双三次插值及优化.doc

. . 1.数学模型 对于一个目的像素，其坐标通过反向变换得到的在原图中的浮点坐标为(i+u,j+v)，其中i、j均为非负整数，u、v为[0,1)区间的浮点数，双三次插值考虑一个浮点坐标(i+u,j+v)周围的16个邻点，目的像素值f(i+u,j+v)可由如下插值公式得到： f(i+u,j+v) = [A] * [B] * [C] [A]=[ S(u + 1)　S(u + 0)　S(u - 1)　S(u - 2) ] 　　┏ f(i-1, j-1)　f(i-1, j+0)　f(i-1, j+1)　f(i-1, j+2) ┓ [B]=┃ f(i+0, j-1)　f(i+0, j+0)　f(i+0, j+1)　f(i+0, j+2) ┃ 　　┃ f(i+1, j-1)　f(i+1, j+0)　f(i+1, j+1)　f(i+1, j+2) ┃ 　　┗ f(i+2, j-1)　f(i+2, j+0)　f(i+2, j+1)　f(i+2, j+2) ┛ 　　┏ S(v + 1) ┓ [C]=┃ S(v + 0) ┃ 　　┃ S(v - 1) ┃ 　　┗ S(v - 2) ┛ 　　 ┏ 1-2*Abs(x)^2+Abs(x)^3　　　　　 , 0=Abs(x)1 S(x)=｛ 4-8*Abs(x)+5*Abs(x)^2-Abs(x)^3　, 1=Abs(x)2 　　 ┗ 0　　　　　　　　　　　　　　　 , Abs(x)=2 S(x)是对 Sin(x*Pi)/x 的逼近（Pi是圆周率——π），为插值核。 2.计算流程 1. 获取16个点的坐标P1、P2……P16 2. 由插值核计算公式S(x) 分别计算出x、y方向的插值核向量Su、Sv 3. 进行矩阵运算，得到插值结果 iTemp1 = Su0 * P1 + Su1 * P5 + Su2 * P9 + Su3 * P13 iTemp2 = Su0 * P2 + Su1 * P6 + Su2 * P10 + Su3 * P14 iTemp3 = Su0 * P3 + Su1 * P7 + Su2 * P11 + Su3 * P15 iTemp4 = Su0 * P4 + Su1 * P8 + Su2 * P12 + Su3 * P16 iResult = Sv1 * iTemp1 + Sv2 * iTemp2 + Sv3 * iTemp3 + Sv4 * iTemp4 4. 在得到插值结果图后，我们发现图像中有“毛刺”，因此对插值结果做了个后处理，即：设该点在原图中的像素值为pSrc，若abs(iResult - pSrc) 大于某阈值，我们认为插值后的点可能污染原图，因此用原像素值pSrc代替。 3. 算法优化 由于双三次插值计算一个点的坐标需要其周围16个点，更有多达20次的乘法及15次的加法，计算量可以说是非常大，势必要进行优化。 我们选择了Intel的SSE2优化技术，它只支持在P4及以上的机器。测试当前CPU是否支持SSE2，可由CPUID指令得到，代码为： BOOL g_bSSE2 = FALSE; __asm { mov eax, 1; cpuid; test edx, 0 jz NotSupport; mov g_bSSE2, 1 NotSupport: } 支持SSE2的CPU引入了8个128位的寄存器，这样一个寄存器中就可以存放4个点(RGB)，有利于并行计算。 详细代码见Transform.cpp中函数Optimize_Bicubic。 优化中遇到的问题： 1. 图像每个点由RGB通道组成，由于1个SSE2寄存器有16个字节，这样读入4个像素点后，要浪费4个字节，同时要花费时间将数据对齐，即由BRGB | RGBR | GBRG | BRGB对齐成 0RGB | 0RGB | 0RGB | 0RGB ; 2. 读16字节数据到寄存器时，由于图像地址不能保证是16字节对齐，因此需用更多时钟周期的MOVDQU指令(6个以上时钟周期)；如能使地址16字节对齐，则可用MOVDQA指令(1个时钟周期) ; 3. 为了消除除法及浮点运算，对权值放大256倍，这样在计算插值核时，必须用2Bytes来表示1个系数，而图像数据都是1Byte，这样在对齐做乘法时，要浪费一半的SSE2寄存器的空间，导致运算时间变长；而若降低插值核的精度，使其在1Byte表示范围内时，运算的精度又大为下降 ； 4. 对各指令的周期以及 若干行指令是否能够并行流水缺乏经验和认识。 附：SSE2指令整