C++写WebAssembly

上一篇(环境搭建,简单接入):C++编写WebAssembly初探

这一次,我们尝试使用WebAssembly来做简单的图片处理。

我们选取一种最基本的图像处理——高斯模糊来尝试实现。原理可参考高斯模糊和卷积滤波简介

js向wasm传递数组

与传递number不同,传递数组时,需要js将数组拷贝到wasm内存中,并通过传递指针(数据在内存中的位置),让wasm通过访问内存的具体位置,来获取或修改数组。

另外,不同于js,wasm的内存管理由开发者进行控制,我们需要手动分配和释放内存。

这里的过程是,首先我们获得表示图片像素的数组,将这个数组复制到wasm内存,再调用wasm模块处理这些像素数据,处理完后js重新读取这块内存,并将处理过的图片画到canvas上。

// 被处理的图片

const srcImg = document.getElementById('srcImg');

srcImg.onload = () => {

// onload时将图片画到canvas上,以获得像素数据

const { clientWidth = 0, clientHeight = 0 } = srcImg;

var canvas = document.getElementById("drawerCanvas");

canvas.width = clientWidth;

canvas.height = clientHeight;

var ctx = canvas.getContext("2d");

ctx.drawImage(srcImg, 0, 0, clientWidth, clientHeight);

// 获得像素数据

const imageData = ctx.getImageData(0, 0, clientWidth, clientHeight);

// 处理数据

const resImageData = wasmProcess(imageData, clientWidth, clientHeight);

// 将处理后的图片数据画到canvas上

ctx.putImageData(resImageData, 0, 0);

}

// 将js的typedarray复制到wasm的内存

functioncopyToHeap(typedArray) {

const numBytes = typedArray.byteLength;

const ptr = Module._malloc(numBytes);

const heapBytes = newUint8Array(Module.HEAPU8.buffer, ptr, numBytes);

heapBytes.set(newUint8Array(typedArray.buffer));

return heapBytes;

}

// 释放一块wasm内存

functionfreeHeap(heapBytes) {

Module._free(heapBytes.byteOffset);

}

// 图片处理的函数

functionwasmProcess(imgData, width, height) {

const heapBytes = copyToHeap(imgData.data);

// 调用c++暴露的方法。其中heapBytes.byteoffset传递的是wasm内存中数组的指针

Module.ccall(

'easyBlur',

'number',

['number', 'number', 'number', 'number', 'number'],

[heapBytes.byteOffset, width, height, 3, 3]

);

// 从wasm内存读取出处理后的数据

const newData = newUint8ClampedArray(heapBytes);

// 释放wasm内存

freeHeap(heapBytes);

const newImageData = new ImageData(newData, width, height);

return newImageData;

}

简单的高斯模糊算法实现

这里取最简单的滤波器,即矩阵所有项都相等的滤波器。要使得滤波器的各项和为1,则每一项的值为1 / (cw*ch).

如一个3*3的滤波器为 [0.11, 0.11, 0.11, 0.11, 0.11, 0.11, 0.11, 0.11, 0.11].我们可以简单地通过改变cw和ch来调整模糊的强度,cw和ch越大,扩散程度越大,则模糊强度也越大。

另外我们需要观察ctx.getImageData()得到的数组格式:获得的data是一个一维数组,按照从从左到右,从上到下的顺序记录了图片每个像素的值。其中每4个值为一组,分别代表同一个像素的r, g, b, a四个通道的数值。我们模糊时对每个通道进行单独处理。

我的代码:

#include<cstdint>

#include<cmath>

// 卷积操作,传入imageData像素数组的指针,imageData宽高,滤波器及滤波器宽高。

voidconv(uint8_t *ptr, int width, int height, float* filter, int cw, int ch){

for (int i = ch / 2; i < height - ceil((float)ch / 2) + 1; i++) {

for (int j = cw / 2; j < width - ceil((float)cw / 2) + 1; j++) {

// rgba取前3个通道进行处理

for (int k = 0; k < 3; k++) {

float sum = 0;

int count = 0;

for (int x = -ch / 2; x < ceil((float)ch / 2); x++) {

for (int y = -cw / 2; y < ceil((float)cw / 2); y++) {

sum += filter[count] * (float)ptr[((i+x)*width+(y+j))*4+k];

count++;

}

}

ptr[(i*width+j)*4+k] = (uint8_t)sum;

}

}

}

}

#ifdef __cplusplus

extern"C"

{

#endif

// 供js调用的函数,传入像素数组的指针,宽高,以及滤波器的宽高

// 这里为了简单,默认滤波器矩阵每一项的值相同,即1/(cw*ch)。

voideasyBlur(uint8_t *ptr, int width, int height, int cw = 3, int ch = 3){

float* filter = newfloat[cw * ch];

float value = 1 / (float)(cw * ch);

for (int i = 0; i < cw * ch; i++) {

filter[i] = value;

}

conv(ptr, width, height, filter, cw, ch);

delete [] filter;

}

#ifdef __cplusplus

}

#endif

效果预览

对于宽度200px左右的图片,使用长宽为5的滤波器效果如下:

C++ 编写 WebAssembly初探(二)

瓶颈

使用js以相同的方法重新实现了一次,发现在图片较小时js处理的耗时更短,而图片较大时wasm虽然速度快于js,但处理的时间也非常长,是不能忍受的。

问题的原因很可能是:

  • js调用C时有一定的执行代价
  • 将数据在js内存和wasm内存之间复制消耗大量的时间,影响性能。

    所以这种数据量非常大的场景下,wasm虽然优化了计算的时间,但因为传递的的时间大大增加,反而成为了性能的瓶颈。

另外,对于前端来说,自己实现相关的处理算法,性能远不如线上一些库优化得好。这里有更多前端可用的图片处理库可以参考。

Ref

Emscripten: Pointers and Pointers

ArrayBuffer - ECMAScript 6入门

[译]WebAssembly 中的Memory

以上是 C++写WebAssembly 的全部内容, 来源链接: www.h5w3.com/116002.html

回到顶部