байт у меня есть изображение 32 бит на пиксель. Мне нужно перемежать цветовые каналы RGB в разных 16-битных векторах. Для этого я использую следующий код (как деинтерливировать канал изображения в SSE)
// deinterleave chaneel R, G, B ,A in 16 bits vectors
{
__m128i vrgba = _mm_loadu_si128((__m128i *)(pSrc));
__m128i vr1 = _mm_and_si128(vrgba, _mm_set1_epi32(0xff));
__m128i vg1 = _mm_and_si128(_mm_srli_epi32(vrgba, 8), _mm_set1_epi32(0xff));
__m128i vb1 = _mm_and_si128(_mm_srli_epi32(vrgba, 16), _mm_set1_epi32(0xff));
__m128i va1 = _mm_srli_epi32(vrgba, 24);
vrgba = _mm_loadu_si128((__m128i *)(pSrc + 4)); // since pSrc is uint32_t type
__m128i vr2 = _mm_and_si128(vrgba, _mm_set1_epi32(0xff));
__m128i vg2 = _mm_and_si128(_mm_srli_epi32(vrgba, 8), _mm_set1_epi32(0xff));
__m128i vb2 = _mm_and_si128(_mm_srli_epi32(vrgba, 16), _mm_set1_epi32(0xff));
__m128i va2 = _mm_srli_epi32(vrgba, 24);
vr = _mm_packs_epi32(vr1, vr2);
vg = _mm_packs_epi32(vg1, vg2);
vb = _mm_packs_epi32(vb1, vb2);
va = _mm_packs_epi32(va1, va2);
}
Можем ли мы сделать это более эффективным? Ниже приведен код для гауссова без де-перемежения каналов. Я нахожу его ужасно неэффективным.
static inline void ConvertTo16Bits(__m128i& v1, __m128i& v2, const __m128i& v0)
{
__m128i const zero = _mm_setzero_si128();
v1 = _mm_unpacklo_epi8(v0, zero);
v2 = _mm_unpackhi_epi8(v0, zero);
}
static inline void mul32bits(__m128i &vh, __m128i &vl, // output - 2x4xint32_t
const __m128i& v0, const __m128i& v1) // input - 2x8xint16_t
{
const __m128i vhi = _mm_mulhi_epu16(v0, v1);
const __m128i vlo = _mm_mullo_epi16(v0, v1);
vh = _mm_unpacklo_epi16(vlo, vhi);
vl = _mm_unpackhi_epi16(vlo, vhi);
}
struct Pixel
{
unsigned char r;
unsigned char g;
unsigned char b;
unsigned char a;
};
void computePixelvalue(unsigned int * pixelArray, int count, unsigned short * gaussArray, Pixel& out)
{
__m128i sumRGBA;
sumRGBA = _mm_set1_epi32(0);
unsigned int countMod4 = count % 4;
unsigned int b, g, r, a;
constexpr int shuffle = _MM_SHUFFLE(3, 1, 0, 0);
while (count >= 4)
{
__m128i vrgba = _mm_loadu_si128((__m128i *)(pixelArray));
__m128i rgba12, rgba34;
ConvertTo16Bits(rgba12, rgba34, vrgba);
unsigned short s1 = *gaussArray++;
unsigned short s2 = *gaussArray++;
__m128i shift8 = _mm_set1_epi16(s1);
__m128i shift16 = _mm_set1_epi16(s2);
__m128i gaussVector = _mm_shuffle_epi32(_mm_unpacklo_epi32(shift8, shift16), shuffle);
__m128i multl, multh;
mul32bits(multl, multh, rgba12, gaussVector);
sumRGBA = _mm_add_epi32(sumRGBA, multl);
sumRGBA = _mm_add_epi32(sumRGBA, multh);
s1 = *gaussArray++;
s2 = *gaussArray++;
shift8 = _mm_set1_epi16(s1);
shift16 = _mm_set1_epi16(s2);
gaussVector = _mm_shuffle_epi32(_mm_unpacklo_epi32(shift8, shift16), shuffle);
mul32bits(multl, multh, rgba34, gaussVector);
sumRGBA = _mm_add_epi32(sumRGBA, multl);
sumRGBA = _mm_add_epi32(sumRGBA, multh);
count = count - 4;
pixelArray = pixelArray + 4;
}
r = sumRGBA.m128i_u32[0];
g = sumRGBA.m128i_u32[1];
b = sumRGBA.m128i_u32[2];
a = sumRGBA.m128i_u32[3];
while (countMod4)
{
auto pixelArrayByte = reinterpret_cast<unsigned char*>(pixelArray);
unsigned short k = static_cast<unsigned short>(*gaussArray++);
r += *pixelArrayByte++ * k;
g += *pixelArrayByte++ * k;
b += *pixelArrayByte++ * k;
a += *pixelArrayByte++ * k;
countMod4--;
}
out.r = static_cast<unsigned char>(r >> 15);
out.g = static_cast<unsigned char>(g >> 15);
out.b = static_cast<unsigned char>(b >> 15);
out.a = static_cast<unsigned char>(a >> 15);
}
_mm_set_epi16
вместо ваших ужасных вещей с массивами и неопределенным поведением (*pGauss, *pGauss++, ...
. Запятые не являются точками последовательности.) Я совсем не удивлен, что второй блок кода, который вы опубликовали, работает медленно. Это не компилируется, поэтому я не могу понять, насколько это плохо. На самом деле, вам может понадобиться загрузить + перетасовать себя для достижения наилучших результатов, если ваш компилятор не видит шаблон в_mm_set_epi16
. И почему бы вам не использовать векторное хранилище для результата? Маленькая петляwhile
в конце тоже выглядит неприятно. - person Peter Cordes   schedule 10.03.2016while
неприятный, потому что он не векторизован. Автоматическая векторизация этих умножений и векторное хранилище полностью зависят от компилятора. Получение данных между компонентами в целочисленных элементах regs и vectors происходит очень медленно по сравнению с вертикальными векторными операциями. - person Peter Cordes   schedule 11.03.2016