Question

我对SIMD / SSE很新，我正在尝试做一些简单的图像过滤（模糊）。下面的代码使用水平方向上的简单[1 2 1]加权来过滤8位灰度位图的每个像素。我一次创建16个像素的总和。

至少对我而言，这段代码看起来非常糟糕的是，其中有很多插入/提取，这不是很优雅，也可能减慢所有内容。在转移时是否有更好的方法将数据从一个reg包装到另一个？

buf是图像数据，16字节对齐。 w / h是宽度和高度，16的倍数。

__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);
}

Answer 1

这种邻里操作一直是SSE的痛苦，直到SSE3.5（又名SSSE3）出现，而PALIGNR（_mm_alignr_epi8）被引入。

如果你需要向后兼容SSE2 / SSE3，你可以编写一个等效的宏或内联函数，它模拟SSE2 / SSE3的_mm_alignr_epi8，并在目标SSE3.5 / SSE4时下降到_mm_alignr_epi8。

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（大约是延迟的两倍，对齐负载的吞吐量的一半），但这可能是可以接受的，这取决于您正在进行的大量计算每个负载。它还具有以下优点：在当前的Intel CPU（Core i7）上，未对齐的负载与对齐的负载相比没有任何损失，因此您的代码在Core i7上非常有效等。

Answer 2

我建议保留SSE寄存器上的相邻像素。也就是说，将_mm_slli_si128 / _mm_srli_si128的结果保存在SSE变量中，并消除所有插入和提取。我的理由是，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L1缓存。

完成后，应该只有四个16位移位（_mm_slli_si128，_mm_srli_si128，不计算divison shift ）。我的建议是对你的代码进行基准测试，因为到那时你的代码可能已经达到了内存带宽限制......这意味着你不能再进行优化了。

如果图像很大（大于L2尺寸）且输出不会很快回读，请尝试使用MOVNTDQ（_mm_stream_si128）进行回写。根据几个网站，它在SSE2中，尽管您可能需要仔细检查。

SIMD教程：

一些SIMD大师网站：

SIMD / SSE新手：简单的图像过滤

2 个答案: