src[index+1].b)*4 + src[index].b*6)>>4;                
     }
}
//vertical filter
for(unsigned y = 2;  y < height-2;  y++) {
    for(unsigned x = 0;  x < width;  x++) {
        int index = y*width+x;
            dst[index].r = (src[index-2*width].r + src[index+2*width].r  + (src[index-width].r + src[index+width].r)*4 + src[index].r*6)>>4;
            dst[index].g = (src[index-2*width].g + src[index+2*width].g  + (src[index-width].g + src[index+width].g)*4 + src[index].g*6)>>4;
            dst[index].b = (src[index-2*width].b + src[index+2*width].b  + (src[index-width].b + src[index+width].b)*4 + src[index].b*6)>>4;
     }
}

Answer 1

index乘法可以从内循环中计算出来，因为多重复制仅在y发生变化时发生：

for (unsigned y ...
{
    int index = y * width;
    for (unsigned int x...

通过在使用变量之前加载变量，可以获得一些速度。这会使处理器将它们加载到缓存中：

for (unsigned x = ...  
{  
    register YOUR_DATA_TYPE a, b, c, d, e;
    a = src[index - 2].r;
    b = src[index - 1].r;
    c = src[index + 0].r; // The " + 0" is to show a pattern.
    d = src[index + 1].r;
    e = src[index + 2].r;
    dest[index].r = (a + e + (b + d) * 4 + c * 6) >> 4;
    // ...

另一个技巧是“缓存”src的值，以便每次只添加一个新值，因为src[index+2]中的值最多可以使用5次。

所以这是一个概念的例子：

//horizontal  filter
for(unsigned y = 0; y < height;  y++)
{
    int index = y*width + 2;
    register YOUR_DATA_TYPE a, b, c, d, e;
    a = src[index - 2].r;
    b = src[index - 1].r;
    c = src[index + 0].r; // The " + 0" is to show a pattern.
    d = src[index + 1].r;
    e = src[index + 2].r;
    for(unsigned x = 2; x < width-2;  x++)
    {
        dest[index - 2 + x].r = (a + e + (b + d) * 4 + c * 6) >> 4;
        a = b;
        b = c;
        c = d;
        d = e;
        e = src[index + x].r;

Answer 2

我不确定你的编译器如何优化所有这些，但我倾向于使用指针。假设你的结构是3个字节...你可以从正确位置的指针（源的过滤器边缘和目标的目标）开始，然后使用常量数组偏移来移动它们。我还在外部循环中添加了一个可选的OpenMP指令，因为这也可以改进。

#pragma omp parallel for
for(unsigned y = 0; y < height;  y++) {
    const int rowindex = y * width;
    char * dpos = (char*)&dest[rowindex+2];
    char * spos = (char*)&src[rowindex];
    const char *end = (char*)&src[rowindex+width-2];

    for( ; spos != end;  spos++, dpos++) {
        *dpos = (spos[0] + spos[4] + ((spos[1] + src[3])<<2) + spos[2]*6) >> 4;
    }
}

类似于垂直循环。

const int scanwidth = width * 3;
const int row1 = scanwidth;
const int row2 = row1+scanwidth;
const int row3 = row2+scanwidth;
const int row4 = row3+scanwidth;

#pragma omp parallel for
for(unsigned y = 2;  y < height-2;  y++) {
    const int rowindex = y * width;
    char * dpos = (char*)&dest[rowindex];
    char * spos = (char*)&src[rowindex-row2];
    const char *end = spos + scanwidth;

    for( ; spos != end;  spos++, dpos++) {
        *dpos = (spos[0] + spos[row4] + ((spos[row1] + src[row3])<<2) + spos[row2]*6) >> 4;
    }
}

无论如何，这就是我的卷积方式。它牺牲了一点可读性，我从未尝试过测量差异。我只是倾向于从一开始就这样写。看看是否能提高你的速度。如果你有一台多核机器，那么OpenMP肯定会出现，并且指针内容可能。

我喜欢关于在这些操作中使用SSE的评论。

Answer 3

一些更明显的优化是利用内核的对称性：

a=*src++;    b=*src++;    c=*src++;    d=*src++;    e=*src++; // init

LOOP (n/5) times:
z=(a+e)+(b+d)<<2+c*6;  *dst++=z>>4;  // then reuse the local variables
a=*src++;
z=(b+a)+(c+e)<<2+d*6;  *dst++=z>>4;  // registers have been read only once...
b=*src++;
z=(c+b)+(d+a)<<2+e*6;  *dst++=z>>4;
e=*src++;

第二件事是可以使用单个整数执行多次添加。当要过滤的值是无符号的时，可以在一个32位整数（或64位整数中的4个通道）中拟合两个通道;这是穷人的SIMD。

a=  0x[0011][0034]  <-- split to two 
b=  0x[0031][008a]
----------------------
sum    0042  00b0
>>4    0004  200b0  <-- mask off
mask   00ff  00ff   
-------------------
       0004  000b   <-- result

（模拟SIMD显示一次加法，然后换班4次）

这是一个并行计算3个rgb操作的内核（在64位架构中易于修改6个rgb操作......）

#define MASK (255+(255<<10)+(255<<20))
#define KERNEL(a,b,c,d,e) { \
 a=((a+e+(c<<1))>>2) & MASK; a=(a+b+c+d)>>2 & MASK; *DATA++ = a; a=DATA[4]; }

void calc_5_rgbs(unsigned int *DATA)
{
   register unsigned int a = DATA[0], b=DATA[1], c=DATA[2], d=DATA[3], e=DATA[4];
   KERNEL(a,b,c,d,e);
   KERNEL(b,c,d,e,a);
   KERNEL(c,d,e,a,b);
   KERNEL(d,e,a,b,c);
   KERNEL(e,a,b,c,d);
}

在ARM和具有16个寄存器的64位IA上工作得最好......需要进行大量的汇编器优化以克服32位IA中的寄存器短缺（例如，使用ebp作为GPR）。正因为如此，这是一个现场算法...

每8位数据之间只有2个监护位，这足以得到与整数计算完全相同的结果。

而BTW：每个字节运行数组字节比通过r，g，b元素运行更快

 unsigned char *s=(unsigned char *) source_array; 
 unsigned char *d=(unsigned char *) dest_array; 
 for (j=0;j<3*N;j++) d[j]=(s[j]+s[j+16]+s[j+8]*6+s[j+4]*4+s[j+12]*4)>>4;

如何优化简单高斯滤波器的性能？

3 个答案: