这是有关程序的摘录。矩阵img[][]的大小为size×size，并初始化为：
img[j][i]=2*j+i
然后，制作一个矩阵res[][]，这里的每个字段都是img矩阵中9个字段的平均值。为了简单起见，边框保留为0。
for(i=1;i<SIZE-1;i++)
for(j=1;j<SIZE-1;j++) {
res[j][i]=0;
for(k=-1;k<2;k++)
for(l=-1;l<2;l++)
res[j][i] += img[j+l][i+k];
res[j][i] /= 9;
}
这就是节目的全部内容。为了完整起见，下面是前面的内容。后面没有代码。正如您所看到的，这只是初始化。
#define SIZE 8192
float img[SIZE][SIZE]; // input image
float res[SIZE][SIZE]; //result of mean filter
int i,j,k,l;
for(i=0;i<SIZE;i++)
for(j=0;j<SIZE;j++)
img[j][i] = (2*j+i)%8196;
基本上，当SIZE是2048的倍数时，该程序速度较慢，例如执行时间：
SIZE = 8191: 3.44 secs
SIZE = 8192: 7.20 secs
SIZE = 8193: 3.18 secs
编译器是GCC。据我所知，这是因为内存管理，但我对这个主题了解不多，这就是我问这个问题的原因。
另外，如何解决这个问题也很好，但如果有人能解释这些执行时间，我已经很高兴了。
我已经知道malloc/free，但问题不在于使用的内存量，而在于执行时间，所以我不知道这会有什么帮助。
这种差异是由以下相关问题中的相同超对齐问题引起的：
为什么转换512x512的矩阵比转换513x513的矩阵慢得多？矩阵乘法：矩阵大小差异小，定时差异大
但这只是因为代码还有一个问题。
从原始循环开始：
for(i=1;i<SIZE-1;i++)
for(j=1;j<SIZE-1;j++) {
res[j][i]=0;
for(k=-1;k<2;k++)
for(l=-1;l<2;l++)
res[j][i] += img[j+l][i+k];
res[j][i] /= 9;
}
首先注意，两个内部循环是微不足道的。它们可以按如下方式展开：
for(i=1;i<SIZE-1;i++) {
for(j=1;j<SIZE-1;j++) {
res[j][i]=0;
res[j][i] += img[j-1][i-1];
res[j][i] += img[j ][i-1];
res[j][i] += img[j+1][i-1];
res[j][i] += img[j-1][i ];
res[j][i] += img[j ][i ];
res[j][i] += img[j+1][i ];
res[j][i] += img[j-1][i+1];
res[j][i] += img[j ][i+1];
res[j][i] += img[j+1][i+1];
res[j][i] /= 9;
}
}
这就剩下了我们感兴趣的两个外循环。
现在我们可以看到这个问题是相同的：为什么在2D阵列上迭代时，循环的顺序会影响性能？
您正在按列而不是按行迭代矩阵。
要解决这个问题，您应该交换两个循环。
for(j=1;j<SIZE-1;j++) {
for(i=1;i<SIZE-1;i++) {
res[j][i]=0;
res[j][i] += img[j-1][i-1];
res[j][i] += img[j ][i-1];
res[j][i] += img[j+1][i-1];
res[j][i] += img[j-1][i ];
res[j][i] += img[j ][i ];
res[j][i] += img[j+1][i ];
res[j][i] += img[j-1][i+1];
res[j][i] += img[j ][i+1];
res[j][i] += img[j+1][i+1];
res[j][i] /= 9;
}
}
这完全消除了所有非顺序访问，因此您不再在2的大幂幂上获得随机减速。
核心i7 920@3.5 GHz
原始代码：
8191: 1.499 seconds
8192: 2.122 seconds
8193: 1.582 seconds
互换外环：
8191: 0.376 seconds
8192: 0.357 seconds
8193: 0.351 seconds
以下测试是用Visual C++编译器完成的，因为默认的Qt Creator安装使用了该编译器（我猜没有优化标志）。当使用GCC时，Mystic的版本和我的“优化”代码之间没有太大的区别。因此，结论是编译器优化比人类（最后是我）更好地照顾微观优化。我将剩下的答案留作参考。
这样处理图像效率不高。最好使用一维数组。处理所有像素是在一个循环中完成的。可以使用以下方法随机访问点：
pointer + (x + y*width)*(sizeOfOnePixel)
在这种特殊情况下，最好水平计算和缓存三个像素组的总和，因为每个像素组使用三次。
我做了一些测试，我认为值得分享。每个结果是五次测试的平均值。
用户1615209的原始代码：
8193: 4392 ms
8192: 9570 ms
神秘的版本：
8193: 2393 ms
8192: 2190 ms
使用1D阵列的两遍：第一遍用于水平求和，第二遍用于垂直求和和平均。具有三个指针的两遍寻址，仅递增如下：
imgPointer1 = &avg1[0][0];
imgPointer2 = &avg1[0][SIZE];
imgPointer3 = &avg1[0][SIZE+SIZE];
for(i=SIZE;i<totalSize-SIZE;i++){
resPointer[i]=(*(imgPointer1++)+*(imgPointer2++)+*(imgPointer3++))/9;
}
8193: 938 ms
8192: 974 ms
使用1D阵列和如下寻址的两遍：
for(i=SIZE;i<totalSize-SIZE;i++){
resPointer[i]=(hsumPointer[i-SIZE]+hsumPointer[i]+hsumPointer[i+SIZE])/9;
}
8193: 932 ms
8192: 925 ms
一次通过缓存仅向前一行水平求和，以便它们保留在缓存中：
// Horizontal sums for the first two lines
for(i=1;i<SIZE*2;i++){
hsumPointer[i]=imgPointer[i-1]+imgPointer[i]+imgPointer[i+1];
}
// Rest of the computation
for(;i<totalSize;i++){
// Compute horizontal sum for next line
hsumPointer[i]=imgPointer[i-1]+imgPointer[i]+imgPointer[i+1];
// Final result
resPointer[i-SIZE]=(hsumPointer[i-SIZE-SIZE]+hsumPointer[i-SIZE]+hsumPointer[i])/9;
}
8193: 599 ms
8192: 652 ms
结论：
使用多个指针没有好处，只使用增量（我认为这样会更快）缓存水平和比多次计算要好。两次传球不是三倍快，只是两次。使用单次传递和缓存中间结果可以实现3.6倍的速度
我相信有可能做得更好。
注释请注意，我写这个答案是为了解决一般性能问题，而不是Mystic的优秀答案中解释的缓存问题。一开始只是伪代码。我被要求在评论中做测试。。。这是一个完全重构的测试版本。
