Simd库v6.1.147版本发布：新增LAB色彩空间转换与BMP格式支持

项目概述

Simd是一个高性能的图像处理和计算机视觉库，专注于利用现代CPU的SIMD（单指令多数据流）指令集来实现算法加速。该库支持多种处理器架构，包括SSE4.1、AVX2、AVX-512BW和NEON等，为开发者提供了高效的图像处理基础功能。

版本核心更新

1. LAB色彩空间转换功能

v6.1.147版本引入了BgrToLab函数，实现了从BGR色彩空间到LAB色彩空间的转换。LAB色彩空间是一种基于人类视觉感知的色彩模型，由三个分量组成：

• L：亮度分量（Lightness）
• A：红绿色度分量
• B：黄蓝色度分量

该功能提供了以下优化实现：

• 基础实现（通用CPU）
• SSE4.1指令集优化
• AVX2指令集优化
• AVX-512BW指令集优化

同时，新版本还在Simd::View和Simd::Frame中增加了对LAB24像素格式的支持，使开发者能够更方便地处理LAB色彩空间的图像数据。

2. BMP图像格式支持

本次更新为Simd库增加了对BMP（位图）文件格式的完整支持：

图像保存功能

• 新增ImageBmpSaver类
• 支持基础实现、SSE4.1、AVX2、AVX-512BW和NEON优化
• 通过SimdImageSaveToMemory函数提供BMP格式保存能力

图像加载功能

• 新增ImageBmpLoader类
• 同样支持多种指令集优化
• 通过SimdImageLoadFromMemory函数提供BMP格式加载能力

BMP格式是一种常见的无损图像格式，新增的支持使得Simd库能够处理更广泛的图像文件类型。

3. 神经网络计算优化

在神经网络计算方面，本次更新主要针对AMX-BF16（高级矩阵扩展-脑浮点16）指令集进行了多项优化：

1. SynetConvolution16bNhwcGemm类优化

   • 改进了NHWC布局下的卷积运算
   • 提升了矩阵乘法运算效率

2. SynetConvolution16bNhwcDirect类优化

   • 优化了直接卷积实现
   • 提高了特定场景下的计算性能

3. SynetInnerProduct16bGemmNN类优化

   • 改进了全连接层计算
   • 提升了神经网络推理速度

问题修复

v6.1.147版本修复了多个关键问题：

1. AVX-512BW优化中的SynetConvolution32fNhwcDepthwise类错误

   • 修正了深度卷积运算中的实现缺陷

2. AMX-BF16优化中的多个问题

   • 修复了SynetConvolution16bNchwGemm类的实现错误
   • 修正了SynetMergedConvolution16bCdc类中3x3深度卷积微内核的问题

3. 基础实现和多种指令集优化中的SynetInnerProduct16bGemmNN类错误

   • 确保了全连接层计算的正确性

Python接口更新

为方便Python开发者使用，本次更新同步扩展了Python接口功能：

1. 新增枚举值

   • Simd.PixelFormat中添加Lab24
   • Simd.FrameFormat中添加Lab24
   • Simd.ImageFile中添加Bmp

2. 新增函数

   • 封装了SimdBgrToLab函数
   • 提供Simd.BgrToLab方法

这些更新使得Python开发者能够方便地调用新的LAB色彩空间转换功能和BMP格式支持。

测试框架增强

为确保新功能的可靠性，测试框架增加了对BgrToLab函数的验证测试，包括：

• 功能正确性测试
• 性能基准测试
• 跨平台一致性测试

技术意义与应用价值

Simd库v6.1.147版本的更新为图像处理领域带来了多项重要改进：

1. LAB色彩空间支持使得开发者能够实现更符合人类视觉感知的图像处理算法，特别适用于：

   • 色彩校正
   • 图像分割
   • 计算机视觉中的特征提取

2. BMP格式支持扩展了库的文件处理能力，使其能够：

   • 读取更多来源的图像数据
   • 生成广泛兼容的输出格式
   • 简化与其他系统的集成

3. 神经网络计算的持续优化表明Simd库在AI推理加速领域的投入，为：

   • 边缘计算设备
   • 实时视频分析
   • 嵌入式视觉系统

提供了更高效的底层支持。

这些更新共同提升了Simd库在图像处理和计算机视觉应用中的实用性和性能表现，为开发者构建高效视觉系统提供了更强大的工具集。