Myślę, że transpozycja/2-przebieg nie jest dobra do optymalizacji kodu operatora Sobela. Sobel Operator nie jest funkcją obliczeniową, więc marnowanie dostępu do pamięci w przypadku transpozycji/2-pasmowego dostępu nie jest dobre w tym przypadku. Napisałem kilka kodów testowych Sobel Operator, aby zobaczyć, jak szybko może uzyskać SSE. ten kod nie obsługuje pikseli o pierwszej i ostatniej krawędzi, a do obliczenia wartości sqrt() można użyć jednostek FPU.
Obsługa operatora Sobela: 14 mnożenie, 1 pierwiastek kwadratowy, 11 dodawania, 2 min/maks., 12 uprawnień do odczytu i 1 operator dostępu do zapisu. Oznacza to, że możesz przetworzyć komponent w cyklu 20 ~ 30, jeśli dobrze zoptymalizujesz kod.
Funkcja FloatSobel() zajęła 2113044 cykli procesora w celu przetworzenia obrazu 256 * 256 przetwarzania 32,76 cyklu/komponentu. Przekształcę ten przykładowy kod w SSE.
void FPUSobel()
{
BYTE* image_0 = g_image + g_image_width * 0;
BYTE* image_1 = g_image + g_image_width * 1;
BYTE* image_2 = g_image + g_image_width * 2;
DWORD* screen = g_screen + g_screen_width*1;
for(int y=1; y<g_image_height-1; ++y)
{
for(int x=1; x<g_image_width-1; ++x)
{
float gx = image_0[x-1] * (+1.0f) +
image_0[x+1] * (-1.0f) +
image_1[x-1] * (+2.0f) +
image_1[x+1] * (-2.0f) +
image_2[x-1] * (+1.0f) +
image_2[x+1] * (-1.0f);
float gy = image_0[x-1] * (+1.0f) +
image_0[x+0] * (+2.0f) +
image_0[x+1] * (+1.0f) +
image_2[x-1] * (-1.0f) +
image_2[x+0] * (-2.0f) +
image_2[x+1] * (-1.0f);
int result = (int)min(255.0f, max(0.0f, sqrtf(gx * gx + gy * gy)));
screen[x] = 0x01010101 * result;
}
image_0 += g_image_width;
image_1 += g_image_width;
image_2 += g_image_width;
screen += g_screen_width;
}
}
Funkcja SseSobel() zajęła procesorowi procesorowi 613220 przetwarzanie tego samego obrazu 256 * 256. Wymagało to 9,51 cyklu/komponentu i 3,4 razy szybciej niż FPUSobel(). Jest kilka miejsc do optymalizacji, ale nie będzie to więcej niż 4 razy, ponieważ wykorzystano 4-drożny SIMD.
Ta funkcja wykorzystała podejście SoA do przetwarzania 4 pikseli naraz. SoA jest lepsza niż AoS w większości danych tablicowych lub obrazowych, ponieważ musisz przetransponować/przetasować, aby użyć AoS. A SoA znacznie łatwiej zmienia wspólny kod C na kody SSE.
void SseSobel()
{
BYTE* image_0 = g_image + g_image_width * 0;
BYTE* image_1 = g_image + g_image_width * 1;
BYTE* image_2 = g_image + g_image_width * 2;
DWORD* screen = g_screen + g_screen_width*1;
__m128 const_p_one = _mm_set1_ps(+1.0f);
__m128 const_p_two = _mm_set1_ps(+2.0f);
__m128 const_n_one = _mm_set1_ps(-1.0f);
__m128 const_n_two = _mm_set1_ps(-2.0f);
for(int y=1; y<g_image_height-1; ++y)
{
for(int x=1; x<g_image_width-1; x+=4)
{
// load 16 components. (0~6 will be used)
__m128i current_0 = _mm_unpacklo_epi8(_mm_loadu_si128((__m128i*)(image_0+x-1)), _mm_setzero_si128());
__m128i current_1 = _mm_unpacklo_epi8(_mm_loadu_si128((__m128i*)(image_1+x-1)), _mm_setzero_si128());
__m128i current_2 = _mm_unpacklo_epi8(_mm_loadu_si128((__m128i*)(image_2+x-1)), _mm_setzero_si128());
// image_00 = { image_0[x-1], image_0[x+0], image_0[x+1], image_0[x+2] }
__m128 image_00 = _mm_cvtepi32_ps(_mm_unpacklo_epi16(current_0, _mm_setzero_si128()));
// image_01 = { image_0[x+0], image_0[x+1], image_0[x+2], image_0[x+3] }
__m128 image_01 = _mm_cvtepi32_ps(_mm_unpacklo_epi16(_mm_srli_si128(current_0, 2), _mm_setzero_si128()));
// image_02 = { image_0[x+1], image_0[x+2], image_0[x+3], image_0[x+4] }
__m128 image_02 = _mm_cvtepi32_ps(_mm_unpacklo_epi16(_mm_srli_si128(current_0, 4), _mm_setzero_si128()));
__m128 image_10 = _mm_cvtepi32_ps(_mm_unpacklo_epi16(current_1, _mm_setzero_si128()));
__m128 image_12 = _mm_cvtepi32_ps(_mm_unpacklo_epi16(_mm_srli_si128(current_1, 4), _mm_setzero_si128()));
__m128 image_20 = _mm_cvtepi32_ps(_mm_unpacklo_epi16(current_2, _mm_setzero_si128()));
__m128 image_21 = _mm_cvtepi32_ps(_mm_unpacklo_epi16(_mm_srli_si128(current_2, 2), _mm_setzero_si128()));
__m128 image_22 = _mm_cvtepi32_ps(_mm_unpacklo_epi16(_mm_srli_si128(current_2, 4), _mm_setzero_si128()));
__m128 gx = _mm_add_ps(_mm_mul_ps(image_00,const_p_one),
_mm_add_ps(_mm_mul_ps(image_02,const_n_one),
_mm_add_ps(_mm_mul_ps(image_10,const_p_two),
_mm_add_ps(_mm_mul_ps(image_12,const_n_two),
_mm_add_ps(_mm_mul_ps(image_20,const_p_one),
_mm_mul_ps(image_22,const_n_one))))));
__m128 gy = _mm_add_ps(_mm_mul_ps(image_00,const_p_one),
_mm_add_ps(_mm_mul_ps(image_01,const_p_two),
_mm_add_ps(_mm_mul_ps(image_02,const_p_one),
_mm_add_ps(_mm_mul_ps(image_20,const_n_one),
_mm_add_ps(_mm_mul_ps(image_21,const_n_two),
_mm_mul_ps(image_22,const_n_one))))));
__m128 result = _mm_min_ps(_mm_set1_ps(255.0f),
_mm_max_ps(_mm_set1_ps(0.0f),
_mm_sqrt_ps(_mm_add_ps(_mm_mul_ps(gx, gx), _mm_mul_ps(gy,gy)))));
__m128i pack_32 = _mm_cvtps_epi32(result); //R32,G32,B32,A32
__m128i pack_16 = _mm_packs_epi32(pack_32, pack_32); //R16,G16,B16,A16,R16,G16,B16,A16
__m128i pack_8 = _mm_packus_epi16(pack_16, pack_16); //RGBA,RGBA,RGBA,RGBA
__m128i unpack_2 = _mm_unpacklo_epi8(pack_8, pack_8); //RRGG,BBAA,RRGG,BBAA
__m128i unpack_4 = _mm_unpacklo_epi8(unpack_2, unpack_2); //RRRR,GGGG,BBBB,AAAA
_mm_storeu_si128((__m128i*)(screen+x),unpack_4);
}
image_0 += g_image_width;
image_1 += g_image_width;
image_2 += g_image_width;
screen += g_screen_width;
}
}
Wątek [Co jest najszybszym sposobem transpozycję macierzy w C++?] (Http://stackoverflow.com/questions/16737298/what-is-the-fastest-way-to-transpose-a -matrix-in-c) ma w sobie dobry materiał i może się okazać przydatny, większość z nich dotyczy C. –
Dziękuję. Oczywiście nie mogę sobie pozwolić na "zmianę mojego punktu widzenia", ponieważ muszę załadować te dane do rejestrów simd. Ale OpenMP ... Przeczytam to dalej. – matovitch
To. Jest. Wspaniały. SSE po bloku. Nie znałem _MM_TRANSPOSE4_PS, który jest po prostu garstką tasowań. Dzięki jeszcze raz ! – matovitch