neon をいじってみる

Raspberry Pi2 の CPU は SIMD 命令（neon）をサポート
しているので、例題を書いてみた。お題は
"Professional Embedded ARM development"（Wrox）
にあったもので、RGB空間のベタ詰めの画像ファイルを gray
画像に変換する、というものである。変換式はこちら。

• Gray = 0.3*R + 0.59*G + 0.11*B

256倍する。

• 256*Gray = 77*R + 151*G + 28*B

∴ Gray = (77*R + 151*G + 28*B) / 256

掛け算および足し算の時は q レジスタを使用し、画像の
ロード時は d レジスタを使用する。256 で割ることと
右に8ビットシフトすることは同等なので、シフト後に q
レジスタから d レジスタに縮小すれば8ドット分の gray
画像が算出できる。アセンブラで書いてみたのがこちら。

.arch armv7-a
.fpu neon-vfpv4
.text
.align 2
.global color2gray
.type color2gray, %function
color2gray:
        @ color space is R[0]G[0]B[0]R[1]G[1]B[1]...
        @ r0: base address
        @ r1: store address
        @ r2: length of file (not bytes)
        push {r4-r8}
        mov r4, #77
        mov r5, #151
        mov r6, #28
        mov r8, r2
        vdup.8 d4, r4
        vdup.8 d5, r5
        vdup.8 d6, r6
        lsr r8, r8, #3
        movs r8, r8
        beq color2gray_boundary

color2gray_loop:
        vld3.8 {d7, d8, d9}, [r0]!
        vmull.u8 q3, d7, d4     @ Red
        vmlal.u8 q3, d8, d5     @ Green
        vmlal.u8 q3, d9, d6     @ Blue
        vshrn.u16 d3, q3, #3
        vst1.8 {d3}, [r1]!
        subs r8, #1
        bne color2gray_loop

color2gray_boundary:
        mov r8, #7
        ands r2, r2, r8
        beq color2gray_end
color2gray_each:
        ldrb r7, [r0]   @ Red
        mul r8, r4, r7
        add r0, r0, #1
        ldrb r7, [r0]   @ Green
        mla r8, r5, r7, r8
        add r0, r0, #1
        ldrb r7, [r0]   @ Blue
        mla r8, r6, r7, r8
        lsr r8, r8, #8
        strb r8, [r1]
        subs r2, #1
        add r0, r0, #1
        add r1, r1, #1
        bne color2gray_each

color2gray_end:
        pop {r4-r8}
        bx lr

C プログラムからは

void color2gray(const unsigned char *rgb, unsigned char *gray, int len);

で呼び出せる。ここで len はバイト数ではなく、
ピクセル数を指定する。

8ピクセルに満たない領域ができた場合は CPU 側で
ループを回すようにした。（color2gray_each の部分）

3.8メガバイトのファイルを処理するのに 11 ミリ秒
くらい要した。
C を使って CPU でループを回すよりだいぶ速い感じ。