SIMD 優化實戰：使用 SSE 指令集加速圖像灰度轉換浮點運算

背景：浮點運算性能瓶頸

圖像處理大量涉及浮點運算（如 RGB→灰度權重加權）。標量浮點運算吞吐低，SSE (Streaming SIMD Extensions) 提供 **128 位寄存器，單指令處理 4 個 float**，理論加速 4 倍。

算法：RGB 轉灰度

公式：Gray = 0.3*R + 0.6*G + 0.1*B（或整數近似 (3*R + 6*G + 1*B) / 10）。

標量基準版

void scalar_process(BYTE* pIn, DWORD size) {
    for (DWORD i = 0; i < size; i += 3) {
        int sum = 1*pIn[i] + 6*pIn[i+1] + 3*pIn[i+2]; // BGR 順序
        BYTE gray = sum / 10;
        pIn[i] = pIn[i+1] = pIn[i+2] = gray;
    }
}

SSE 優化版：打包 4 像素並行計算

#include <xmmintrin.h> // SSE

void sse_process(BYTE* pIn, DWORD size) {
    // 常數向量：除以 10 乘以 0.1f
    __m128 div10 = _mm_set1_ps(0.1f);
    
    for (DWORD i = 0; i < size; i += 12) { // 4 pixels * 3 channels = 12 bytes
        // 1. 加載 4 個像素的 B, G, R 分量到 3 個 __m128
        // 此處簡化：逐像素計算整數和，再打包 float 向量除法
        float sums[4];
        for (int p = 0; p < 4; ++p) {
            int idx = i + p * 3;
            sums[p] = 1.0f * pIn[idx] + 6.0f * pIn[idx+1] + 3.0f * pIn[idx+2];
        }
        __m128 vec = _mm_loadu_ps(sums);      // 非對齊加載
        __m128 res = _mm_mul_ps(vec, div10);  // 並行乘法 (除以 10)
        
        // 存回
        float* gray = (float*)&res;
        for (int p = 0; p < 4; ++p) {
            BYTE g = (BYTE)gray[p];
            int idx = i + p * 3;
            pIn[idx] = pIn[idx+1] = pIn[idx+2] = g;
        }
    }
}

進一步優化：整數 SSE (__m128i) 避免浮點轉換

使用 _mm_madd_epi16 (Multiply-Add Packed Integers) 或 _mm_mullo_epi16 直接處理 16 位整數權重，最後 _mm_srli_epi16 移位除法，完全整數管線，吞吐更高。

實測效能 (2560x1600, 24-bit)

關鍵點總結

1. 資料佈局重組：AoS (Array of Structures) → SoA (Structure of Arrays) 利於向量化加載。
2. 優先整數 SIMD：定點運算避免浮點轉換開銷，指令更豐富 (madd, sad 等)。
3. 對齊與非對齊：_mm_load_ps 需 16 位元組對齊，_mm_loadu_ps 無要求但稍慢。
4. 編譯器自動向量化：現代編譯器 (-O3 -march=native) 常能自動生成 SSE/AVX 代碼，手寫內聯僅在編譯器失效時必要。

總結

SSE 向量化是圖像/信號處理性能躍升的關鍵技術。從標量循環到 __m128/__m128i 並行計算，結合資料佈局調整與整數定點運算，可實現 3-4 倍加速。掌握 SIMD 思維，配合編譯器自動向量化與內聯介面，是高性能計算開發核心技能。