朋友曾經給我推薦了一個有關代碼優化的pdf文檔《讓你的軟件飛起來》，看完之後，感受頗深。爲了推廣其，同時也爲了自己加深印象，故將其總結爲word文檔。下面就是其的詳細內容總結，希望能於己於人都有所幫助。
速度取決於算法
同樣的事情，方法不一樣，效果也不一樣。比如，汽車引擎，可以讓你的速度超越馬車，卻無法超越音速；渦輪引擎，可以輕鬆 超越音障，卻無法飛出地球；如果有火箭發動機，就可以到達火星。
代碼的運算速度取決於以下幾個方面
1、 算法本身的複雜度，比如MPEG比JPEG複雜，JPEG比BMP圖片的編碼複雜。
2、 CPU自身的速度和設計架構
3、 CPU的總線帶寬
4、 您自己代碼的寫法
本文主要介紹如何優化您自己的code，實現軟件的加速。
先看看我的需求
我們一個圖象模式識別的項目，需要將RGB格式的彩色圖像先轉換成黑白圖像。
圖像轉換的公式如下：
Y = 0.299 * R + 0.587 * G + 0.114 * B;
圖像尺寸640*480*24bit，RGB圖像已經按照RGBRGB順序排列的格式，放在內存裏面了。
我已經悄悄的完成了第一個優化
以下是輸入和輸出的定義：
#define XSIZE 640
#define YSIZE 480
#define IMGSIZE XSIZE * YSIZE
typedef struct RGB
{
unsigned char R;
unsigned char G;
unsigned char B;
}RGB;
struct RGB in[IMGSIZE]; //需要計算的原始數據
unsigned char out[IMGSIZE]; //計算後的結果
第一個優化
優化原則：圖像是一個2D數組，我用一個一維數組來存儲。編譯器處理一維數組的效率要高過二維數組。
先寫一個代碼：
Y = 0.299 * R + 0.587 * G + 0.114 * B;
void calc_lum()
{
int i;
for(i = 0; i < IMGSIZE; i++)
{
double r,g,b,y;
unsigned char yy;
r = in[i].r;
g = in[i].g;
b = in[i].b;
y = 0.299 * r + 0.587 * g + 0.114 * b;
yy = y;
out[i] = yy;
}
}
這大概是能想得出來的最簡單的寫法了，實在看不出有什麼毛病，好了，編譯一下跑一跑吧。
第一次試跑
這個代碼分別用vc6.0和gcc編譯，生成2個版本，分別在pc上和我的embedded system上面跑。
速度多少？
在PC上，由於存在硬件浮點處理器，CPU頻率也夠高，計算速度爲20秒。
我的embedded system，沒有以上2個優勢，浮點操作被編譯器分解成了整數運算，運算速度爲120秒左右。
去掉浮點運算
上面這個代碼還沒有跑，我已經知道會很慢了，因爲這其中有大量的浮點運算。只要能不用浮點運算，一定能快很多。
Y = 0.299 * R + 0.587 * G + 0.114 * B;
這個公式怎麼能用定點的整數運算替代呢？
0.299 * R可以如何化簡？
Y = 0.299 * R + 0.587 * G + 0.114 * B;
Y = D + E + F;
D = 0.299 * R;
E = 0.587 * G;
F = 0.114 * B;
我們就先簡化算式D吧！
RGB的取值範圍都是0~255，都是整數，只是這個係數比較麻煩，不過這個係數可以表示爲：0.299 = 299 / 1000;
所以 D = ( R * 299) / 1000;
Y = (R * 299 + G * 587 + B * 114) / 1000;
這一下，能快多少呢？
Embedded system上的速度爲45秒；
PC上的速度爲2秒；
0.299 * R可以如何化簡
Y = 0.299 * R + 0.587 * G + 0.114 * B;
Y = (R * 299 + G * 587 + B * 114) / 1000;
這個式子好像還有點複雜，可以再砍掉一個除法運算。
前面的算式D可以這樣寫：
0.299=299/1000=1224/4096
所以 D = (R * 1224) / 4096
Y=(R*1224)/4096+(G*2404)/4096+(B*467)/4096
再簡化爲：
Y=(R*1224+G*2404+B*467)/4096
這裏的/4096除法，因爲它是2的N次方，所以可以用移位操作替代，往右移位12bit就是把某個數除以4096了。
void calc_lum()
{
int i;
for(i = 0; i < IMGSIZE; i++)
{
int r,g,b,y;
r = 1224 * in[i].r;
g = 2404 * in[i].g;
b = 467 * in[i].b;
y = r + g + b;
y = y >> 12; //這裏去掉了除法運算
out[i] = y;
}
}
這個代碼編譯後，又快了20%。
雖然快了不少，還是太慢了一些，20秒處理一幅圖像，地球人都不能接受。
仔細端詳一下這個式子！
Y = 0.299 * R + 0.587 * G + 0.114 * B;
Y=D+E+F;
D=0.299*R;
E=0.587*G;
F=0.114*B;
RGB的取值有文章可做，RGB的取值永遠都大於等於0，小於等於255，我們能不能將D，E，F都預先計算好呢？然後用查表算法計算呢？
我們使用3個數組分別存放DEF的256種可能的取值，然後。。。
查表數組初始化
int D[256],F[256],E[256];
void table_init()
{
int i;
for(i=0;i<256;i++)
{
D[i]=i*1224;
D[i]=D[i]>>12;
E[i]=i*2404;
E[i]=E[i]>>12;
F[i]=i*467;
F[i]=F[i]>>12;
}
}
void calc_lum()
{
int i;
for(i = 0; i < IMGSIZE; i++)
{
int r,g,b,y;
r = D[in[i].r];//查表
g = E[in[i].g];
b = F[in[i].b];
y = r + g + b;
out[i] = y;
}
}
這一次的成績把我嚇出一身冷汗，執行時間居然從30秒一下提高到了2秒！在PC上測試這段代碼，眼皮還沒眨一下，代碼就執行完了。一下提高15倍，爽不爽？
繼續優化
很多embedded system的32bit CPU，都至少有2個ALU，能不能讓2個ALU都跑起來？
void calc_lum()
{
int i;
for(i = 0; i < IMGSIZE; i += 2) //一次並行處理2個數據
{
int r,g,b,y,r1,g1,b1,y1;
r = D[in[i].r];//查表 //這裏給第一個ALU執行
g = E[in[i].g];
b = F[in[i].b];
y = r + g + b;
out[i] = y;
r1 = D[in[i + 1].r];//查表 //這裏給第二個ALU執行
g1 = E[in[i + 1].g];
b1 = F[in[i + 1].b];
y = r1 + g1 + b1;
out[i + 1] = y;
}
}
2個ALU處理的數據不能有數據依賴，也就是說：某個ALU的輸入條件不能是別的ALU的輸出，這樣纔可以並行。
這次成績是1秒。
查看這個代碼
int D[256],F[256],E[256]; //查表數組
void table_init()
{
int i;
for(i=0;i<256;i++)
{
D[i]=i*1224;
D[i]=D[i]>>12;
E[i]=i*2404;
E[i]=E[i]>>12;
F[i]=i*467;
F[i]=F[i]>>12;
}
}
到這裏，似乎已經足夠快了，但是我們反覆實驗，發現，還有辦法再快！
可以將int D[256],F[256],E[256]; //查表數組
更改爲
unsigned short D[256],F[256],E[256]; //查表數組
這是因爲編譯器處理int類型和處理unsigned short類型的效率不一樣。
再改動
inline void calc_lum()
{
int i;
for(i = 0; i < IMGSIZE; i += 2) //一次並行處理2個數據
{
int r,g,b,y,r1,g1,b1,y1;
r = D[in[i].r];//查表 //這裏給第一個ALU執行
g = E[in[i].g];
b = F[in[i].b];
y = r + g + b;
out[i] = y;
r1 = D[in[i + 1].r];//查表 //這裏給第二個ALU執行
g1 = E[in[i + 1].g];
b1 = F[in[i + 1].b];
y = r1 + g1 + b1;
out[i + 1] = y;
}
}
將函數聲明爲inline，這樣編譯器就會將其嵌入到母函數中，可以減少CPU調用子函數所產生的開銷。
這次速度：0.5秒。
其實，我們還可以飛出地球的！
如果加上以下措施，應該還可以更快：
1、 把查表的數據放置在CPU的高速數據CACHE裏面；
2、 把函數calc_lum()用匯編語言來寫
其實，CPU的潛力是很大的
1、 不要抱怨你的CPU，記住一句話：“只要功率足夠，磚頭都能飛！”
2、 同樣的需求，寫法不一樣，速度可以從120秒變化爲0.5秒，說明CPU的潛能是很大的！看你如何去挖掘。
3、 我想：要是Microsoft的工程師都像我這樣優化代碼，我大概就可以用489跑windows XP了！
以上就是對《讓你的軟件飛起來》的摘錄，下面，我將按照這位牛人的介紹，對RGB到YCbCr的轉換算法做以總結。
Y = 0.299R + 0.587G + 0.114B
U = -0.147R - 0.289G + 0.436B
V = 0.615R - 0.515G - 0.100B
#deinfe SIZE 256
#define XSIZE 640
#define YSIZE 480
#define IMGSIZE XSIZE * YSIZE
typedef struct RGB
{
unsigned char r;
unsigned char g;
unsigned char b;
}RGB;
struct RGB in[IMGSIZE]; //需要計算的原始數據
unsigned char out[IMGSIZE * 3]; //計算後的結果
unsigned short Y_R[SIZE],Y_G[SIZE],Y_B[SIZE],U_R[SIZE],U_G[SIZE],U_B[SIZE],V_R[SIZE],V_G[SIZE],V_B[SIZE]; //查表數組
void table_init()
{
int i;
for(i = 0; i < SIZE; i++)
{
Y_R[i] = (i * 1224) >> 12; //Y對應的查表數組
Y_G[i] = (i * 2404) >> 12;
Y_B[i] = (i * 467) >> 12;
U_R[i] = (i * 602) >> 12; //U對應的查表數組
U_G[i] = (i * 1183) >> 12;
U_B[i] = (i * 1785) >> 12;
V_R[i] = (i * 2519) >> 12; //V對應的查表數組
V_G[i] = (i * 2109) >> 12;
V_B[i] = (i * 409) >> 12;
}
}
inline void calc_lum()
{
int i;
for(i = 0; i < IMGSIZE; i += 2) //一次並行處理2個數據
{
out[i] = Y_R[in[i].r] + Y_G[in[i].g] + Y_B[in[i].b]; //Y
out[i + IMGSIZE] = U_B[in[i].b] - U_R[in[i].r] - U_G[in[i].g]; //U
out[i + 2 * IMGSIZE] = V_R[in[i].r] - V_G[in[i].g] - V_B[in[i].b]; //V
out[i + 1] = Y_R[in[i + 1].r] + Y_G[in[i + 1].g] + Y_B[in[i + 1].b]; //Y
out[i + 1 + IMGSIZE] = U_B[in[i + 1].b] - U_R[in[i + 1].r] - U_G[in[i + 1].g]; //U
out[i + 1 + 2 * IMGSIZE] = V_R[in[i + 1].r] - V_G[in[i + 1].g] - V_B[in[i + 1].b]; //V
}
}
根據牛人的觀點，這種算法應該是非常快的了，以後可直接使用了。^_^
//#######################################################另一個人也是同樣的優化http://blog.csdn.net/housisong/article/details/1859084