用SSE指令集如何实现RGBA转RGB

[woaiwcy]

如题，请大家帮忙想想思路~谢谢！！

[woaiwcy]

[Quote=引用 12 楼 g_spider 的回复:]

RGBA 到RGB 的内存字节流数据是怎样变化的呢？ 能不能给个例子
[/Quote]
0RGB0RGB...0RGB0RGB -> RGBRGB...RGBRGB，低位在右～

[woaiwcy]

[Quote=引用 11 楼 delphiguy 的回复:]

引用 9 楼 woaiwcy 的回复:

十分感谢前辈关注！之前都是看的SSE/SSE2的指令，这条真没看到~对了， 我学习SSE都是在网上找的些资料，前辈有没有这方面系统点的资料~谢谢！


看intel文档就可以了，主要是Intel 64 and IA-32 Architectures Software Developer’s Manual Volume 1~3：
http://……
[/Quote]
恩，下下来慢慢看～谢谢前辈！ 不过现在程序还得优化，对于查表的部分不知道怎么用SSE实现，前辈有什么好的建议没

[woaiwcy]

[Quote=引用 13 楼 oexpress 的回复:]

恭喜搂住，你可以参考INTEL的例子来学习SSE2／SSE3指令集来达到更好的性能
[/Quote]
谢谢您的关注！能不能帮我想想我那两个问题怎么解决啊～

[G_Spider]

我就来一个pshufb的吧。

#include <stdio.h>

void RGBAToRGB16(char *d,char *s)
{
 //s=abcdefghijklmnop
 //d=abcefgijdmnoplhd
 //前12个为RGB有效字节,即abcefgijdmno

 /* 128 bits mask struct */
 //__declspec(align(16))  char \
 //mask[16]={0,1,2,4,5,6,8,9,10,12,13,14,15,11,7,3};                                   
      __declspec(align(16))  unsigned int \
      mask[4]={0x04020100,0x09080605,0x0e0d0c0a,0x03070b0f};
_asm
     {
      mov esi,s
      mov edi,d
      movaps xmm7, mask

      movdqu  xmm0,[esi]          /* load src */
      pshufb  xmm0, xmm7          /* bytes swap */
      movdqu  [edi], xmm0         /* store dest */
      emms
     }

}


void RGBAToRGB(char *dest, char *src)
{
      unsigned int i,j,len = strlen(src),lenrest=0;
      
      char *s = src ;
      char *d = dest;
      len&=~3;//len为四字节的倍数
      lenrest=len&0xf; //剩余0~15字节
      len>>=4;
      
      for(i=0;i<len;i++)
      {
        RGBAToRGB16(d,s);
        d+=12;
        s+=16;
      }
      d[0]=0;//注意扫尾最后的四个无用字节
      //处理剩余的0~15字节
      for(i=j=0;i<lenrest;i+=4,j+=3)
      {
        d[j]=s[i];
        d[j+1]=s[i+1];
        d[j+2]=s[i+2];
      }  
}
int main()
{
     char *Src="abcdefghijklmnoabcdefghijklmnoabcdefghijklmnoabcdefghijklmno";
     char Dst[64]={0};
     
     RGBAToRGB(Dst,Src);
     printf("%s\n",Dst);

    return 0;
}

[日立奔腾浪潮微软松下联想]

你的代码不错，不过稍微有一点问题：
RGBAToRGB16每次只转换4个像素，频繁调用效率就降低了，每次执行都要加载2个指针、1个mask，还有call和ret的开销。
另外，emms是不需要的。

[aiwnx]

楼主试试 OpenMP 吧，说不定会更快呢

[日立奔腾浪潮微软松下联想]

[Quote=引用 21 楼 woaiwcy 的回复:]

引用 18 楼 delphiguy 的回复:
你的代码不错，不过稍微有一点问题：
RGBAToRGB16每次只转换4个像素，频繁调用效率就降低了，每次执行都要加载2个指针、1个mask，还有call和ret的开销。
另外，emms是不需要的。

这样都效率低了啊~前辈有什么更好的方法~
[/Quote]

你不都说了吗？“我把循环也用汇编写了”。
就是要把整个32位图像转24位图像的过程用汇编写一个函数，这样转换一幅图像只需要调用一次，加载一个源指针、一个目标指针、一个mask。

[G_Spider]

也就是写成一个函数，而不是子程序调用（开销过大）。（由于本机不支持SSE3所以没有改），上面的小程序仅仅是试试pshufb指令。其实考虑各种情况还是有些复杂的，首先要有个数据块对齐，一般数据头四字节对齐，处理到16字节对齐后，再用SSE，还有个最后的扫尾。并且最好有多个版本，比如X86的和SSE的。不然不支持SSE3等指令集的就没辄了。

对于x86的想一个好的算法也是不错的，对于多平台也是必须的。

到最后还是最大带宽的限制。OpenMP也没用了。

[G_Spider]

写了个x86版本的，应该也不会慢。

#include <stdio.h>

int _stdcall  RGBATORGB(char *dest, char *src, unsigned int len);

int main()
{
     char *Src="abcdefghijklmnoabcdefghijklmnoabcdefghijklmnoabcdefghijklmno";
     char Dst[64]={0};
     unsigned int len,lenrgb;
     len = strlen(Src);
     
     lenrgb=RGBATORGB(Dst,Src,len);
     
     printf("RGB_LEN =%d\nRGB_BYTE=%s\n",lenrgb,Dst);

    return 0;
}
//==================================================================
int __declspec(naked) _stdcall  RGBATORGB(char *dest, char *src, unsigned int len)
{
  _asm
	{
	push	ebp
	mov	ebp,esp
	push	esi
	push	edi
	mov	edi,[ebp+8] 	 ;//dest
	mov	esi,[ebp+12]	 ;//src
	mov	ecx,[ebp+16]	 ;//len
	;=================== 
	shr	ecx,2
	cld
    A00:
	movsd
	dec	edi
	loop	A00
	;===================
	mov	BYTE ptr [edi],0 ;//清理最后一个无用字节
	mov	eax,edi
	sub	eax,[ebp+8]	 ;//RGB有效字节数，作为返回值		
	pop	edi
	pop	esi

	leave
	ret
	}
}

[woaiwcy]

[Quote=引用 17 楼 g_spider 的回复:]
我就来一个pshufb的吧。

C/C++ code
#include <stdio.h>

void RGBAToRGB16(char *d,char *s)
{
//s=abcdefghijklmnop
//d=abcefgijdmnoplhd
//前12个为RGB有效字节,即abcefgijdmno

/* 128 bits mask struct */
/……
[/Quote]
我也试了下用pshufb的方法，不过我把循环也用汇编写了，速度是比原方法快的~

[woaiwcy]

[Quote=引用 18 楼 delphiguy 的回复:]
你的代码不错，不过稍微有一点问题：
RGBAToRGB16每次只转换4个像素，频繁调用效率就降低了，每次执行都要加载2个指针、1个mask，还有call和ret的开销。
另外，emms是不需要的。
[/Quote]
这样都效率低了啊~前辈有什么更好的方法~

[woaiwcy]

[Quote=引用 19 楼 aiwnx 的回复:]
楼主试试 OpenMP 吧，说不定会更快呢
[/Quote]
谢谢关注！刚搜了下，OpenMP是用于多核编程的，这里我还是先学习SSE优化吧，发现要学的东西太多了~

[日立奔腾浪潮微软松下联想]

用movsd可能还不如用2条mov快。（未测试）

[woaiwcy]

讨论了这么多 大家换一个话题吧 帮我看看我5楼提的问题2有什么思路~这个应该也是做并行优化时经常遇到的问题吧

[日立奔腾浪潮微软松下联想]

[Quote=引用 5 楼 woaiwcy 的回复:]

2、xmm中存的是数组的下标，要根据下标查表，这种情况又怎样尽量并行做啊？
[/Quote]

就我所知的有限范围，应该没法并行。
因为xmm寄存器不能做间接寻址，没有movdqa xmm1,[xmm0]这种指令，只能movdqa xmm1,[mem128]、movdqa xmm1,[esi]这类指令。
所以xmm中存的是数组的下标，还得转出到通用寄存器中才能做查表。

大致可以这样做（未测试）：
sub esp,16
movdqu [esp],xmm0 // 假设xmm0中存了4个int型下标
lea esi,array // esi中装入数组首地址
pop eax
pop ebx
pop ecx
pop edx
mov eax,[esi+eax*4]
mov ebx,[esi+ebx*4]
mov ecx,[esi+ecx*4]
mov edx,[esi+edx*4]
push edx
push ecx
push ebx
push eax
movdqu xmm1,[esp] // 装入查表后的4个数组元素
add esp,16

[日立奔腾浪潮微软松下联想]

稍微优化一点：
sub esp,16
movdqu [esp],xmm0 // 假设xmm0中存了4个int型下标
lea esi,array // esi中装入数组首地址
pop eax
pop ebx
pop ecx
pop edx
mov eax,[esi+eax*4]
mov edx,[esi+edx*4]
mov ecx,[esi+ecx*4]
mov ebx,[esi+ebx*4]
push edx
push ecx
push ebx
push eax
movdqu xmm1,[esp] // 装入查表后的4个数组元素
add esp,16

[diego24]

有点复杂

[woaiwcy]

[Quote=引用 28 楼 delphiguy 的回复:]

引用 5 楼 woaiwcy 的回复:

2、xmm中存的是数组的下标，要根据下标查表，这种情况又怎样尽量并行做啊？


就我所知的有限范围，应该没法并行。
因为xmm寄存器不能做间接寻址，没有movdqa xmm1,[xmm0]这种指令，只能movdqa xmm1,[mem128]、movdqa xmm1,[esi]这类指令。
所以xmm中存的是数组的下标，还得转出到通用寄存器中……
[/Quote]
恩 那看来这应该算是SSE并行优化的一个小瓶颈吧，因为在优化程序中查表用的还是蛮多的，就像我现在要优化的，它是有3个字节根据一定的规则形成一个地址来查表，对应的结果是我们想要的，我只能把它都拆下来一个个地址算，很痛苦

[G_Spider]

[Quote=引用 26 楼 delphiguy 的回复:]
用movsd可能还不如用2条mov快。（未测试）
[/Quote]
可能吧，主要是这里不能用rep 前缀，不然也会很快，不过还是要多条指令，形如

int __declspec(naked) _stdcall  RGBATORGB(char *dest, char *src, unsigned int len)
{
  _asm
	{
	push	ebp
	mov	ebp,esp

	mov	edx,[ebp+8] 	 ;//dest
	mov	eax,[ebp+12]	 ;//src
	mov	ecx,[ebp+16]	 ;//len
	
	shr	ecx,2
	test    ecx,ecx   	 ;//长度为0，直接返回0
	jz  	A01   
	;=================== 
    A00:
	push	DWORD PTR [eax]
	pop	DWORD PTR [edx]
	add	eax,4
	add	edx,3
	dec	ecx
	jnz	A00
	;===================
	mov	BYTE ptr [edx],0 ;//清理最后一个无用字节
    A01:
	mov	eax,edx
	sub	eax,[ebp+8]	 ;//RGB有效字节数，作为返回值

	leave
	ret 12
	}
}

[woaiwcy]

谢谢大家这些天的关注!结贴！