Question

让我们从这开始：

我有一个16字节的内存块，我只需要将偶数字节复制到8字节的内存块。

我目前的算法是做这样的事情：

unsigned int source_size = 16, destination_size = 8, i;

unsigned char * source = new unsigned char[source_size];
unsigned char * destination = new unsigned char[destination_size];

// fill source
for( i = 0; i < source_size; ++i)
{
    source[i] = 0xf + i;
}
// source :
// 0f 10 11 12  13 14 15 16  17 18 19 1a  1b 1c 1d 1e

// copy
for( i = 0; i < destination_size; ++i)
{
    destination[i] = source[i * 2];
}
// destination :
// 0f 11 13 15  17 19 1b 1d

这只是一个例子，因为我想知道当我需要获取每个第3个字节或每个第4个字节时，是否有更好的方法来执行此操作，而不仅仅是字节。

我知道使用循环我可以实现这个但我需要优化这个...我不知道如何使用SSE所以我不知道是否可以在这种情况下使用，但像memcpy magic这样的东西有点事情会很棒。

我还考虑过使用宏来摆脱循环，因为源和目标的大小都是不变的，但这看起来不是什么大问题。

如果我说这是为了提取YUYV像素格式的YCbCr字节，也许你可以开箱即用。另外我需要强调的是，我这样做是为了摆脱libswscale。

Answer 1

虽然我怀疑编译器和cpu在这种情况下已经做得很好;如果你真的想要替代方案，请研究扭转莫顿数的技巧。这个问题How to de-interleave bits (UnMortonizing?)显示了如何在位上进行，但是这个想法也可以扩展到字节。

类似的东西（仅限示例，这不是生产质量）

// assuming destination is already zero...
For (int i=0; i < destination_size; i += 2) {
   long* pS = (long*) &source[ i * 2 ];
   long* pD = (long*) &destination[ i ];
   long a = *pS &0xff00ff00;
   *pD |= *pS | ( *pS << 8 );
}

这比你的版本还要快，取决于确切的cpu类型和编译器生成的内容。即测试并查看哪个更快，正如其他人所提到的，内存获取瓶颈会使给定的小数组的所有内容都蒙上阴影。

Answer 2

使用 SSSE3 ：

可以有效解决此问题

#include <tmmintrin.h>  //SSSE3 and before
...
//source must be 16-byte aligned
unsigned char * source = (unsigned char *)_mm_malloc(source_size, 16);
//destination must be 8-byte aligned (that's natural anyway)
unsigned char * destination = (unsigned char *)_mm_malloc(destination_size, 8);
...
__m128i mask = _mm_set_epi8(                        //shuffling control mask (constant)
    -1, -1, -1, -1, -1, -1, -1, -1, 14, 12, 10, 8, 6, 4, 2, 0
);
__m128i reg = *(const __m128i*)source;              //load 16-bit register
__m128i comp = _mm_shuffle_epi8(reg, mask);         //do the bytes compaction
_mm_storel_epi64((__m128i*)destination, comp);      //store lower 64 bits

转换在生成的程序集（MSVC2013）中看起来像这样：

movdqa  xmm0, XMMWORD PTR [rsi]
pshufb  xmm0, XMMWORD PTR __xmm@ffffffffffffffff0e0c0a0806040200
movq    QWORD PTR [rax], xmm0

这种方法应该非常快，特别是当你做很多这样的转换时。它只需要一个shuffling指令（不计算加载/存储），它似乎有1 clock latency and 0.5 clocks throughput。请注意，此方法也可用于其他字节模式。

Answer 3

不幸的是，您不能仅使用memcpy()技巧执行此操作。现代处理器具有64位寄存器，是存储器传输的最佳尺寸。现代编译器总是尝试优化memcpy()调用，一次执行64位（或32位或甚至128位）位传输。

但在你的情况下，你需要'奇怪的'24或16位传输。这正是我们为什么要有SSE，NEON和其他处理器扩展的原因。这就是为什么它们被广泛用于视频处理。

因此，在您的情况下，您应该使用SSE优化的库之一或编写自己的汇编代码来执行此内存传输。

如何使用模式从内存中复制字节（YUYV打包到YUV420平面）

3 个答案: