SSE图像算法优化系列十二：多尺度的图像细节提升。

最新推荐文章于 2022-12-09 14:15:00 发布
最新推荐文章于 2022-12-09 14:15:00 发布
阅读量237 收藏
点赞数 1
文章标签： 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/PixelDemon/article/details/126793133
版权

　　无意中浏览一篇文章，中间提到了基于多尺度的图像的细节提升算法，尝试了一下，还是有一定的效果的，结合最近一直研究的SSE优化，把算法的步骤和优化过程分享给大家。

　　论文的全名是DARK IMAGE ENHANCEMENT BASED ON PAIRWISE TARGET CONTRAST AND MULTI-SCALE DETAIL BOOSTING，好像在百度上搜索不到，由于博客的空间不多了，这里就不上传了， 我贴出论文核心的字段。

   

　　论文的核心思想类似于Retinex，使用了三个尺度的高斯模糊，再和原图做减法，获得不同程度的细节信息，然后通过一定的组合方式把这些细节信息融合到原图中，从而得到加强原图信息的能力。

　　值得一提的就是对D1的系数做了特殊的处理，这个是值得学习的。

　　这个算法的编码实在是简单，一个简单的C语言代码如下：

int IM_MultiScaleSharpen(unsigned char *Src, unsigned char *Dest, int Width, int Height, int Stride, int Radius)
{
    int Channel = Stride / Width;
    if ((Src == NULL) || (Dest == NULL))                                return IM_STATUS_NULLREFRENCE;
    if ((Width <= 0) || (Height <= 0))                                    return IM_STATUS_INVALIDPARAMETER;
    if ((Channel != 1) && (Channel != 3) && (Channel != 4))                return IM_STATUS_INVALIDPARAMETER;

    int Status = IM_STATUS_OK;

    unsigned char *B1 = (unsigned char *)malloc(Height * Stride * sizeof(unsigned char));        //    如果最后的大图在这里内存有问题，一种解决办法就是下面的模糊用BoxBlur
    unsigned char *B2 = (unsigned char *)malloc(Height * Stride * sizeof(unsigned char));        //    然后不要调用现有的BoxBlur函数，而是直接在本函数实现三种不同半径的模糊
    unsigned char *B3 = (unsigned char *)malloc(Height * Stride * sizeof(unsigned char));        //    运算速度(因为有些循环是公共的)会有点点提高，额外的内存占用则可以忽略

    if ((B1 == NULL) || (B2 == NULL) || (B3 == NULL))
    {
        if (B1 != NULL) free(B1);
        if (B2 != NULL) free(B2);
        if (B3 != NULL) free(B3);
        return IM_STATUS_OUTOFMEMORY;
    }

    Status = IM_ExpBlur(Src, B1, Width, Height, Stride, Radius);                        
    if (Status != IM_STATUS_OK)    goto FreeMemory;
    Status = IM_ExpBlur(Src, B2, Width, Height, Stride, Radius * 2);
    if (Status != IM_STATUS_OK)    goto FreeMemory;
    Status = IM_ExpBlur(Src, B3, Width, Height, Stride, Radius * 4);
    if (Status != IM_STATUS_OK)    goto FreeMemory;
    for (int Y = 0; Y < Height * Stride; Y++)
    {
        int DiffB1 = Src[Y] - B1[Y];
        int DiffB2 = B1[Y] - B2[Y];
        int DiffB3 = B2[Y] - B3[Y];
        Dest[Y] = IM_ClampToByte(((4 - 2 * IM_Sign(DiffB1)) * DiffB1 + 2 * DiffB2 + DiffB3) / 4 + Src[Y]);
    }

FreeMemory:
    free(B1);
    free(B2);
    free(B3);
    return Status;
}

　　为避免浮点计算，我们将W1、W2、W3放大四倍，累加玩后在除以4就可以了，整个的书写过程就是按照公式(13)进行的。

　　其中IM_Sign函数定义如下：

inline int IM_Sign(int X)
{
    return (X >> 31) | (unsigned(-X)) >> 31;        
}

 

 　　　　　　　　　　　　　　处理前　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　处理后(半径5)

　　处理效果由上面两幅图的比较来说，还是相当明显的。

　　上面的代码中我用的ExpBlur代替了高斯模糊，关于指数模糊可以参考：SSE图像算法优化系列五：超高速指数模糊算法的实现和优化(10000*10000在100ms左右实现) 一文，他的效果和高斯模糊差不多，速度要快不少。

　　当指数模糊使用SSE优化后，剩下的代码用纯C实现，对于1080P的24位彩色图，测试时间为73毫秒，如果除去3次指数模糊，纯C部分代码耗时约40 ms，所以有很大的优化空间，我们就用SSE来处理。

　　第一，我们需要来处理IM_Sign这个函数，这个函数当参数大于0时，返回1，参数小于0时，返回-1，参数等于0时，返回0，SSE没有直接这样的函数，幸好之前收集过一个这个的自定义函数，写的也很巧妙：

inline __m128i _mm_sgn_epi16(__m128i v)
{
#ifdef __SSSE3__
    v = _mm_sign_epi16(_mm_set1_epi16(1), v); // use PSIGNW on SSSE3 and later
#else
    v = _mm_min_epi16(v, _mm_set1_epi16(1));  // use PMINSW/PMAXSW on SSE2/SSE3.
    v = _mm_max_epi16(v, _mm_set1_epi16(-1));
    //_mm_set1_epi16(1) = _mm_srli_epi16(_mm_cmpeq_epi16(v, v), 15);
    //_mm_set1_epi16(-1) = _mm_cmpeq_epi16(v, v);

#endif
    return v;
}

　　如上所示，当系统只支持SSE2以及其下的版本时，直接用_mm_min_epi16和_mm_max_epi16这样的函数硬实现，这个逻辑也很好理解。

　　如果系统支持SSE3及其以上的版本，系统提供了_mm_sign_epi16这个函数，关于这个函数其作用解释如下：

//　　extern __m128i _mm_sign_epi16 (__m128i a, __m128i b); 
//　　Negate packed words in a if corresponding sign in b is less than zero. 
//　　Interpreting a, b, and r as arrays of signed 16-bit integers: 
for (i = 0; i < 8; i++)
{
    if (b[i] < 0)
    {
        r[i] = -a[i];
    }
    else if (b[i] == 0)
    {
        r[i] = 0;
    }
    else
    {
        r[i] = a[i];
    }
}

　　如果参数a传值为1，不就能实现IM_Sign这个效果了吗，真好玩。

　　解决了IM_Sign这个函数，其他的部分都很简单了，考虑到数据范围，把字节数据扩展为signed short类型处理就可以了，这样一次性可以处理8个字节的数据，修改后的代码如下所示：

int IM_MultiScaleSharpen(unsigned char *Src, unsigned char *Dest, int Width, int Height, int Stride, int Radius)
{
    int Channel = Stride / Width;
    if ((Src == NULL) || (Dest == NULL))                                return IM_STATUS_NULLREFRENCE;
    if ((Width <= 0) || (Height <= 0))                                    return IM_STATUS_INVALIDPARAMETER;
    if ((Channel != 1) && (Channel != 3) && (Channel != 4))                return IM_STATUS_INVALIDPARAMETER;
    int Status = IM_STATUS_OK;
    unsigned char *B1 = (unsigned char *)malloc(Height * Stride * sizeof(unsigned char));        //    如果最后的大图在这里内存有问题，一种解决办法就是下面的模糊用BoxBlur
    unsigned char *B2 = (unsigned char *)malloc(Height * Stride * sizeof(unsigned char));        //    然后不要调用现有的BoxBlur函数，而是直接在本函数实现三种不同半径的模糊
    unsigned char *B3 = (unsigned char *)malloc(Height * Stride * sizeof(unsigned char));        //    运算速度(因为有些循环是公共的)会有点点提高，额外的内存占用则可以忽略
    if ((B1 == NULL) || (B2 == NULL) || (B3 == NULL))
    {
        if (B1 != NULL) free(B1);
        if (B2 != NULL) free(B2);
        if (B3 != NULL) free(B3);
        return IM_STATUS_OUTOFMEMORY;
    }
    Status = IM_ExpBlur(Src, B1, Width, Height, Stride, Radius);                        
    if (Status != IM_STATUS_OK)    goto FreeMemory;
    Status = IM_ExpBlur(Src, B2, Width, Height, Stride, Radius * 2);
    if (Status != IM_STATUS_OK)    goto FreeMemory;
    Status = IM_ExpBlur(Src, B3, Width, Height, Stride, Radius * 4);
    if (Status != IM_STATUS_OK)    goto FreeMemory;
    int BlockSize = 8, Block = (Height * Stride) / BlockSize;
    __m128i Zero = _mm_setzero_si128();
    __m128i Four = _mm_set1_epi16(4);
    for (int Y = 0; Y < Block * BlockSize; Y += BlockSize)
    {
        __m128i SrcV = _mm_unpacklo_epi8(_mm_loadl_epi64((__m128i *)(Src + Y)), Zero);
        __m128i SrcB1 = _mm_unpacklo_epi8(_mm_loadl_epi64((__m128i *)(B1 + Y)), Zero);
        __m128i SrcB2 = _mm_unpacklo_epi8(_mm_loadl_epi64((__m128i *)(B2 + Y)), Zero);
        __m128i SrcB3 = _mm_unpacklo_epi8(_mm_loadl_epi64((__m128i *)(B3 + Y)), Zero);
        __m128i DiffB1 = _mm_sub_epi16(SrcV, SrcB1);
        __m128i DiffB2 = _mm_sub_epi16(SrcB1, SrcB2);
        __m128i DiffB3 = _mm_sub_epi16(SrcB2, SrcB3);
        __m128i Offset = _mm_srai_epi16(_mm_add_epi16(_mm_add_epi16(_mm_mullo_epi16(_mm_sub_epi16(Four, _mm_slli_epi16(_mm_sgn_epi16(DiffB1), 1)), DiffB1), _mm_slli_epi16(DiffB2, 1)), DiffB3), 2);
        _mm_storel_epi64((__m128i *)(Dest + Y), _mm_packus_epi16(_mm_add_epi16(SrcV, Offset), Zero));
    }
    for (int Y = Block * BlockSize; Y < Height * Stride; Y++)
    {
        int DiffB1 = Src[Y] - B1[Y];
        int DiffB2 = B1[Y] - B2[Y];
        int DiffB3 = B2[Y] - B3[Y];
        Dest[Y] = IM_ClampToByte(((4 - 2 * IM_Sign(DiffB1)) * DiffB1 + 2 * DiffB2 + DiffB3) / 4 + Src[Y]);
    }
FreeMemory:
    free(B1);
    free(B2);
    free(B3);
    return Status;
}

　　基本上就是按照C语言或者公式(13)所示的流程一步一步的编写，只不过把有些乘法变成了移位。

　　 对于1080P的彩色图像，上述改动后处理时间变为了35ms，纯C语言部分的耗时约在11ms左右，同之前的相比速度提高了4倍多，提速还是相当的明显的。

　　在仔细观察，觉得在IM_Sign这个的处理上还是有问题，虽然上述代码能完美解决问题，但是总觉得有改进空间，当我们把IM_Sign(DiffB1) * DiffB1放在一起观察时，就会发现这个整体不是可以直接使用_mm_sign_epi16予以实现吗，比如 _mm_sign_epi16(DiffB1, DiffB1) 难道不是吗？ 这样就少了一次乘法。

　　最后，我们把DiffB2, DiffB3展开，合并掉一些同类项，然后把乘以相同系数的变量在合并，又可以优化掉一些计算，最终的SSE部分代码如下：

    int BlockSize = 8, Block = (Height * Stride) / BlockSize;
    __m128i Zero = _mm_setzero_si128();
    for (int Y = 0; Y < Block * BlockSize; Y += BlockSize)
    {
        __m128i SrcV = _mm_unpacklo_epi8(_mm_loadl_epi64((__m128i *)(Src + Y)), Zero);
        __m128i SrcB1 = _mm_unpacklo_epi8(_mm_loadl_epi64((__m128i *)(B1 + Y)), Zero);
        __m128i SrcB2 = _mm_unpacklo_epi8(_mm_loadl_epi64((__m128i *)(B2 + Y)), Zero);
        __m128i SrcB3 = _mm_unpacklo_epi8(_mm_loadl_epi64((__m128i *)(B3 + Y)), Zero);
        __m128i DiffB1 = _mm_sub_epi16(SrcV, SrcB1);
        __m128i Offset = _mm_add_epi16(_mm_srai_epi16(_mm_sub_epi16(_mm_slli_epi16(_mm_sub_epi16(SrcB1, _mm_sign_epi16(DiffB1, DiffB1)), 1), _mm_add_epi16(SrcB2, SrcB3)), 2), DiffB1);
        _mm_storel_epi64((__m128i *)(Dest + Y), _mm_packus_epi16(_mm_add_epi16(SrcV, Offset), Zero));
    }

　　虽然测试表明，速度没有提高多少(主要是计算量太少)，但这样写明显合理很多。

　　测试工程的地址：https://files.cnblogs.com/files/Imageshop/SSE_Optimization_Demo.rar

 

PixelDemon
关注
图像处理与图像识别笔记（三）图像增强1
weixin_35747666的博客
10-17 1807
图像增强的目的是为了改善图像的视觉效果，为了更便于人或机器的分析和处理，在不考虑图像降质（前提）的情况下，提高图像的可观性。灰度变换是一种典型的图像增强方法。 一、灰度变换 ...
数字图像处理—图像纹理特征
红叶谷 wsp_1138886114的博客
09-21 1万+
文章目录一、纹理特征的特点二、特征提取---纹理2.1 纹理分析2.2 分析方法详解三、衡量直方图间的相似性 在传统图像特征中，图像特征分析主要有以下方法： 颜色特征（颜色矩–颜色集–颜色聚合向量–颜色相关图） 【参考文章】 颜色直方图（RGB-HSV-LAB-Gray） 【参考文章】 颜色量化 【参考文章】 ,【或者查看】 bin的选取（忽略数值较小的bin区间）【参考文章】 角点特征匹配 【参考文章】 一、纹理特征的特点 优点： 包含多个像素点的区域中进行统计计算； 常具有旋转不变性； 对于噪
DM8168 HDVPSS EDE图像边缘细节增强
wowo的专栏
12-05 1760
参考链接： http://www.jeepxie.net/article/73228.html http://www.myexception.cn/image/912707.html http://www.myexception.cn/image/912719.html http://www.myexception.cn/image/912697.html 专利： CN10384...
SSE图像算法优化系列十三：超高速BoxBlur算法的实现和优化（Opencv的速度的五倍）...
PixelDemon的博客
01-20 508
在SSE图像算法优化系列五：超高速指数模糊算法的实现和优化(10000*10000在100ms左右实现)一文中，我曾经说过优化后的ExpBlur比BoxBlur还要快，那个时候我比较的BoxBlur算法是通过积分图+SSE实现的，我在09年另外一个博客账号上曾经提供过一篇这个文章彩色图像高速模糊之懒惰算法，里面也介绍了一种快速的图像模糊算法，这个算法的执行时间基本也是和半径无关的。...
图像增强:多尺度的图像细节提升(multi-scale detail boosting)实现方法
热门推荐
AI吃大瓜的博客
01-23 2万+
图像增强:多尺度的图像细节提升(multi-scale detail boosting)实现方法       看到一篇博客介绍基于多尺度的图像的细节提升算法，其参考论文《Dark image enhancement based onpairwise target contrast and multi-scale detail boosting》，下图是该论文的核心算法过程。然后自己在Matlab和
图像传统处理算法-边缘检测-分割-增强-降噪
zero
11-22 3135
基于空域像素特征的方法，是通过分析在一定大小的窗口内，中心像素与其他相邻像素之间在灰度空间的直接联系，来获取新的中心像素值的方法，因此往往都会存在一个典型的输入参数，即滤波半径r。一般的图像处理，微小的细节对图像降噪的后续处理程序影响不太明显，但是当处理对象为医学图像时，这样的小失误是不被允许的，因为在医疗诊断或治疗中，每一个微小的失误都会影响医师的治疗方法甚至威胁到患者的生命。一种对中值滤波的改进是自适应中值滤波，它首先判断窗口内部的中心像素是否是一个脉冲，如果不是，则输出标准中值滤波的结果；
stitch_sse.zip_SSE_全景图拼接_图像拼接SSE代码_拼接
09-23
**图像拼接SSE代码** 使用SSE2指令集编写，可以优化关键算法的执行，例如快速计算像素差值、进行仿射变换等。通过向量化代码，可以一次性处理多个像素，从而减少循环迭代次数，降低时间复杂度。 **拼接过程** 通常...
OpenCV图像处理性能优化：算法选择与代码优化指南
[OpenCV图像处理性能优化：算法选择与代码优化指南](https://img-blog.csdnimg.cn/20200411145652163.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3...
SSE优化的快速小波变换算法介绍
资源摘要信息:"SSE小波变换是一种基于Streaming SIMD Extensions（流式单指令多数据扩展）技术优化的小波变换算法。小波变换是一种数学变换方法，用于将信号分解为不同频率的组成部分，以便于分析、处理和压缩。而...
WVC_c.rar_SSE_wavelet_小波变换_小波变换算法_快速小波变换
09-19
在实际应用中，SSE优化的小波变换算法被广泛应用于图像压缩、音频处理、故障诊断、金融数据分析等领域。例如，在图像处理中，小波变换可以有效地提取图像的边缘和细节，SSE加速则能确保处理速度满足实时性需求。在...
揭秘OpenCV图像分割算法：K-Means聚类算法的奥秘与实践
![opencv图像分割]...通过优化聚类中心和分配像素，K-Means算法可以有效地分割图像。 在本章中，我们将介绍K-Means聚类算法的原理、优缺点以及在图像
【解纠缠表示：图像增强】
最新发布
weixin_43690932的博客
12-09 3905
仅供自己参考
多尺度的图像细节提升
weixin_39450742的博客
07-01 346
本篇博文来自博主Imageshop，打赏或想要查阅更多内容可以移步至Imageshop。 转载自：https://www.cnblogs.com/Imageshop/p/7895008.html侵删 　　无意中浏览一篇文章，中间提到了基于多尺度的图像的细节提升算法，尝试了一下，还是有一定的效果的，结合最近一直研究的SSE优化，把算法的步骤和优化过程分享给大家。 　　论文的全名是DARK IMAGE ENHANCEMENT BASED ON PAIRWISE TARGET CONTRAST A...
SSE2指令--使用SSE2的整型内存操作和初始化：设置(Set)
bwl111的专栏
05-27 7330
SSE2指令使用下面三种数据类型： __m128, __m128i, 和 __m128d ，但是安腾处理器家族( Itanium Processor Family,IPF)处理器并不支持这三种数据类型；       x64的处理器不支持任何使用 __m64 数据类型的SSE2指令。      所有的SSE2指令的声明都在emmintrin.h头文件中可以找得到。     1.__m128
SSE2 指令
少年的此间
11-02 4753
SSE2指令集
SSE图像算法优化系列二十五:二值图像的Euclidean distance map（EDM)特征图计算及其优化。...
PixelDemon的博客
12-27 256
　　Euclidean distance map(EDM)这个概念可能听过的人也很少，其主要是用在二值图像中，作为一个很有效的中间处理手段存在。一般的处理都是将灰度图处理成二值图或者一个二值图处理成另外一个二值图，而EDM算法确是由一幅二值图生成一幅灰度图。其核心定义如下： 　　The definition is simple enough: each point in the foregrou...
指令集笔记
weixin_44591545的博客
12-02 324
图像 指令集 笔记
使用SSE指令集来优化程序
百里杨的博客
08-24 4015
SSE和SSE2的指令系统非常相似，SSE2比SSE多的仅是少量的额外浮点处理功能、64位浮点数运算支持和64位整数运算支持。 SSE为什么会比传统的浮点运算更快呢？因为它使用了128位的存储单元，这对于32位的浮点数来讲，是可以存下4个的，也就是说，SSE中的所有计算都是一次性针对4个浮点数来完成的。 虽然SSE从理论上来讲要比传统的浮点运算会快，但是所受的限制也很多，首先，虽然它执行一次相当于四次，会比传统的浮点运算执行4次的速度要快，但是它执行一次的速度却并没有想象中的那...
MMX与SSE在医学图像处理中的高效优化策略
本文主要探讨了在医学图像处理领域中利用MMX (MultiMedia Extension) 和 SSE (Streaming SIMD Extensions) 指令来提升软件性能的关键技术。MMX 是一种早期的多媒体扩展指令集，它引入了一组专门针对数据并行处理的单...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值