利用SSE优化图像转置

平时我们做图像处理或者视频处理, 很多地方会用到矩阵转置:

比如: DCT变换, 图像旋转, 图像滤波, 以及一些数据的内存行和列的交换等, 会大量使用转置这个动作.

然而由于数据量很大,处理速度很慢!如何来提高处理速度呢?

下面看看分析: 

HEVC中有个地方是如下这样实现(直接行和列对应的位置交换):

[cpp]  view plain copy print ?

1. Pel  tmp;  
2. for (k=0;k<blkSize-1;k++)  
3. {  
4.   for (l=k+1;l<blkSize;l++)  
5.   {  
6.     tmp                 = pDst[k*dstStride+l];  
7.     pDst[k*dstStride+l] = pDst[l*dstStride+k];  
8.     pDst[l*dstStride+k] = tmp;  
9.   }  
10. }  

 

如何用汇编来实现呢?

我们先用SSE汇编来实现一个8X8的矩阵转置吧: 这里输入地址pSrc_128[i] 和输出地址pDst_128[i]可以相同也可以不同:

相同的话就是原地转置, 不同的话就是非原地转置.

[cpp]  view plain copy print ?

1.   __m128i* m_pSrc_tmp = pSrc_128[i];  
2.   __m128i* m_pDst_tmp = pDst_128[i];  
3.   __m128i Org_8_0,Org_8_1, Org_8_2, Org_8_3;  
4.   __m128i tttt1,tttt2,tttt3,tttt4,tttt33,tttt44;  
5.   __m128i tttt5,tttt6, tttt7, tttt8;  
6.   int stride_ii = dstStride>>3;  
7. //one  
8.   Org_8_0 = _mm_load_si128(m_pSrc_tmp);  
9.   m_pSrc_tmp+=8;  
10.   Org_8_1 = _mm_load_si128(m_pSrc_tmp);  
11.   m_pSrc_tmp+=8;  
12.   Org_8_2 = _mm_load_si128(m_pSrc_tmp);  
13.   m_pSrc_tmp+=8;  
14.   Org_8_3 = _mm_load_si128(m_pSrc_tmp);  
15.   m_pSrc_tmp+=8;  
16.   
17.   tttt1 = _mm_unpacklo_epi16(Org_8_0, Org_8_1);  
18.   tttt2 = _mm_unpacklo_epi16(Org_8_2, Org_8_3);  
19.   tttt3 = _mm_unpackhi_epi16(Org_8_0, Org_8_1);  
20.   tttt4 = _mm_unpackhi_epi16(Org_8_2, Org_8_3);  
21.   
22.   tttt5 = _mm_unpacklo_epi32(tttt1, tttt2);  
23.   tttt6 = _mm_unpackhi_epi32(tttt1, tttt2);  
24.   
25.   Org_8_0 = _mm_load_si128(m_pSrc_tmp);  
26.   m_pSrc_tmp+=8;;   
27.   Org_8_1 = _mm_load_si128(m_pSrc_tmp);  
28.   m_pSrc_tmp+=8;  
29.   Org_8_2 = _mm_load_si128(m_pSrc_tmp);  
30.   m_pSrc_tmp+=8;   
31.   Org_8_3 = _mm_load_si128(m_pSrc_tmp);  
32.   //m_pSrc_tmp+=8;  
33.   
34.   tttt1 = _mm_unpacklo_epi16(Org_8_0, Org_8_1);  
35.   tttt2 = _mm_unpacklo_epi16(Org_8_2, Org_8_3);  
36.   tttt33 = _mm_unpackhi_epi16(Org_8_0, Org_8_1);  
37.   tttt44 = _mm_unpackhi_epi16(Org_8_2, Org_8_3);  
38.   
39.   tttt7 = _mm_unpacklo_epi32(tttt1, tttt2);  
40.   tttt8 = _mm_unpackhi_epi32(tttt1, tttt2);  
41.   
42.   tttt1 = _mm_unpacklo_epi64(tttt5, tttt7);  
43.   tttt2 = _mm_unpackhi_epi64(tttt5, tttt7);  
44.   _mm_storeu_si128(m_pDst_tmp, tttt1);  
45.   m_pDst_tmp+=stride_ii;  
46.   _mm_storeu_si128(m_pDst_tmp, tttt2);  
47.   m_pDst_tmp+=stride_ii;  
48.   tttt5 = _mm_unpacklo_epi64(tttt6, tttt8);  
49.   tttt7 = _mm_unpackhi_epi64(tttt6, tttt8);  
50.   _mm_storeu_si128(m_pDst_tmp, tttt5);  
51.   m_pDst_tmp+=stride_ii;  
52.   _mm_storeu_si128(m_pDst_tmp, tttt7);  
53.   m_pDst_tmp+=stride_ii;  
54.   
55. //tow  
56.   tttt5 = _mm_unpacklo_epi32(tttt3, tttt4);  
57.   tttt6 = _mm_unpackhi_epi32(tttt3, tttt4);  
58.   
59.   tttt7 = _mm_unpacklo_epi32(tttt33, tttt44);  
60.   tttt8 = _mm_unpackhi_epi32(tttt33, tttt44);  
61.   
62.   tttt1 = _mm_unpacklo_epi64(tttt5, tttt7);  
63.   tttt2 = _mm_unpackhi_epi64(tttt5, tttt7);  
64.   _mm_storeu_si128(m_pDst_tmp, tttt1);  
65.   m_pDst_tmp+=stride_ii;  
66.   _mm_storeu_si128(m_pDst_tmp, tttt2);  
67.   m_pDst_tmp+=stride_ii;  
68.   tttt5 = _mm_unpacklo_epi64(tttt6, tttt8);  
69.   tttt7 = _mm_unpackhi_epi64(tttt6, tttt8);  
70.   _mm_storeu_si128(m_pDst_tmp, tttt5);  
71.   m_pDst_tmp+=stride_ii;  
72.   _mm_storeu_si128(m_pDst_tmp, tttt7);  

要实现的是NXN的转置,如何实现呢:

基于8X8来实现NXN的块或者图像的转置:

这里先把NXN划分为size_case 个8X8, 然后循环调用8X8的转置!

 

[cpp]  view plain copy print ?

1.  __m128i* pDst_128[64];  
2.  __m128i* pSrc_128[64];  
3.  int size_case = (blkSize>>3);  
4.  dstStride = dstStride_tmp;  
5.  for(int y = 0; y<size_case; y++)//对所有8x8的块进行地址映射  
6.   for(int x = 0; x<size_case; x++)  
7.   {  
8.    pSrc_128[y*size_case + x] = (__m128i*)(pDst + 8*x + y*8*64);  
9.    pDst_128[y*size_case + x] = (__m128i*)(rpDst + 8*y + x*8*dstStride);  
10.   }  
11.   
12.  size_case = size_case*size_case;  
13.  for(int  i = 0;i <size_case; i++)//开始转置  
14.  {  
15.   
16.     8x8转置的代码:  
17.   
18. }  

通过比较, 用SSE汇编优化实现转置比用纯 C代码实现的转置速度快5倍左右! 

 

同样在ARM cortext上的汇编优化也是基于这个原理:

主要循环体代码如下:

[cpp]  view plain copy print ?

1. VTRN.16 q8, q9  
2. VTRN.16 q10, q11  
3. VTRN.16 q4, q5  
4. VTRN.16 q6, q7  
5. VTRN.32 q8, q10  

感兴趣的可以自己调试下!

 

当然DSP上也是同样的方法, 只是涉及到的指令不同而已!