AVX 指令集并行技术优化中值滤波
【摘要】
利用 AVX 向量化技术优化的中值滤波
代码和注释如下：
void medianFilterAVX(int height, int width, unsigned char *__restrict src, unsigned char *__restrict dst){ // 注意是从 1 开始 for(int i = 1;...
利用 AVX 向量化技术优化的中值滤波
代码和注释如下：
-
void medianFilterAVX(int height, int width, unsigned char *__restrict src, unsigned char *__restrict dst)
-
{
-
// 注意是从 1 开始
-
for(int i = 1; i < height - 1; i++)
-
{
-
int j;
-
-
// 4字节*8 = 32
-
for(j = 1; j < width - 1 - 32; j += 32)
-
{
-
__m256i a[9]; // 3*3 的领域
-
a[0] = _mm256_loadu_si256((__m256i *)(src + i * width + j)); // 非对齐模式加载8 个 int 型
-
a[1] = _mm256_loadu_si256((__m256i *)(src + i * width + j + 1));
-
a[2] = _mm256_loadu_si256((__m256i *)(src + i * width + j - 1));
-
a[3] = _mm256_loadu_si256((__m256i *)(src + (i + 1) * width + j));
-
a[4] = _mm256_loadu_si256((__m256i *)(src + (i + 1) * width + j + 1));
-
a[5] = _mm256_loadu_si256((__m256i *)(src + (i + 1) * width + j - 1));
-
a[6] = _mm256_loadu_si256((__m256i *)(src + (i - 1) * width + j));
-
a[7] = _mm256_loadu_si256((__m256i *)(src + (i - 1) * width + j + 1));
-
a[8] = _mm256_loadu_si256((__m256i *)(src + (i - 1) * width + j - 1));
-
-
// 因为只要知道中值就好（a[4]）
-
for( int ji = 0; ji < 5; ji++)
-
{
-
for( int k = ji + 1; k < 9; k++)
-
{
-
// 逐字节的比较（32个字节）
-
__m256i large = _mm256_max_epu8(a[ji], a[k]);
-
__m256i small = _mm256_min_epu8(a[ji], a[k]);
-
a[ji] = small;
-
a[k] = large;
-
}
-
}
-
_mm256_storeu_si256((__m256i *)(dst + i * width + j), a[4]);// 非对齐模式存储8 个 int 型
-
}
-
-
// 不能被 32 整除的部分
-
for(int je = j; je < width - 1; je++)
-
{
-
unsigned char a[9];
-
a[0] = src[i * width + je];
-
a[1] = src[i * width + je + 1];
-
a[2] = src[i * width + je - 1];
-
a[3] = src[(i + 1) * width + je];
-
a[4] = src[(i + 1) * width + je + 1];
-
a[5] = src[(i + 1) * width + je - 1];
-
a[6] = src[(i - 1) * width + je];
-
a[7] = src[(i - 1) * width + je + 1];
-
a[8] = src[(i - 1) * width + je - 1];
-
for( int ji = 0; ji < 5; ji++)
-
{
-
for( int jj = ji + 1; jj < 9; jj++)
-
{
-
unsigned char large = std::max<unsigned char>(a[ji], a[jj]);
-
unsigned char small = std::min<unsigned char>(a[ji], a[jj]);
-
a[ji] = small;
-
a[jj] = large;
-
}
-
}
-
dst[i * width + je] = a[4];
-
}
-
}
-
-
// 边界处理：直接拷贝
-
for( int i = 0; i < width; i++)
-
{
-
dst[i] = src[i];
-
dst[(height - 1)*width + i] = src[(height - 1) * width + i];
-
}
-
for(int i = 0; i < height; i++)
-
{
-
dst[i * width] = src[i * width];
-
dst[i * width + width - 1] = src[i * width + width - 1];
-
}
-
}
-
入口函数：
-
cv::Mat input = imread("micky.png", cv::IMREAD_GRAYSCALE);
-
-
cv::Mat scale;
-
cv::resize(input, scale, cv::Size(3200, 3200));// 为了使得优化效果更明显
-
-
int width = scale.cols;
-
int height = scale.rows;
-
cv::Mat output = cv::Mat(cv::Size(width, height), CV_8UC1, cv::Scalar(0));
-
-
Timer timer;
-
//meanFilter(scale.data, output.data, width, height);
-
medianFilter(height, width, scale.data, output.data);
-
timer.rlog("时间");
-
-
timer.restart();
-
medianFilterAVX(height, width, scale.data, output.data);
-
timer.rlog("时间");
和串行版本的比较结果如下：提升了将近 19 倍
文章来源: panda1234lee.blog.csdn.net，作者：panda1234lee，版权归原作者所有，如需转载，请联系作者。
原文链接：panda1234lee.blog.csdn.net/article/details/85016941
【版权声明】本文为华为云社区用户转载文章，如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论（0）