最近用了下图像操作库cximage。这库不错，免费开源。修改下bcb，vc都能用。
唯一的主要毛病可能就算是优化不给力了。
使用中，对其resample函数的插值算法尤其头痛，随便一个pdg图像，200%缩放，花费10-20s是常事。因此不得不硬着头皮对其进行优化。
优化中能想起来的使用过 定点替换浮点，循环展开，区域缓存，查表等等。
优化后效果还不错。
bicubic 24bit图像能实现2178×2976 2倍放大耗时 1.8s左右
bicubic 1bit 图像能实现2178×2976 2倍放大耗时 2.6s左右
bilinear 24bit图像能实现2178×2976 2倍放大耗时 0.78s左右
bilinear 1bit 图像能实现2178×2976 2倍放大耗时 1.31s左右
以上测试数据基于T6400 CPU，优化基于cximage 7.02.
当然肯定还有优化空间，例如源码进一步优化以及mmx，sse优化等等，不过暂时本人是没啥辙了，能力有限，只能到这个地步。
这里贴出改过之后的ximatran.cpp
PS：KernelBSpline函数也改成了定点版本，所以这个函数需要自己去改下，不在ximatran.cpp里
修改后的ximatran.cpp
CxImage是个好东西，开源，支持图片种类多，操作花样多，如果非要说缺点的话，那估计只有1个，效率低下，尤其某些图形处理算法效率更低，无任何优化。
这里说到的是CxImage的bicubic插值算法的优化。
Bicubic插值，对与目标图形的某个点，需要其源图像对应点周围的16个点参与计算，因此计算量很大，并且还是浮点运算。
就优化而言，有多种途径，浮点转定点，浮点数转整数，sse等。这里说到的优化方法是浮点转定点，浮点数转整数。
基本思想是，用整数近视替代浮点数，精度是1/256，即将任一浮点数向精度1/256的整数倍靠近，之后计算bicubic函数的权重数据，存到表格里。bicubic插值时查表即可。
CxImage的原bicubic插值函数片段是
// float f_x, f_y, a, b, rr, gg, bb, r1, r2;
// int32_t i_x, i_y, xx, yy;
// RGBQUAD rgb;
// uint8_t* iDst;
// for(int32_t y=0; y<newy; y++){
// info.nProgress = (int32_t)(100*y/newy);
// if (info.nEscape) break;
// f_y = (float) y * yScale - 0.5f;
// i_y = (int32_t) floor(f_y);
// a = f_y - (float)floor(f_y);
// for(int32_t x=0; x<newx; x++){
// f_x = (float) x * xScale - 0.5f;
// i_x = (int32_t) floor(f_x);
// b = f_x - (float)floor(f_x);
//
// rr = gg = bb = 0.0f;
// for(int32_t m=-1; m<3; m++) {
// r1 = KernelBSpline((float) m - a);
// yy = i_y+m;
// if (yy<0) yy=0;
// if (yy>=head.biHeight) yy = head.biHeight-1;
// for(int32_t n=-1; n<3; n++) {
// r2 = r1 * KernelBSpline(b - (float)n);
// xx = i_x+n;
// if (xx<0) xx=0;
// if (xx>=head.biWidth) xx=head.biWidth-1;
//
// if (head.biClrUsed){
// rgb = GetPixelColor(xx,yy);
// } else {
// iDst = info.pImage + yy*info.dwEffWidth + xx*3;
// rgb.rgbBlue = *iDst++;
// rgb.rgbGreen= *iDst++;
// rgb.rgbRed = *iDst;
// }
//
// rr += rgb.rgbRed * r2;
// gg += rgb.rgbGreen * r2;
// bb += rgb.rgbBlue * r2;
// }
// }
//
// if (head.biClrUsed)
// newImage.SetPixelColor(x,y,RGB(rr,gg,bb));
// else {
// iDst = newImage.info.pImage + y*newImage.info.dwEffWidth + x*3;
// *iDst++ = (uint8_t)bb;
// *iDst++ = (uint8_t)gg;
// *iDst = (uint8_t)rr;
// }
//
// }
// }
// break;以下是经过初步优化的代码,其中s_BicubicTblX,s_BicubicTblY是两个预先计算好的权重表
//float f_x, f_y, a, b, rr, gg, bb, r1, r2;
int32_t i_x, i_y, xx, yy, a, b, r_x, r_y;
int32_t r1,r2;
int32_t rr,gg,bb;
uint8_t r_r,g_g,b_b;
RGBQUAD rgb;
uint8_t* iDst;
uint8_t* iSrc;
r_x = (int32_t)((float)(head.biWidth << 8)/((float)newx)+0.5);
r_y = (int32_t)((float)(head.biHeight << 8)/((float)newy)+0.5);
for(int32_t y=0; y<newy; y++){
info.nProgress = (int32_t)(100*y/newy);
if (info.nEscape) break;
i_y = (y*r_y) >> 8;
a = (uint8_t)(y*r_y);
for(int32_t x=0; x<newx; x++){
i_x = (x*r_x) >> 8;
b = (uint8_t)(x*r_x);
rr = gg = bb = 0;
for(int32_t m=0; m<4; m++) {
r1 = s_BicubicTblY[m][a];
yy = i_y+m;
if (yy<0) yy=0;
if (yy>=head.biHeight) yy = head.biHeight-1;
for(int32_t n=0; n<4; n++) {
r2 = s_BicubicTblX[n][b];
xx = i_x+n;
if (xx<0) xx=0;
if (xx>=head.biWidth) xx=head.biWidth-1;
if (head.biClrUsed){
rgb = GetPixelColor(xx,yy);
} else {
iSrc = info.pImage + yy*info.dwEffWidth + xx*3;
//memcpy(&rgb,iSrc,3);
rgb.rgbBlue = *iSrc++;
rgb.rgbGreen= *iSrc++;
rgb.rgbRed = *iSrc;
}
rr += rgb.rgbRed * r1 * r2;
gg += rgb.rgbGreen * r1 * r2;
bb += rgb.rgbBlue * r1 * r2;
}
}
bb = ((bb<=0)-1) & bb;
gg = ((gg<=0)-1) & gg;
rr = ((rr<=0)-1) & rr;
if (head.biClrUsed)
newImage.SetPixelColor(x,y,RGB(rr,gg,bb));
else {
iDst = newImage.info.pImage + y*newImage.info.dwEffWidth + x*3;
b_b = ((bb & 0xFFFF0000) >= 0xFF0000) ? (0xFF) : ((uint8_t)(bb>>16));
g_g = ((gg & 0xFFFF0000) >= 0xFF0000) ? (0xFF) : ((uint8_t)(gg>>16));
r_r = ((rr & 0xFFFF0000) >= 0xFF0000) ? (0xFF) : ((uint8_t)(rr>>16));
*iDst++ = (uint8_t)b_b;
*iDst++ = (uint8_t)g_g;
*iDst = (uint8_t)r_r;
}
}
}
break;优化后，速度提升大约1倍左右，对SSE不熟，不知是否还有利用SSE优化的空间
最新评论