CPU優(yōu)化技術系列之 NEON 開發(fā)設計實現(xiàn)方案

一、概述

在前面的"CPU 優(yōu)化技術"系列文章中我們對NEON做了系統(tǒng)的介紹和說明，包括SIMD和NEON概念，NEON自動向量化以及NEON intrinsic指令集等。但是只掌握這些還不足以編寫一個性能完善的NEON程序，在實際的NEON優(yōu)化工作中我們會遇到如何將標量處理轉換為向量處理，如何更高效的處理圖像的邊界區(qū)域等問題。接下來我們會針這些問題進行介紹和說明，讓大家可以在實際工作中使用NEON來優(yōu)化程序的性能。

本文我們會介紹代碼如何進行向量化，如何處理向量化的剩余部分，如何處理圖像的邊界區(qū)域，最后會給出一個完整的NEON程序?qū)嵗?/p>

二、概述向量化編程

2.1.?向量化

向量化就是使用SIMD指令同時對多個數(shù)據(jù)進行處理，達到提升程序性能的目的。

我們以數(shù)據(jù)加法為例，標量和向量處理的對比圖如下。對于無符號16位類型的加法運算，普通的標量加法需要進行8次的計算量，使用向量加法指令一次就可以完成。

相比于標量編程，向量化編程對于初學者來說有一定的難度：

編程方式的變化：一次處理的不再是單個數(shù)據(jù)而是多個數(shù)據(jù)，同時還要專門處理向量化的剩余數(shù)據(jù)。
向量數(shù)據(jù)類型的選擇：要根據(jù)實際的情況選擇最合適的向量寄存器。
選擇合適的指令：需要非常熟悉NEON指令集，使用最適合的指令獲得最好的性能。

2.2 實例講解

這是一個UV通道下采樣代碼，輸入是u8類型的數(shù)據(jù)，通過鄰近的4個像素求平均，輸出u8類型的數(shù)據(jù)，達到1/4下采樣的目的。我們假定每行數(shù)據(jù)長度是16的整數(shù)倍。算法的示意圖和參考代碼如下所示。

C代碼實現(xiàn)：

void DownscaleUv(uint8_t *src, uint8_t *dst, int32_t src_stride, int32_t dst_width, int32_t dst_height, int32_t dst_stride)
{
    for (int32_t j = 0; j < dst_height; j++)
    {
        uint8_t *src_ptr0 = src + src_stride * j * 2;
        uint8_t *src_ptr1 = src_ptr0 + src_stride;
        uint8_t *dst_ptr = dst + dst_stride * j;

        for (int32_t i = 0; i < dst_width; i += 2)
        {
            // U通道
            dst_ptr[i] = (src_ptr0[i * 2] + src_ptr0[i * 2 + 2] +
                         src_ptr1[i * 2] + src_ptr1[i * 2 + 2]) / 4;
            // V通道
            dst_ptr[i + 1] = (src_ptr0[i * 2 + 1] + src_ptr0[i * 2 + 3] +
                             src_ptr1[i * 2 + 1] + src_ptr1[i * 2 + 3]) / 4;
        }
    }
}

2.2.1 內(nèi)層循環(huán)向量化

內(nèi)層循環(huán)是代碼執(zhí)行次數(shù)最多的部分，因此是向量化的重點。我們的輸入和輸出都是u8類型，NEON寄存器128bit，所以我們每次處理16個數(shù)據(jù)。

// 每次有16個數(shù)據(jù)輸出

for (i = 0; i < dst_width; i += 16)
{
    //數(shù)據(jù)處理部分......
}

2.2.2 數(shù)據(jù)類型的選擇

2.2.3 指令的選擇

輸入數(shù)據(jù)加載：UV通道的數(shù)據(jù)是交織的，使用vld2指令可以實現(xiàn)解交織。

2.2.4 代碼實現(xiàn)

//使用intrinsic需要包含的頭文件
#include 

void DownscaleUvNeon(uint8_t *src, uint8_t *dst, int32_t src_width, int32_t src_stride, int32_t dst_width, int32_t dst_height, int32_t dst_stride)
{
    //load偶數(shù)行的源數(shù)據(jù)，2組每組16個u8類型數(shù)據(jù)
    uint8x16x2_t v8_src0;
    //load奇數(shù)行的源數(shù)據(jù)，需要兩個Q寄存器
    uint8x16x2_t v8_src1;
    //目的數(shù)據(jù)變量，需要一個Q寄存器
    uint8x8x2_t v8_dst;
    //目前只處理16整數(shù)倍部分的結果
    int32_t dst_width_align = dst_width & (-16);
    //向量化剩余的部分需要單獨處理
    int32_t remain = dst_width & 15;
    int32_t i = 0;
    //外層高度循環(huán)，逐行處理
    for (int32_t j = 0; j < dst_height; j++)
    {
        //偶數(shù)行源數(shù)據(jù)指針
        uint8_t *src_ptr0 = src + src_stride * j * 2;
        //奇數(shù)行源數(shù)據(jù)指針
        uint8_t *src_ptr1 = src_ptr0 + src_stride;
        //目的數(shù)據(jù)指針
        uint8_t *dst_ptr = dst + dst_stride * j;
        //內(nèi)層循環(huán)，一次16個u8結果輸出
        for (i = 0; i < dst_width_align; i += 16)
        {
            //提取數(shù)據(jù)，進行UV分離
            v8_src0 = vld2q_u8(src_ptr0); 
            src_ptr0 += 32;
            v8_src1 = vld2q_u8(src_ptr1);
            src_ptr1 += 32;
            //水平兩個數(shù)據(jù)相加
            uint16x8_t v16_u_sum0 = vpaddlq_u8(v8_src0.val[0]);
            uint16x8_t v16_v_sum0 = vpaddlq_u8(v8_src0.val[1]);
            uint16x8_t v16_u_sum1 = vpaddlq_u8(v8_src1.val[0]);
            uint16x8_t v16_v_sum1 = vpaddlq_u8(v8_src1.val[1]);
            //上下兩個數(shù)據(jù)相加，之后求均值
            v8_dst.val[0] = vshrn_n_u16(vaddq_u16(v16_u_sum0, v16_u_sum1), 2);
            v8_dst.val[1] = vshrn_n_u16(vaddq_u16(v16_v_sum0, v16_v_sum1), 2);
            //UV通道結果交織存儲
            vst2_u8(dst_ptr, v8_dst);
            dst_ptr += 16;
        }
        //process leftovers......
    }
}

2.3 向量化剩余部分(leftovers)處理

接著上面的實例，內(nèi)層循環(huán)每次計算16個結果，當輸出圖像寬度不是16整數(shù)倍的時候，我們需要考慮結尾如何高效的編寫?！癗EON Programmer's Guide”中給出了幾種推薦寫法，下面逐一介紹一下。

2.3.1 Extend arrays with padding

這個方法比較好理解，每行數(shù)據(jù)長度不是向量長度整數(shù)倍我們可以提前將數(shù)據(jù)補齊到需要的長度，這樣處理時候就方便了。這個方法的使用是要分情況的。

如果需要自己申請內(nèi)存，復制來擴展邊界，這并不是一種高效的方法。
如果外部數(shù)據(jù)先要經(jīng)過其他的處理（例如rgb2yuv），我們可以考慮將前一級的輸出保存成需要的長度，這樣后面的uv下采樣就可以得到擴展的內(nèi)存了。

2.3.2 Overlap data elements

這種做法是在處理尾部數(shù)據(jù)的時候，從后往前提取一個向量的數(shù)據(jù)進行計算，這樣會出現(xiàn)一部分數(shù)據(jù)重復計算。接著2.2.4節(jié)的示例，這種方法的實現(xiàn)代碼如下：

#include 

void DownscaleUvNeon(uint8_t *src, uint8_t *dst, int32_t src_width, int32_t src_stride, int32_t dst_width, int32_t dst_height, int32_t dst_stride)
{
    uint8x16x2_t v8_src0;
    uint8x16x2_t v8_src1;
    uint8x8x2_t v8_dst;
    int32_t dst_width_align = dst_width & (-16);
    int32_t remain = dst_width & 15;
    int32_t i = 0;

    for (int32_t j = 0; j < dst_height; j++)
    {
        uint8_t *src_ptr0 = src + src_stride * j * 2;
        uint8_t *src_ptr1 = src_ptr0 + src_stride;
        uint8_t *dst_ptr = dst + dst_stride * j;

        for (i = 0; i < dst_width_align; i += 16)
        {
            v8_src0 = vld2q_u8(src_ptr0);
            src_ptr0 += 32;
            v8_src1 = vld2q_u8(src_ptr1);
            src_ptr1 += 32;
            uint16x8_t v16_u_sum0 = vpaddlq_u8(v8_src0.val[0]);
            uint16x8_t v16_v_sum0 = vpaddlq_u8(v8_src0.val[1]);
            uint16x8_t v16_u_sum1 = vpaddlq_u8(v8_src1.val[0]);
            uint16x8_t v16_v_sum1 = vpaddlq_u8(v8_src1.val[1]);
            v8_dst.val[0] = vshrn_n_u16(vaddq_u16(v16_u_sum0, v16_u_sum1), 2);
            v8_dst.val[1] = vshrn_n_u16(vaddq_u16(v16_v_sum0, v16_v_sum1), 2);
            vst2_u8(dst_ptr, v8_dst);
            dst_ptr += 16;
        }
        //process leftover
        if (remain > 0)
        {
            //從后往前回退一次向量計算需要的數(shù)據(jù)長度，有部分數(shù)據(jù)是之前處理過的
            src_ptr0 = src + src_stride * (j * 2) + src_width - 32; 
            src_ptr1 = src_ptr0 + src_stride;
            dst_ptr = dst + dst_stride * j + dst_width - 16;
            
            v8_src0 = vld2q_u8(src_ptr0);
            v8_src1 = vld2q_u8(src_ptr1);
            uint16x8_t v16_u_sum0 = vpaddlq_u8(v8_src0.val[0]);
            uint16x8_t v16_v_sum0 = vpaddlq_u8(v8_src0.val[1]);
            uint16x8_t v16_u_sum1 = vpaddlq_u8(v8_src1.val[0]);
            uint16x8_t v16_v_sum1 = vpaddlq_u8(v8_src1.val[1]);
            v8_dst.val[0] = vshrn_n_u16(vaddq_u16(v16_u_sum0, v16_u_sum1), 2);
            v8_dst.val[1] = vshrn_n_u16(vaddq_u16(v16_v_sum0, v16_v_sum1), 2);
            
            vst2_u8(dst_ptr, v8_dst);
        }
    }
}

以上這種方法我們平時用的比較多，不僅可以處理剩余元素，而且可以保持向量處理的高效性。

2.3.3 Process leftovers as single elements

這種做法利用NEON向量可以只加載/存儲一個元素的功能，雖然使用向量指令，但是每個結果獨立計算和存儲。這是一種很不推薦的方法。每次的向量計算只使用一個元素，浪費了計算資源（NEON指令相比于標量指令的執(zhí)行周期要長，各指令執(zhí)行時間可以參考文獻[2]）。

2.3.4 標量處理剩余部分

剩余部分直接采用標量來處理，這種是最簡單的方法，也是最常用的方法，每行的剩余元素可以簡單的用標量處理，因為絕大部分都是向量計算，剩余元素所占比例非常小，因此使用標量不會對性能產(chǎn)生太明顯的影響。

void DownscaleUvNeonScalar(uint8_t *src, uint8_t *dst, int32_t src_width, int32_t src_stride, int32_t dst_width, int32_t dst_height, int32_t dst_stride)
{
    uint8x16x2_t v8_src0;
    uint8x16x2_t v8_src1;
    uint8x8x2_t v8_dst;
    int32_t dst_width_align = dst_width & (-16);
    int32_t remain = dst_width & 15;
    int32_t i = 0;

    for (int32_t j = 0; j < dst_height; j++)
    {
        uint8_t *src_ptr0 = src + src_stride * j * 2;
        uint8_t *src_ptr1 = src_ptr0 + src_stride;
        uint8_t *dst_ptr = dst + dst_stride * j;

        for (i = 0; i < dst_width_align; i += 16) // 16 items output at one time
        {
            v8_src0 = vld2q_u8(src_ptr0);
            src_ptr0 += 32;
            v8_src1 = vld2q_u8(src_ptr1);
            src_ptr1 += 32;
            uint16x8_t v16_u_sum0 = vpaddlq_u8(v8_src0.val[0]);
            uint16x8_t v16_v_sum0 = vpaddlq_u8(v8_src0.val[1]);
            uint16x8_t v16_u_sum1 = vpaddlq_u8(v8_src1.val[0]);
            uint16x8_t v16_v_sum1 = vpaddlq_u8(v8_src1.val[1]);
            v8_dst.val[0] = vshrn_n_u16(vaddq_u16(v16_u_sum0, v16_u_sum1), 2);
            v8_dst.val[1] = vshrn_n_u16(vaddq_u16(v16_v_sum0, v16_v_sum1), 2);
            vst2_u8(dst_ptr, v8_dst);
            dst_ptr += 16;
        }
        //process leftover
        src_ptr0 = src + src_stride * j * 2;
        src_ptr1 = src_ptr0 + src_stride;
        dst_ptr = dst + dst_stride * j;
        for (int32_t i = dst_width_align; i < dst_width; i += 2)
        {
            dst_ptr[i] = (src_ptr0[i * 2] + src_ptr0[i * 2 + 2] +
                         src_ptr1[i * 2] + src_ptr1[i * 2 + 2]) / 4;

            dst_ptr[i + 1] = (src_ptr0[i * 2 + 1] + src_ptr0[i * 2 + 3] +
                             src_ptr1[i * 2 + 1] + src_ptr1[i * 2 + 3]) / 4;
        }
    }
}

三、邊界處理方法

在許多圖像處理算法中，經(jīng)常會遇到需要處理邊界的情況。例如灰度圖的3x3高斯濾波，為了計算邊界附近點的輸出，需要在原圖的上下左右各填充1個像素的padding。

一種通用的處理方法是申請一塊添加了邊界大小的內(nèi)存空間，將邊界填充為需要的數(shù)據(jù)，并且將原有數(shù)據(jù)復制到新申請的內(nèi)存空間中，完成擴邊操作（openCV采用的就是這種做法）。這樣新的數(shù)據(jù)塊中就有了邊界數(shù)據(jù)，后面的數(shù)據(jù)處理就很方便了。

但是通用方法不一定是最優(yōu)的方法，內(nèi)存申請和填充會增加大量的額外時間，對提升算法性能很不利。我們可以充分利用NEON指令在幾乎不增加時間空間開銷的前提下完成一些特殊的邊界處理。

3.1 常量填充

常量填充就是在有效數(shù)據(jù)塊的上下左右添加常量邊界值，完成數(shù)據(jù)的擴充。例如3x3高斯濾波計算需要在上下左右添加1個常量邊界值進行計算。

上下邊界的填充比較簡單，我們只需要使用vdup指令填充一個向量v8_pre_row_data。

左右邊界填充也需要用到dup來的向量v8_const_pad，使用vext來組建新的向量，示意圖及參考代碼如下。

//dup指令生成pading向量
uint8x16_t v8_const_pad = vdupq_n_u8(pad_val);
//-1行數(shù)據(jù)
v8_pre_row_data = v8_const_pad;
//讀取第0行數(shù)據(jù)
uint8x16_t v8_tmp_data = vld1q_u8(pt_row0);
//第0行帶有左padding的數(shù)據(jù)
uint8x16_t v8_row_cur_data = vextq_u8(v8_const_pad, v8_tmp_data, 15); 
//讀取第1行數(shù)據(jù)
v8_tmp_data = vld1q_u8(pt_row1);
//第1行帶有左padding的數(shù)據(jù)
uint8x16_t v8_next_row_data = vextq_u8(v8_const_pad, v8_tmp_data, 15);

3.2 復制填充

復制填充就是復制最邊緣的像素作為邊界。我們同樣以3x3高斯濾波計算為例。

上下邊界的方法一樣，我們可以使用vld加載第0行或者最后一行的數(shù)據(jù)即可。
左右邊界的方法一樣，對于左邊界，我們可以使用VLD1_DUP指令提取邊界數(shù)據(jù)，然后使用vext來組建新的向量，參考代碼如下。

//提取0行padding數(shù)據(jù)
uint8x16_t v8_dup_pad = vld1q_dup_u8(pt_row0);
//提取第0行數(shù)據(jù)
uint8x16_t v8_tmp_data = vld1q_u8(pt_row0);
//第0行帶有左padding的數(shù)據(jù)
uint8x16_t v8_row_cur_data = vextq_u8(v8_dup_pad, v8_tmp_data, 15);
//-1行直接使用第0行
uint8x16_t v8_pre_row_data = v8_row_cur_data;
//取1行padding數(shù)據(jù)
v8_dup_pad = vld1q_dup_u8(pt_row1);
v8_tmp_data = vld1q_u8(pt_row1);
//第1行帶有左padding的數(shù)據(jù)
uint8x16_t v8_next_row_data = vextq_u8(v8_dup_pad, v8_tmp_data, 15);

3.3 反射填充

常見的有反射（dcba"abcdefgh"hgfed）和101反射（edcb"abcdefgh"gfed），處理的方式幾乎一樣，我們以稍復雜的101反射介紹，同樣選擇3x3高斯濾波計算舉例。

上下邊界的方法一樣，我們需要根據(jù)反射類型，將padding行的數(shù)據(jù)向量賦值為相應行的數(shù)據(jù)向量即可。左右邊界的方法一樣，對于左邊界，我們可以使用VLD1指令提取邊界數(shù)據(jù)，然后使用vrev來翻轉向量內(nèi)部元素最后使用vext來組建新的向量。

參考代碼：

uint8x8_t v8_ref_pad = vld1_u8(pt_row0 + 1);
uint8x8_t v8_ref_pad1;
uint8x8_t v8_tmp_data = vld1q_u8(pt_row0);
//翻轉數(shù)據(jù)，用于生成101反射padding
v8_ref_pad1 = vrev64_u8(v8_ref_pad);
//第0行帶有左padding的數(shù)據(jù)
uint8x8_t v8_cur_row_data = vextq_u8(vcombine_u8(v8_ref_pad, v8_ref_pad1), v8_tmp_data, 15);

v8_ref_pad = vld1_u8(pt_row1 + 1);
v8_tmp_data = vld1q_u8(pt_row1);
v8_ref_pad1 = vrev64_u8(v8_ref_pad);
//第1行帶有左padding的數(shù)據(jù)
uint8x8_t v8_next_row_data = vextq_u8(vcombine_u8(v8_ref_pad, v8_ref_pad1), v8_tmp_data, 15);
//-1行數(shù)據(jù)
uint8x8_t v8_pre_row_data = v8_next_row_data;

四、優(yōu)化實例

4.1 說明

我們使用核參數(shù)為{{1,2,1}，{2,4,2}，{1,2,1}}對灰度圖(size:4095x2161)做高斯濾波，邊界填充類型為BORDER_REFLECT101。

4.2 過程分析

整體流程：

Gaussian3x3Sigma0NeonU8C1是主函數(shù)

Gaussian3x3RowCalcu是行處理函數(shù)，完成一行的處理

第一次處理上邊邊界，然后是中間處理，最后是下邊界處理

int32_t Gaussian3x3Sigma0NeonU8C1(const uint8_t *src, uint8_t *dst, int32_t height, int32_t width, int32_t istride, int32_t ostride)
{
    if ((NULL == src) || (NULL == dst))
    {
        printf("input param invalid!
");
        return -1;
    }

    //BORDER_REFLECT101 top padding
    const uint8_t *p_src0 = src + istride;
    const uint8_t *p_src1 = src;
    const uint8_t *p_src2 = src + istride;
    uint8_t *p_dst = dst;
    //計算第0行輸出
    Gaussian3x3RowCalcu(p_src0, p_src1, p_src2, p_dst, width);

    //中間行的處理
    for (int32_t row = 1; row < height - 1; row++)
    {
        p_src0 = src + (row - 1) * istride;
        p_src1 = src + (row - 0) * istride;
        p_src2 = src + (row + 1) * istride;
        p_dst  = dst + row * ostride;
        Gaussian3x3RowCalcu(p_src0, p_src1, p_src2, p_dst, width);
    }
        
     //計算最后一行輸出
    p_src0 = src + (height - 2) * istride;
    p_src1 = src + (height - 1) * istride;
    p_src2 = src + (height - 2) * istride;
    p_dst  = dst + (height - 1) * ostride;
    Gaussian3x3RowCalcu(p_src0, p_src1, p_src2, p_dst, width);

    return 0;
}

Gaussian3x3RowCalcu實現(xiàn)

內(nèi)聯(lián)函數(shù)，完成一行的處理，基于高斯行列分離計算，先計算行累加，然后計算列累加。

左邊界處理：

static inline int32_t Gaussian3x3RowCalcu(const uint8_t *src0, const uint8_t *src1, const uint8_t *src2, uint8_t *dst, int32_t width)
{
    if ((NULL == src0) || (NULL == src1) || (NULL == src2) || (NULL == dst))
    {
        printf("input param invalid!
");
        return -1;
    }

    int32_t col = 0;
    uint16x8_t vqn0, vqn1, vs_1, vs, vs1;
    uint8x8_t v_lnp;

    int32_t width_t = (width - 9) & (-8);
    uint8x8_t v_ld00 = vld1_u8(src0);
    uint8x8_t v_ld01 = vld1_u8(src0 + 8);
    uint8x8_t v_ld10 = vld1_u8(src1);
    uint8x8_t v_ld11 = vld1_u8(src1 + 8);
    uint8x8_t v_ld20 = vld1_u8(src2);
    uint8x8_t v_ld21 = vld1_u8(src2 + 8);
    //豎直方向3行的累加和
    vqn0 = vaddl_u8(v_ld00, v_ld20);
    vqn0 = vaddq_u16(vqn0, vshll_n_u8(v_ld10, 1));
    vqn1 = vaddl_u8(v_ld01, v_ld21);
    vqn1 = vaddq_u16(vqn1, vshll_n_u8(v_ld11, 1));
    //生成padding數(shù)據(jù)
    vs_1 = vextq_u16(vextq_u16(vqn0, vqn0, 2), vqn0, 7);
    vs1  = vextq_u16(vqn0, vqn1, 1);
    //水平方向累加和
    vs   = vaddq_u16(vaddq_u16(vqn0, vqn0), vaddq_u16(vs_1, vs1));

    v_lnp = vqrshrn_n_u16(vs, 4);
    vst1_u8(dst, v_lnp);
    vs_1 = vextq_u16(vqn0, vqn1, 7);

    // for循環(huán)......
}

中間部分處理

第二部分for循環(huán)是計算中間部分數(shù)據(jù)的結果，先做豎直方向的累加，再做水平方向的累加，每次計算8個輸出結果。各向量的數(shù)據(jù)含義及計算方法（for循環(huán)第一次計算）見下圖。

最后一次的向量計算單獨處理，為了防止提取下一組數(shù)據(jù)時越界。

static inline int32_t Gaussian3x3RowCalcu(const uint8_t *src0, const uint8_t *src1, const uint8_t *src2, uint8_t *dst, int32_t width)
{
    // 計算前8個輸出......
    for (col = 8; col < width_t; col += 8)
    {
        // 3行的輸入數(shù)據(jù)
        uint8x8_t v_ld0 = vld1_u8(src0 + col + 8);
        uint8x8_t v_ld1 = vld1_u8(src1 + col + 8);
        uint8x8_t v_ld2 = vld1_u8(src2 + col + 8);
        //豎直方向的累加和
        uint16x8_t vqn2 = vaddl_u8(v_ld0, v_ld2);
        vqn2 = vaddq_u16(vqn2, vshll_n_u8(v_ld1, 1));
        //水平方向累加和
        vs1 = vextq_u16(vqn1, vqn2, 1);
        uint16x8_t vtmp = vshlq_n_u16(vqn1, 1);
        uint16x8_t v_sum = vaddq_u16(vtmp, vaddq_u16(vs1, vs_1));

        uint8x8_t v_rst = vqrshrn_n_u16(v_sum, 4);
        vst1_u8(dst + col, v_rst);

        vs_1 = vextq_u16(vqn1, vqn2, 7);
        vqn1 = vqn2;
    }
    //最后一組向量計算，為了防止越界讀取數(shù)據(jù)，右側數(shù)據(jù)只讀取一個
    {
        uint8x8_t v_ld0 = vld1_lane_u8(src0 + col + 8, v_ld0, 0);
        uint8x8_t v_ld1 = vld1_lane_u8(src1 + col + 8, v_ld1, 0);
        uint8x8_t v_ld2 = vld1_lane_u8(src2 + col + 8, v_ld2, 0);

        uint16x8_t vqn2 = vaddl_u8(v_ld0, v_ld2);
        vqn2 = vaddq_u16(vqn2, vshll_n_u8(v_ld1, 1));

        vs1 = vextq_u16(vqn1, vqn2, 1);
        uint16x8_t vtmp = vshlq_n_u16(vqn1, 1);

        uint16x8_t v_sum = vaddq_u16(vtmp, vaddq_u16(vs1, vs_1));
        uint8x8_t v_rst = vqrshrn_n_u16(v_sum, 4);
        vst1_u8(dst + col, v_rst);
        col += 8;
    }
    //process leftovers...
}

最后剩余的非對齊部分我們使用標量進行計算。

static inline int32_t Gaussian3x3RowCalcu(const uint8_t *src0, const uint8_t *src1, const uint8_t *src2, uint8_t *dst, int32_t width)
{
    // 向量計算部分......
    for (; col < width; col++)
    {
        int32_t idx_l = (col == width - 1) ? width - 2 : col - 1;
        int32_t idx_r = (col == width - 1) ? width - 2 : col + 1;

        int32_t acc = 0;
        acc += (src0[idx_l] + src0[idx_r]);
        acc += (src0[col] << 1);

        acc += (src1[idx_l] + src1[idx_r]) << 1;
        acc += (src1[col] << 2);

        acc += (src2[idx_l] + src2[idx_r]);
        acc += (src2[col] << 1);

        uint16_t res = ((acc + (1 << 3)) >> 4) & 0xFFFF;
        dst[col] = CAST_U8(res);
    }

    return 0;
}

4.3 運行結果

下圖是我們在高通驍龍888平臺上的運行結果，可以看到使用NEON優(yōu)化之后運行時間從15.53ms下降到了3.22ms，性能有了4倍多的提升。感興趣的讀者可以自己運行下結果。

4.4 工程代碼?https://github.com/mobile-algorithm-optimization/guide/tree/main/NeonGaussian

編輯：黃飛