[db:标题]
摘要：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
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。