YUV视频格式到RGB32格式转换的速度优化 上篇

http://blog.csdn.net/housisong/

HouSisong@GMail.com 2007.10.30

tag: YUV,YCbCr,YUV到RGB颜色转换,YUV解码,VFW,视频,MMX,SSE,SSE2,多核优化

摘要: 我们得到的很多视频数据(一些解码器的输出或者摄像头的输出等)都使用了一种
叫YUV的颜色格式；本文介绍了常见的YUV视频格式(YUY2/YVYU/UYVY/I420/YV12等)到
RGB颜色格式的转换,并尝试对转化的速度进行优化；
全文 分为:
《上篇》文章首先介绍了YUV颜色格式，并介绍了YUV颜色格式和RGB颜色格式之
间的相互转换；然后重点介绍了YUYV视频格式到RGB32格式的转化，并尝试进行了一
些速度优化；
《中篇》尝试使用MMX/SSE/SSE2指令对前面实现的解码器核心进行速度优化；然
后简要介绍了一个使用这类CPU特殊指令时的代码框架，使得解码程序能够根据运行时
的CPU指令支持情况动态调用最佳的实现代码；并最终提供一个多核并行的优化版本；
《下篇》介绍YUV类型的其他种类繁多的视频数据编码格式；并将前面实现的解码
器核心(在不损失代码速度的前提下)进行必要的修改，使之适用于这些YUV视频格式
的解码；

正文:
代码使用C++,编译器:VC2005
涉及到汇编的时候假定为x86平台；
现在的高清视频帧尺寸越来越大，所以本文测试的图片大小将使用1024x576和
1920x1080两种常见的帧尺寸来测试解码器速度；
测试平台:(CPU:AMD64x2 4200+(2.37G); 内存:DDR2 667(338.3MHz);编译器:VC2005)
测试平台:(CPU:Intel Core2 4400(2.00G);内存:DDR2 667(双通道); 编译器:VC2005)


A:YUV颜色空间介绍,YUV颜色空间和RGB颜色空间的转换公式
YUV(或称为YCbCr)颜色空间中Y代表亮度,“U”和“V”表示的则是色度。
(这里假设YUV和RGB的颜色分量值都是无符号的8bit整数)

RGB颜色空间到YUV颜色空间的转换公式:

Y= 0.257*R + 0.504*G + 0.098*B + 16;
U=-0.148*R - 0.291*G + 0.439*B + 128;
V= 0.439*R - 0.368*G - 0.071*B + 128;

YUV颜色空间到RGB颜色空间的转换公式:
B= 1.164*(Y-16) + 2.018*(U-128);
G= 1.164*(Y-16) - 0.380*(U-128) - 0.813*(V-128);
R= 1.164*(Y-16) + 1.159*(V-128);


( 补充:
在视频格式中基本上都用的上面的转换公式；但在其他一些
地方可能会使用下面的转换公式:

Y = 0.299*R + 0.587*G + 0.114*B;
U = -0.147*R - 0.289*G + 0.436*B;
V = 0.615*R - 0.515*G - 0.100*B;

R = Y + 1.14*V;
G = Y - 0.39*U - 0.58*V;
B = Y + 2.03*U;
)

B.RGB32颜色和图片的数据定义:

#define asm __asm

typedef unsigned char TUInt8; // [0..255]
struct TARGB32 //32 bit color
{
TUInt8 b,g,r,a; //a is alpha
};

struct TPicRegion //一块颜色数据区的描述，便于参数传递
{
TARGB32* pdata; //颜色数据首地址
long byte_width; //一行数据的物理宽度(字节宽度)；
//abs(byte_width)有可能大于等于width*sizeof(TARGB32);
long width; //像素宽度
long height; //像素高度
};

//那么访问一个点的函数可以写为：
__forceinline TARGB32& Pixels(const TPicRegion& pic,const long x,const long y)
{
return ( (TARGB32*)((TUInt8*)pic.pdata+pic.byte_width*y) )[x];
}

(注意:__forceinline表示总是内联代码，如果你的编译器不支持，请改写为inline关键词)

C.YUYV(也可以叫做YUY2)视频格式到RGB32的转化
（本文先集中优化YUYV视频格式到RGB32的转化,然后再扩展到其他视频格式）

YUYV视频格式的内存数据布局图示:




图中可以看出Y的数据量是U或者V的两倍，这是因为人的眼睛一般对亮度比对颜
色更敏感一些，所以将连续的两个像素的U(或V)值只保存一个U(或V)值,那么每个
像素平均占用16bit储存空间;
解码YUYV视频格式的一个简单浮点实现:

//颜色饱和函数
__forceinline long border_color(long color)
{
if (color>255)
return 255;
else if (color<0)
return 0;
else
return color;
}

__forceinline TARGB32 YUVToRGB32_float(const TUInt8 Y,const TUInt8 U,const TUInt8 V)
{
TARGB32 result;
result.b= border_color( 1.164 * (Y - 16) + 2.018 * (U - 128) );
result.g= border_color( 1.164 * (Y - 16) - 0.380 * (U - 128) - 0.813 * (V - 128) );
result.r= border_color( 1.164 * (Y - 16) + 1.159 * (V - 128) );
result.a= 255;
return result;
}

void DECODE_YUYV_Float(const TUInt8* pYUYV,const TPicRegion& DstPic)
{
assert((DstPic.width & 1)==0);

TARGB32* pDstLine=DstPic.pdata;
for (long y=0;y<DstPic.height;++y)
{
for (long x=0;x<DstPic.width;x+=2)
{
pDstLine[x+0]=YUVToRGB32_float(pYUYV[0],pYUYV[1],pYUYV[3]);
pDstLine[x+1]=YUVToRGB32_float(pYUYV[2],pYUYV[1],pYUYV[3]);
pYUYV+=4;
}
((TUInt8*&)pDstLine)+=DstPic.byte_width;
}
}


速度测试:
////////////////////////////////////////////////////////////////////////////////
//==============================================================================
// | 1024x576 | 1920x1080 |
//------------------------------------------------------------------------------
// | AMD64x2 | Core2 | AMD64x2 | Core2 |
//------------------------------------------------------------------------------
//DECODE_YUYV_Float 49.8 FPS 63.7 FPS 14.2 FPS 18.0 FPS
////////////////////////////////////////////////////////////////////////////////


D.使用整数运算(定点数运算)来代替浮点运算
默认的浮点数到整数的转换是比较慢的运算；这里用整数运算来代替浮点运算；
原理是将浮点系数扩大2^16倍，并保存为整数(引入很小的误差)，那么计算出来的值
再除以2^16就得到正确的结果了,而除以2^16可以优化为带符号的右移; 代码如下:

const int csY_coeff_16 = 1.164*(1<<16);
const int csU_blue_16 = 2.018*(1<<16);
const int csU_green_16 = (-0.380)*(1<<16);
const int csV_green_16 = (-0.813)*(1<<16);
const int csV_red_16 = 1.159*(1<<16);

__forceinline TARGB32 YUVToRGB32_Int(const TUInt8 Y,const TUInt8 U,const TUInt8 V)
{
TARGB32 result;
int Ye=csY_coeff_16 * (Y - 16);
int Ue=U-128;
int Ve=V-128;
result.b= border_color( ( Ye + csU_blue_16 * Ue )>>16 );
result.g= border_color( ( Ye + csU_green_16 * Ue + csV_green_16 * Ve )>>16 );
result.r= border_color( ( Ye + csV_red_16 * Ve )>>16 );
result.a= 255;
return result;
}

void DECODE_YUYV_Int(const TUInt8* pYUYV,const TPicRegion& DstPic)
{
assert((DstPic.width & 1)==0);

TARGB32* pDstLine=DstPic.pdata;
for (long y=0;y<DstPic.height;++y)
{
for (long x=0;x<DstPic.width;x+=2)
{
pDstLine[x+0]=YUVToRGB32_Int(pYUYV[0],pYUYV[1],pYUYV[3]);
pDstLine[x+1]=YUVToRGB32_Int(pYUYV[2],pYUYV[1],pYUYV[3]);
pYUYV+=4;
}
((TUInt8*&)pDstLine)+=DstPic.byte_width;
}
}

速度测试:
////////////////////////////////////////////////////////////////////////////////
//==============================================================================
// | 1024x576 | 1920x1080 |
//------------------------------------------------------------------------------
// | AMD64x2 | Core2 | AMD64x2 | Core2 |
//------------------------------------------------------------------------------
//DECODE_YUYV_Int 137.1 FPS 131.9 FPS 39.0 FPS 37.1 FPS
////////////////////////////////////////////////////////////////////////////////

E.优化border_color颜色饱和函数
因为border_color的实现使用了分支代码，在现代CPU上分支预测错的代价很大，这里使用一个
查找表来代替它；

//颜色查表
static TUInt8 _color_table[256*3];
static const TUInt8* color_table=&_color_table[256];
class _CAuto_inti_color_table
{
public:
_CAuto_inti_color_table() {
for (int i=0;i<256*3;++i)
_color_table[i]=border_color(i-256);
}
};
static _CAuto_inti_color_table _Auto_inti_color_table;

__forceinline TARGB32 YUVToRGB32_RGBTable(const TUInt8 Y,const TUInt8 U,const TUInt8 V)
{

TARGB32 result;
int Ye=csY_coeff_16 * (Y - 16);
int Ue=U-128;
int Ve=V-128;
result.b= color_table[ ( Ye + csU_blue_16 * Ue )>>16 ];
result.g= color_table[ ( Ye + csU_green_16 * Ue + csV_green_16 * Ve )>>16 ];
result.r= color_table[ ( Ye + csV_red_16 * Ve )>>16 ];
result.a= 255;
return result;
}

void DECODE_YUYV_RGBTable(const TUInt8* pYUYV,const TPicRegion& DstPic)
{
assert((DstPic.width & 1)==0);

TARGB32* pDstLine=DstPic.pdata;
for (long y=0;y<DstPic.height;++y)
{
for (long x=0;x<DstPic.width;x+=2)
{
pDstLine[x+0]=YUVToRGB32_RGBTable(pYUYV[0],pYUYV[1],pYUYV[3]);
pDstLine[x+1]=YUVToRGB32_RGBTable(pYUYV[2],pYUYV[1],pYUYV[3]);
pYUYV+=4;
}
((TUInt8*&)pDstLine)+=DstPic.byte_width;
}
}

速度测试:
////////////////////////////////////////////////////////////////////////////////
//==============================================================================
// | 1024x576 | 1920x1080 |
//------------------------------------------------------------------------------
// | AMD64x2 | Core2 | AMD64x2 | Core2 |
//------------------------------------------------------------------------------
//DECODE_YUYV_RGBTable 164.8 FPS 152.9 FPS 47.1 FPS 43.7 FPS
////////////////////////////////////////////////////////////////////////////////


F.使用查找表来代乘法运算
其实，现在的x86 CPU做乘法是很快的，用查找表的内存访问来代替乘法不见得会更快；
本文章讨论它的意义在于，该实现版本在其他平台的CPU上可能有很好的优化效果；在奔腾4上
该版本DECODE_YUYV_Table也很可能比DECODE_YUYV_RGBTable快，我没有测试过；

static int Ym_table[256];
static int Um_blue_table[256];
static int Um_green_table[256];
static int Vm_green_table[256];
static int Vm_red_table[256];

class _CAuto_inti_yuv_table
{
public:
_CAuto_inti_yuv_table() {
for (int i=0;i<256;++i)
{
Ym_table[i]=csY_coeff_16 * (i - 16);
Um_blue_table[i]=csU_blue_16 * (i - 128);
Um_green_table[i]=csU_green_16 * (i - 128);
Vm_green_table[i]=csV_green_16 * (i - 128);
Vm_red_table[i]=csV_red_16 * (i - 128);
}
}
};
static _CAuto_inti_yuv_table _Auto_inti_yuv_table;

__forceinline TARGB32 YUVToRGB32_Table(const TUInt8 Y,const TUInt8 U,const TUInt8 V)
{
TARGB32 result;
int Ye=Ym_table[Y];
result.b= color_table[ ( Ye + Um_blue_table[U] )>>16 ];
result.g= color_table[ ( Ye + Um_green_table[U] + Vm_green_table[V] )>>16 ];
result.r= color_table[ ( Ye + Vm_red_table[V] )>>16 ];
result.a= 255;
return result;
}

void DECODE_YUYV_Table(const TUInt8* pYUYV,const TPicRegion& DstPic)
{
assert((DstPic.width & 1)==0);

TARGB32* pDstLine=DstPic.pdata;
for (long y=0;y<DstPic.height;++y)
{
for (long x=0;x<DstPic.width;x+=2)
{
pDstLine[x+0]=YUVToRGB32_Table(pYUYV[0],pYUYV[1],pYUYV[3]);
pDstLine[x+1]=YUVToRGB32_Table(pYUYV[2],pYUYV[1],pYUYV[3]);
pYUYV+=4;
}
((TUInt8*&)pDstLine)+=DstPic.byte_width;
}
}

速度测试:
////////////////////////////////////////////////////////////////////////////////
//==============================================================================
// | 1024x576 | 1920x1080 |
//------------------------------------------------------------------------------
// | AMD64x2 | Core2 | AMD64x2 | Core2 |
//------------------------------------------------------------------------------
//DECODE_YUYV_Table 146.1 FPS 151.3 FPS 41.8 FPS 43.5 FPS
////////////////////////////////////////////////////////////////////////////////


(提示：在没有“带符号右移”的CPU体系下或者能够忍受一点点小的误差，可以在生成YUV的查找表的时候不扩大2^16倍，从而在计算出结果的时候也就不需要右移16位的修正了，这样改进后函数速度还会提高一些)

G.优化U和V的计算、合并写内存
由于两个像素共享U和V值，关于它们的两次计算，有部分代码可以共享；
所以实现一个一次转换两个像素的版本；
写内存的时候，合并成4字节来写，这样在现在的CPU上更加有效率(注意:在intel的
Xeon CPU上这个改动反而会慢一些):

__forceinline void YUVToRGB32_Two(TARGB32* pDst,const TUInt8 Y0,const TUInt8 Y1,const TUInt8 U,const TUInt8 V)
{
int Ye0=csY_coeff_16 * (Y0 - 16);
int Ye1=csY_coeff_16 * (Y1 - 16);
int Ue=(U-128);
int Ue_blue=csU_blue_16 *Ue;
int Ue_green=csU_green_16 *Ue;
int Ve=(V-128);
int Ve_green=csV_green_16 *Ve;
int Ve_red=csV_red_16 *Ve;

pDst[0].argb=color_table[ ( Ye0 + Ue_blue )>>16 ]
| ( color_table[ ( Ye0 + Ue_green + Ve_green )>>16]<<8 )
| ( color_table[ ( Ye0 + Ve_red )>>16]<<16 )
| ( 255<<24);
pDst[1].argb=color_table[ ( Ye1 + Ue_blue )>>16 ]
| ( color_table[ ( Ye1 + Ue_green + Ve_green )>>16]<<8 )
| ( color_table[ ( Ye1 + Ve_red )>>16]<<16 )
| ( 255<<24);
}

void DECODE_YUYV_Common(const TUInt8* pYUYV,const TPicRegion& DstPic)
{
assert((DstPic.width & 1)==0);

TARGB32* pDstLine=DstPic.pdata;
for (long y=0;y<DstPic.height;++y)
{
for (long x=0;x<DstPic.width;x+=2)
{
YUVToRGB32_Two(&pDstLine[x],pYUYV[0],pYUYV[2],pYUYV[1],pYUYV[3]);
pYUYV+=4;
}
((TUInt8*&)pDstLine)+=DstPic.byte_width;
}
}

速度测试:
////////////////////////////////////////////////////////////////////////////////
//==============================================================================
// | 1024x576 | 1920x1080 |
//------------------------------------------------------------------------------
// | AMD64x2 | Core2 | AMD64x2 | Core2 |
//------------------------------------------------------------------------------
//DECODE_YUYV_Common 241.9 FPS 269.8 FPS 69.5 FPS 76.9 FPS
////////////////////////////////////////////////////////////////////////////////


H:把测试成绩放在一起

////////////////////////////////////////////////////////////////////////////////
//测试平台:(CPU:AMD64x2 4200+(2.37G); 内存:DDR2 667(338.3MHz);编译器:VC2005)
//测试平台:(CPU:Intel Core2 4400(2.00G);内存:DDR2 667(双通道); 编译器:VC2005)
////////////////////////////////////////////////////////////////////////////////
//==============================================================================
// | 1024x576 | 1920x1080 |
//------------------------------------------------------------------------------
// | AMD64x2 | Core2 | AMD64x2 | Core2 |
//------------------------------------------------------------------------------
//DECODE_YUYV_Float 49.8 FPS 63.7 FPS 14.2 FPS 18.0 FPS
//DECODE_YUYV_Int 137.1 FPS 131.9 FPS 39.0 FPS 37.1 FPS
//DECODE_YUYV_RGBTable 164.8 FPS 152.9 FPS 47.1 FPS 43.7 FPS
//DECODE_YUYV_Table 146.1 FPS 151.3 FPS 41.8 FPS 43.5 FPS
//DECODE_YUYV_Common 241.9 FPS 269.8 FPS 69.5 FPS 76.9 FPS
////////////////////////////////////////////////////////////////////////////////

(文章写得比较慢,基本优化部分本章写完了；继续成倍的提高速度还是有希望的,后面两篇还没有动手，文章内容也可能变动； 欢迎提出不足和改进意见)