在 C 中使用跨步复制内存的最快方法？

Question

我正在尝试尽快从 RGBA 图像数据复制 1 或 2 个颜色通道（这是我的代码中最慢的部分，它会减慢整个应用程序的速度）。有没有一种快速的跨步复制方法？

数据简单地布置为 RGBARGBARGBA 等，我需要仅复制 R 值，或者在另一种情况下仅复制 RG 值。

到目前为止，我所做的大致是复制 R 值：

for(int i=0; i<dataSize; i++){
    dest[i] = source[i*4];
}

对于 RG 值，我正在做：

for(int i=0; i<dataSize; i+=2){
    dest[i] = source[i*2];
    dest[i+1] = source[(i*2)+1];
}

所有数据都是无符号 1 字节值。有更快的方法吗？我已经部分展开了循环（每次迭代执行 64 个值 - 除此之外的加速效果微不足道）。平台是 Armv7 (iOS)，因此使用 NEON (SIMD) 可能有用，不幸的是我对此的经验为零！

不幸的是，更改数据是不可能的，它是由 opengl 的 readPixels() 函数提供的，据我所知，iOS 不支持读取 L、LA、RG 等。

Answer 1

如果您可以使用 iOS4 及更高版本，您可能会发现 vDSP 和加速框架很有用。 查看文档以了解各种快速图像处理的优点。

#import <Accelerate/Accelerate.h>

我不知道你接下来要做什么，但是如果你正在对图像数据进行任何形式的计算，并且希望它采用浮点形式，你可以使用 vDSP_vfltu8 将源字节数据的一个通道转换为单精度浮点像这样使用单行点（不包括内存管理）；

vDSP_vfltu8(srcData+0,4,destinationAsFloatRed,1,numberOfPixels)
vDSP_vfltu8(srcData+1,4,destinationAsFloatGreen,1,numberOfPixels)
vDSP_vfltu8(srcData+2,4,destinationAsFloatBlue,1,numberOfPixels)
vDSP_vfltu8(srcData+3,4,destinationAsFloatAlpha,1,numberOfPixels)

如果您随后需要从处理后的浮点数据创建图像，请使用 vDSP_vfuxu8 以其他方式返回 - 所以；

vDSP_vfixu8(destinationAsFloatRed,1,outputData+0,4,numberOfPixels);
vDSP_vfixu8(destinationAsFloatGreen,1,outputData+1,4,numberOfPixels);
vDSP_vfixu8(destinationAsFloatBlue,1,outputData+2,4,numberOfPixels);
vDSP_vfixu8(destinationAsFloatAlpha,1,outputData+3,4,numberOfPixels);

显然，您可以使用上述技术处理 1 或 2 个通道。

文档相当复杂，但结果很好。

Answer 2

一如既往，加载和存储是最昂贵的操作。
您可以按以下方式优化代码：

• 加载一个 int (RGBA)
• 将所需部分存储在寄存器（临时变量）中
• 将数据移至临时变量中的正确位置。
• 执行此操作，直到本机处理器数据大小已满（32 位计算机上的字符为 4 倍），
• 将临时变量存储到内存。

只需快速输入代码即可传达想法。

unsigned int tmp;
unsigned int *dest;

for(int i=0; i<dataSize; i+=4){
    tmp  = (source[i] & 0xFF);
    tmp |= (source[i+1] & 0xFF) << 8;
    tmp |= (source[i+2] & 0xFF) << 16;
    tmp |= (source[i+3] & 0xFF) << 24;

    *dest++ = tmp;
}

Answer 3

根据编译的代码，您可能希望通过添加第二个循环索引来替换乘法 2（将其称为 j 并将其前进 4）：

for(int i=0, j=0; i<dataSize; i+=2, j+=4){
    dest[$i] = source[$j];
    dest[$i+1] = source[$j+1];
}

或者，您可以用移位替换乘法通过 1：

for(int i=0, j=0; i<dataSize; i+=2, j+=4){
    dest[$i] = source[$i<<1];
    dest[$i+1] = source[($i<<1)+1];
}

Answer 4

我更喜欢 while 人——你可以将其转换为 for，我确信

i = j = 0;
while (dataSize--) {
    dst[i++] = src[j++]; /* R */
    dst[i++] = src[j++]; /* G */
    j += 2;              /* ignore B and A */
}

至于它是否更快，你必须衡量。

Answer 5

罗杰的答案可能是最干净的解决方案。拥有一个库来保持代码较小总是好的。但如果您只想优化 C 代码，您可以尝试不同的方法。首先你应该分析你的 dataSize 有多大。然后，您可以进行大量循环展开，可能与复制 int 而不是字节相结合：（伪代码）

while(dataSize-i > n) { // n being 10 or whatever
   *(int*)(src+i) = *(int*)(dest+i); i++; // or i+=4; depending what you copy
   *(int*)(src+i) = *(int*)(dest+i);
   ... n times
}

，然后执行其余操作：

switch(dataSize-i) {
    case n-1: *(src+i) = *(dest+i); i++;
    case n-2: ...
    case 1: ...
}

它变得有点丑陋..但它肯定很快:)

如果您知道，您可以优化更多dataSize 的行为方式。也许它总是2的幂？还是偶数？

---

我刚刚意识到你不能一次复制 4 个字节:) 但只能复制 2 个字节。无论如何，我只是想向您展示如何使用仅进行 1 次比较的 switch 语句来结束展开的循环。 IMO 是获得不错加速的唯一方法。

Answer 6

你的问题仍然是现实的吗？几天前，我发布了 ASM 加速函数，用于跨步复制字节。它比相应的 C 代码快大约两倍。您可以在这里找到它： https://github.com/noveogroup/ios-aux 它可以修改为在 RG 字节复制的情况下复制字。

UPD：我发现我的解决方案仅在默认关闭编译器优化的调试模式下比 C 代码更快。在发布模式下，C 代码经过优化（默认情况下）并且与我的 ASM 代码一样快。

Answer 7

希望我参加聚会还不算太晚！我刚刚使用 ARM NEON 内在函数在 iPad 上完成了类似的事情。与其他列出的答案相比，我的速度提高了 2-3 倍。请注意，下面的代码仅保留第一个通道，并要求数据为 32 字节的倍数。

uint32x4_t mask = vdupq_n_u32(0xFF);

for (unsigned int i=0, j=0; i < dataSize; i+=32, j+=8) {

    // Load eight 4-byte integers from the source
    uint32x4_t vec0 = vld1q_u32((const unsigned int *) &source[i]);
    uint32x4_t vec1 = vld1q_u32((const unsigned int *) &source[i+16]);

    // Zero everything but the first byte in each of the eight integers
    vec0 = vandq_u32(vec0, mask);
    vec1 = vandq_u32(vec1, mask);

    // Throw away two bytes for each of the original integers
    uint16x4_t vec0_s = vmovn_u32(vec0);
    uint16x4_t vec1_s = vmovn_u32(vec1);

    // Combine the remaining bytes into a single vector
    uint16x8_t vec01_s = vcombine_u16(vec0_s, vec1_s);

    // Throw away the last byte for each of the original integers
    uint8x8_t vec_o = vmovn_u16(vec01_s);

    // Store to destination
    vst1_u8(&dest[j], vec_o);
}

Answer 8

您对 ASM 满意吗？我不熟悉 ARM 处理器，但在 Analog Devices 的 Blackfin 上，此副本实际上是免费的，因为它可以与计算操作并行完成：

i0 = _src_addr;
i1 = _dest_addr;
p0 = dataSize - 1;

r0 = [i0++];
loop _mycopy lc0 = p0;
loop_begin _mycopy;
    /* possibly do compute work here | */ r0 = [i0++] | W [i1++] = r0.l;
loop_end _mycopy;
W [i1++] = r0.l;

因此，您每个像素 1 个周期。请注意，按原样，这对于 RG 或 BA 副​​本很有用。正如我所说，我不熟悉 ARM，对 iOS 一无所知，所以我不确定您是否可以访问 ASM 代码，但您可以尝试寻找此类优化。