RGBA图像转RGB手动实现慢于OpenCV原因及无拷贝方案咨询

• 编译器自动向量化受阻：你写的逐字节循环每次仅处理1个像素，输入输出步长不规整，编译器很难自动触发SSE/AVX等SIMD指令优化；而OpenCV的convertTo针对不同平台手写了SIMD汇编实现，一次可以处理16/32个像素，数据吞吐量远高于逐字节拷贝。
• 内存访问效率低：逐字节读写的缓存利用率远低于批量操作，OpenCV的实现会预先判断内存对齐属性，按CPU缓存行大小批量搬运数据，大幅降低缓存缺失概率。
• 循环开销占比过高：你的单像素循环中，循环判断、指针自增的开销占比很高，OpenCV会做多层循环展开，一次处理8/16个像素，压低额外开销的占比。

无法实现严格意义上的无拷贝RGBA转8位RGB：RGBA每个像素占4字节，RGB每个像素占3字节，两者内存布局完全不兼容，前者行步长为width*4，后者为width*3，无法通过修改步长、指针偏移的方式直接复用原有内存。如果上层业务逻辑可以适配RGBA布局，读取时主动忽略每个像素的第4个字节，就可以省去转换步骤，等效于无拷贝。

按以下方式修改代码，性能可以接近OpenCV的水平：

1. 优先做循环展开，降低循环开销，同时让编译器更容易自动触发向量化优化，示例代码如下：

int pix_count = width * height;
// 先处理能被8整除的像素块，循环展开提升向量化概率
int batch_cnt = pix_count / 8;
int remain = pix_count % 8;
for(int i = 0; i < batch_cnt; i++) {
    // 展开8次像素拷贝，无需循环变量逐次递增
    *ptr2++ = *ptr1++; *ptr2++ = *ptr1++; *ptr2++ = *ptr1++; ptr1++;
    *ptr2++ = *ptr1++; *ptr2++ = *ptr1++; *ptr2++ = *ptr1++; ptr1++;
    *ptr2++ = *ptr1++; *ptr2++ = *ptr1++; *ptr2++ = *ptr1++; ptr1++;
    *ptr2++ = *ptr1++; *ptr2++ = *ptr1++; *ptr2++ = *ptr1++; ptr1++;
    *ptr2++ = *ptr1++; *ptr2++ = *ptr1++; *ptr2++ = *ptr1++; ptr1++;
    *ptr2++ = *ptr1++; *ptr2++ = *ptr1++; *ptr2++ = *ptr1++; ptr1++;
    *ptr2++ = *ptr1++; *ptr2++ = *ptr1++; *ptr2++ = *ptr1++; ptr1++;
    *ptr2++ = *ptr1++; *ptr2++ = *ptr1++; *ptr2++ = *ptr1++; ptr1++;
}
// 处理剩余不足8个的像素
for(int i = 0; i < remain; i++) {
    *ptr2++ = *ptr1++; *ptr2++ = *ptr1++; *ptr2++ = *ptr1++; ptr1++;
}

2. 编译时开启-O3 -march=native（GCC/Clang）或者/O2 /arch:AVX2（MSVC）优化参数，让编译器自动生成对应平台的SIMD指令。
3. 尽可能保证输入输出缓冲区是16字节对齐的，对齐内存的SIMD访问速度比非对齐内存高30%以上。

内容的提问来源于stack exchange，提问作者Chris