算法要點
warpAffine雙線性插值和最近鄰的區別
- 根據目標圖像的某點座標算出原始圖像對應的點座標後，最近鄰是向下取整，雙線性插值需要獲得相鄰的四個點座標以及縱橫方向的權重
- 最近鄰直接拷貝原始圖像點即可，雙線性插值需要橫豎加權
很顯然計算量要比最近鄰大一些，但是效果會更好，對於放大的情況沒有明顯的鋸齒。
優化要點
- 在計算偏移時基本和最近鄰相同，同樣要考慮異常情況和越界讀的問題，另外要注意32位和64位的區別。
- 關於線性插值部分和resize的類似，可以參考resize的實現，同樣涉及定點計算等。
- 這裏對於邊界的處理做了一些簡化，如果加權的4個點部分越界了，就都不參與運算了。而opencv的實現是未越界的部分繼續參與運算。對於不怎麼涉及邊界的場景下這樣簡化是可以接受的。這樣的簡化就不會存在越界讀的問題了。
代碼實現
相對複雜的是線性插值計算部分，resize中8UC4可以當成uint來計算，但是這裏行不通，像素的每個通道都要參與計算。
測試結果
8UC4
D: warpAffine H/W 1280/960 -> 128/128: opencv takes 1.168ms, neon takes 0.276ms, time reduce 76%
D: warpAffine H/W 1280/960 -> 256/256: opencv takes 3.883ms, neon takes 1.051ms, time reduce 72%
D: warpAffine H/W 1440/1080 -> 128/128: opencv takes 1.894ms, neon takes 0.546ms, time reduce 71%
D: warpAffine H/W 1440/1080 -> 256/256: opencv takes 4.357ms, neon takes 1.570ms, time reduce 63%
8UC3
D: warpAffine H/W 1280/960 -> 128/128: opencv takes 0.986ms, neon takes 0.191ms, time reduce 80%
D: warpAffine H/W 1280/960 -> 256/256: opencv takes 3.115ms, neon takes 0.671ms, time reduce 78%
D: warpAffine H/W 1440/1080 -> 128/128: opencv takes 1.437ms, neon takes 0.339ms, time reduce 76%
D: warpAffine H/W 1440/1080 -> 256/256: opencv takes 3.530ms, neon takes 0.900ms, time reduce 74%