使用ARM NEON内在函数添加α和置换

Question

我开发一个iOS应用程序需要图片来自RGB转换 - > BGRA相当迅速。如果可能，我想使用NEON内部函数。有没有比简单分配组件更快的方法？

void neonPermuteRGBtoBGRA(unsigned char* src, unsigned char* dst, int numPix) 
{ 
    numPix /= 8; //process 8 pixels at a time 

    uint8x8_t alpha = vdup_n_u8 (0xff); 

    for (int i=0; i<numPix; i++) 
    { 
     uint8x8x3_t rgb = vld3_u8 (src); 
     uint8x8x4_t bgra; 

     bgra.val[0] = rgb.val[2]; //these lines are slow 
     bgra.val[1] = rgb.val[1]; //these lines are slow 
     bgra.val[2] = rgb.val[0]; //these lines are slow 

     bgra.val[3] = alpha; 

     vst4_u8(dst, bgra); 

     src += 8*3; 
     dst += 8*4; 
    } 


} 

Answer 1

的ARMCC拆卸不是那么快可以：

• 它不使用最合适的指令

• 它结合了NEON那些引起巨大的打嗝每次

试试这个VFP指令：

mov r2, r2, lsr #3 
    vmov.u8, d3, #0xff 
loop: 
    vld3.8 {d0-d2}, [r0]! 
    subs r2, r2, #1 
    vswp d0, d2 
    vst4.8 {d0-d3}, [r1]! 
    bgt loop 

    bx lr 

我建议的代码也未完全优化，但进一步的“真实”优化会严重损害可读性。所以我停下来。

Answer 2

这取决于编译器。例如，当我编译代码与上面器armcc（5.01）和拆解，我所得到的样子（我只是把循环，我感动的循环之外阿尔法分配）

18: f420440d vld3.8 {d4-d6}, [r0]! 
    1c: e2822001 add r2, r2, #1 ; 0x1 
    20: eeb01b45 fcpyd d1, d5 
    24: eeb00b46 fcpyd d0, d6 
    28: eeb02b44 fcpyd d2, d4 
    2c: f401000d vst4.8 {d0-d3}, [r1]! 
    30: e1520003 cmp r2, r3 
    34: bafffff7 blt 18 <neonPermuteRGBtoBGRA_armcc+0x18> 

如果我编译与海湾合作委员会（4.4.3），并再次我得到拆解代码，

40: f967 040f vld3.8 {d16-d18}, [r7] 
    44: 46d6  mov lr, sl 
    46: ecca 0b06 vstmia sl, {d16-d18} 
    4a: 9d02  ldr r5, [sp, #8] 
    4c: ed8d 8b1a vstr d8, [sp, #104] 
    50: 3718  adds r7, #24 
    52: e8be 000f ldmia.w lr!, {r0, r1, r2, r3} 
    56: f108 0801 add.w r8, r8, #1 ; 0x1 
    5a: c50f  stmia r5!, {r0, r1, r2, r3} 
    5c: eddd 0b24 vldr d16, [sp, #144] 
    60: e89e 0003 ldmia.w lr, {r0, r1} 
    64: edcd 0b16 vstr d16, [sp, #88] 
    68: eddd 0b22 vldr d16, [sp, #136] 
    6c: edcd 0b18 vstr d16, [sp, #96] 
    70: e885 0003 stmia.w r5, {r0, r1} 
    74: ed9d 0b26 vldr d0, [sp, #152] 
    78: 9d03  ldr r5, [sp, #12] 
    7a: ed8d 0b14 vstr d0, [sp, #80] 
    7e: cd0f  ldmia r5!, {r0, r1, r2, r3} 
    80: 46ae  mov lr, r5 
    82: 465d  mov r5, fp 
    84: c50f  stmia r5!, {r0, r1, r2, r3} 
    86: e89e 000f ldmia.w lr, {r0, r1, r2, r3} 
    8a: e885 000f stmia.w r5, {r0, r1, r2, r3} 
    8e: 9501  str r5, [sp, #4] 
    90: 465d  mov r5, fp 
    92: 2100  movs r1, #0 
    94: 2220  movs r2, #32 
    96: 4620  mov r0, r4 
    98: f7ff fffe bl 0 <memset> 
    9c: cd0f  ldmia r5!, {r0, r1, r2, r3} 
    9e: 4625  mov r5, r4 
    a0: c50f  stmia r5!, {r0, r1, r2, r3} 
    a2: f8dd c004 ldr.w ip, [sp, #4] 
    a6: e89c 000f ldmia.w ip, {r0, r1, r2, r3} 
    aa: e885 000f stmia.w r5, {r0, r1, r2, r3} 
    ae: ecd4 0b08 vldmia r4, {d16-d19} 
    b2: f946 000f vst4.8 {d16-d19}, [r6] 
    b6: 3620  adds r6, #32 
    b8: 45c8  cmp r8, r9 
    ba: dbc1  blt.n 40 <memset+0x40> 

和执行时间与更快器armcc 10倍。

如果我编译生成器armcc汇编代码的函数（它看起来像现在阿尔法是早在循环:)）与海湾合作委员会（内联汇编）

void neonPermuteRGBtoBGRA_gas(unsigned char* src, unsigned char* dst, 
    int numPix) { 
    asm(
      "  ASR  r3,r2,#31\n" 
      "  VMOV.I8 d1,#0xff\n" 
      "  ADD  r2,r2,r3,LSR #29\n" 
      "  ASR  r3,r2,#3\n" 
      "  MOV  r2,#0\n" 
      "  CMP  r3,#0\n" 
      "  BLE  end\n" 
      "loop:\n" 
      "  VLD3.8 {d4,d5,d6},[r0]!\n" 
      "  ADD  r2,r2,#1\n" 
      "  CMP  r3,r2\n" 
      "  VMOV.F64 d3,d5\n" 
      "  VMOV.F64 d2,d6\n" 
      "  VMOV.F64 d5,d1\n" 
      "  VMOV.F64 d0,d4\n" 
      "  VST4.8 {d2,d3,d4,d5},[r1]!\n" 
      "  BGT  loop\n" 
      "end:\n" 
      ); 
    } 

我得到相同的执行时间与海湾合作委员会，以及。

在到底是什么，我建议你要么拆卸您的二进制和检查编译器生成你想要什么，或者使用汇编。

顺便说一句，如果你想进一步提高这个函数的执行时间，我建议你去看看

1. 手臂的PLD（预加载数据）指令
2. 利用所有的循环可能NEON指令像循环展开（你会发现，实际带宽将内存中的数据加载时间）