7

我对 SIMD/SSE 很陌生，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的简单 [1 2 1] 权重过滤 8 位灰色位图的每个像素。我一次创建 16 个像素的总和。

至少对我来说，这段代码看起来很糟糕的是，其中有很多插入/提取，这不是很优雅，并且可能也会减慢一切。转移时是否有更好的方法将数据从一个 reg 包装到另一个 reg 中？

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, 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);
}
4

2 回答 2

2

这种邻域操作一直是 SSE 的痛点，直到 SSE3.5（又名 SSSE3）出现，并引入了 PALIGNR（_mm_alignr_epi8）。

但是，如果您需要与 SSE2/SSE3 向后兼容，您可以编写一个等效的宏或内联函数，该函数模拟 SSE2/SSE3 的 _mm_alignr_epi8，并在针对 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（大约是对齐负载的两倍延迟和一半的吞吐量），但这可能是可以接受的，具体取决于您每次负载执行的大量计算。它还有一个好处，即在当前的 Intel CPU（Core i7）上，与对齐的负载相比，未对齐的负载没有任何损失，因此您的代码在 Core i7等上将非常有效。

于 2010-06-28T07:41:02.583 回答
2

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 中要慢得多，即使它溢出到 L1 缓存也是如此。

完成后，应该只有四个 16 位移位（_mm_slli_si128、_mm_srli_si128，不包括除法移位）。我的建议是对您的代码进行基准测试，因为到那时您的代码可能已经达到内存带宽限制......这意味着您无法再优化。

如果图像很大（大于 L2 大小）并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，它位于 SSE2 中，尽管您可能需要仔细检查。

SIMD教程：

一些 SIMD 大师网站：

于 2010-06-30T08:11:32.930 回答