基于局部直方图的算法有很多很多，比如中值模糊、表面模糊、选择性模糊等等，这类算法有个通病，就是即使选择使用SIMD指令加速，因为其内在的特性，速度还是不能很快，但是又找不到其他合适的构架来优化他，还必须使用直方图技术，本文介绍了一种简单的方法来计算该类算法的加速和优化。
基于局部直方图的算法有很多很多，我们已经研究这类算法有以下一些：
1、中值滤波
2、表面模糊
3、选择性模糊
4、中值锐化
5、图像局部熵
这类算法有个通病，就是即使选择使用SIMD指令加速，因为其内在的特性，速度还是不能很快，但是又找不到其他合适的构架来优化他，还必须使用直方图技术，比如我们的中值滤波， 我尝试过各种商业软件，其速度都和我博客里提到的那个优化速度差不多，说明大家基本上都是那个套路。你们当确实某个场景需要更快的速度时，我们是否能有其他方法来加速呢，或者使用某个近似的方法来替代呢，经过个人的实践，我觉得还是可以有的。
一个简单的方法就是减少直方图的数量，常规状态下我们直方图有256个元素，因为基于局部直方图的算法基本都是一些统计类算法，是大面积像素的统计信息，所以最终的结果其实也是个统计结果。那么我们压缩直方图的量级，只要压缩量合理，最后的结果可能差异不是很大。
我们可以把直方图压缩为128等级、64等级、32等级，更小的等级可能信息损失量过大，当压缩时，对应的直方图统计工作不会减少，可能计算量还会稍微有点增加，如下面的代码所示：
for (int Y = 0; Y < Height; Y++)
{
if (Y == 0) // 第一行的列直方图,要重头计算
{
for (int K = -Radius; K <= Radius; K++)
{
unsigned char *LinePS = Src + ColOffset[K + Radius] * Stride;
for (int X = -Radius; X < Width + Radius; X++)
{
ColHist[(X + Radius) * HistAmount + (LinePS[RowOffset[X + Radius]] >> Shift)]++;
}
}
}
else // 其他行的列直方图，更新就可以了
{
unsigned char *LinePS = Src + ColOffset[Y - 1] * Stride;
for (int X = -Radius; X < Width + Radius; X++) // 删除移出范围内的那一行的直方图数据
{
ColHist[(X + Radius) * HistAmount + (LinePS[RowOffset[X + Radius]] >> Shift)]--;
}
LinePS = Src + ColOffset[Y + Radius + Radius] * Stride;
for (int X = -Radius; X < Width + Radius; X++) // 增加进入范围内的那一行的直方图数据
{
ColHist[(X + Radius) * HistAmount + (LinePS[RowOffset[X + Radius]] >> Shift)]++;
}
}
.........
}
很明显，每个像素点都有右移Shift的计算，这个计算是凭空增加的，幸好，移位的计算量很小。
这个直方图更新的耗时的轻微增加，换来的是后续，累计直方图统计的数据量的集聚变小，以及计算过程的集聚下降，如下代码所示：
for (int X = 0; X < Width; X++)
{
if (X == 0)
{
for (int K = -Radius; K <= Radius; K++) // 行第一个像素，需要重新计算
HistgramAddShort_PureC(ColHist + (K + Radius) * HistAmount, Hist, Shift);
}
else
{
HistgramSubAddShort_PureC(ColHist + (RowOffset[X - 1] + Radius) * HistAmount, ColHist + (RowOffset[X + Radius + Radius] + Radius) * HistAmount, Hist, Shift); // 行内其他像素，依次删除和增加就可以了
}
IM_Calc_SB_PureC(Hist, Intensity + HistAmount - 1 - (LinePS[X] >> Shift), LinePD + X, Shift);
}
HistgramAddShort_PureC和HistgramSubAddShort_PureC里的计算量随着移位量的增加而变少，IM_Calc_SB_PureC里的计算量也同步变少。
我们用一副1920*1080的灰度图做测试，以表明模糊为例，当不压缩实现时，平均耗时276ms，压缩到128等级时，用时160ms，64等级时，用时95ms，32等级时，用时51ms。
原始图像 256级表面模糊 128级表面模糊
64级表面模糊 32级表面模糊 16级表面模糊
可见，对于表面模糊，甚至16级的效果都是可以接受的。
对于选择性模糊、局部熵等算法，也是同样的道理。
上面的几个算法，其结果值都是某个权重累加值除以权重，其中间结果其实是个浮点数，因此，等级量化后对结果不是影响很大。
对于中值模糊，情况又有所不同，因为中值是将直方图分为细分直方图和粗分直方图，而最终得到的结果是一个整形值，这个时候如果我们降低直方图的色阶精度，得到的结果可能会存在一定的瑕疵，特别是用在比较平滑的区域内，像素信息比较少，这个时候可以看到有较为明显的过渡色阶。比如我们把色阶调整为64阶，那么细分则有64个元素，粗分有8个元素，这个时候算法的速度大概能提高一倍，不过效果会有一定差异，实际使用时这个差异是否在容许的范围，就要看具体的应用了。
比如1920*1080的灰度图，正常C语言满色阶中值模糊大概要200ms，如果调整为64色阶，大概在100ms实现。对于普通信息比较丰满的图，他们的效果差异也不大，如下图所示：
原图 256色阶中值 64色阶中值
如果图像含有大面的看似纯色的部分，则两者就有一定的区别了。
原图 256色阶中值 64色阶中值
明显看到64色阶的中值里有很多halo现象。
所以具体的如何优化以及是否值得优化还要看具体的算法需求和应用场景。