问题描述
灰度图像是用不同饱和度的黑色来表示每个图像像素,用0~255之间的数表示“灰色”的程度,比如0表示黑色,255表示白色,RGB值与灰度图之间的转换公式如下:
一幅640*360*3的图像,转换成灰度图需要计算69万次浮点乘法运算,进行优化显得非常必要,但该转换算法最低的复杂度是O(n),无法从算法计算算法上进行优化了,但是,可以通过将浮点计算转成成定点整数计算来提高计算速度,另外还可以将除法计算转换为位操作进一步提高计算速度。
对上面的公式进行16位定点转化:
输入像素一般为8bit数据,当系数也是8bit时,16bit刚好够表达中间计算结果,再当移位数据为8时,可以使用截断指令替代移位+强制类型转换两条指令,因此,去8位精度进行量化,可将计算公式简化为:
C代码实现
RGB Packed格式图像转成灰度图C代码如下:
int RGB2Gray(uint8_t * packed,uint8_t* gray,int height,int width)
{
uint8_t *p_img = (uint8_t*)packed;
uint8_t *p_o = gray;
for(int i = 0; i<height*width; i++)
{
uint8_t r = *p_img++;
uint8_t g = *p_img++;
uint8_t b = *p_img++;
*p_o++ = (r*76 + g*150 + b*30 + 128) >> 8;
}
return 0;
}
NEON优化
int RGB2Gray_neon(uint8_t * packed, uint8_t* gray, int height, int width)
{
uint8_t *p_img = (uint8_t*)packed;
uint8_t *p_o = gray;
uint8x8_t r_corr = {76,76,76,76,76,76,76,76};
uint8x8_t g_corr = {150,150,150,150,150,150,150,150};
uint8x8_t b_corr = {30,30,30,30,30,30,30,30};
int16x8_t shift_r = {-8,-8,-8,-8,-8,-8,-8,-8};
for(int i = 0; i<height*width; i+=W_INC)
{
uint8x8x3_t vdata = vld3_u8(p_img);
uint16x8_t vr = vmull_u8(r_corr, vdata.val[0]);
uint16x8_t vg = vmlal_u8(vr, g_corr, vdata.val[1]);
uint16x8_t vgray16 = vmlal_u8(vg, b_corr, vdata.val[2]);
uint16x8_t vgray_8 = vrshlq_u16(vgray16, shift_r);
uint8x8_t vgray = vqmovn_u16(vgray_8);
vst1_u8(p_o, vgray);
p_o += W_INC;
p_img += W_INC * 3;
}
return 0;
}
性能对比
输入图像分辨率为640*360*3,在ARMv7处理上运行1000次,C语言函数与NEON函数运行耗时对比如下:
算法 | C | NEON | 加速比 |
耗时 | 2491 | 608 | 4.1 |
由此可见,NEON至少提高了4倍的速度。
欢迎关注亦梦云烟的微信公众号: 亦梦智能计算