鸿蒙next应用实战开发：OpenGL操作GPU来提升模糊性能_writebuffertopixels abouttoappear-优快云博客

本文链接：https://blog.youkuaiyun.com/maniu110/article/details/140352486

现在市面上有很多 APP，都或多或少对图片有模糊上的设计，所以图片模糊效果到底怎么实现的呢？

首先，我们来了解下模糊效果的对比：

从视觉上，两张图片，有一张是模糊的，那么，在实现图片模糊效果之前，我们首先需要了解图片模糊的本质是什么？

在此介绍模糊本质之前，我们来了解下当前主流的两个移动端平台（Android 与 iOS）的实现。

对 Android 开发者而言，比较熟悉且完善的图片变换三方库以 glide-transformations 为样例，来看看它是基于什么实现的。

https://github.com/wasabeef/glide-transformations

Android 中有两种实现：

①FastBlur，根据 stackBlur 模糊算法来操作图片的像素点实现效果，但效率低，已过时。

②RenderScript，这个是 Google 官方提供的，用来在 Android 上编写一套高性能代码的语言，可以运行在 CPU 及其 GPU 上，效率较高。

而对 iOS 开发者而言，GPUImage 比较主流：

https://github.com/BradLarson/GPUImage/

我们可以在其中看到高斯模糊过滤器（GPUImageGaussianBlurFilter），它里面是根据 OpenGL 来实现，通过 GLSL 语言定义的着色器，操作 GPU 单元，达到模糊效果。

所以，我们可以看出，操作 GPU 来达到我们所需要的效果效率更高。因此我们在 OpenHarmony 上也能通过操作 GPU，来实现我们想要的高性能模糊效果。

回归正题，先来了解下模糊的本质是什么？

模糊的本质

模糊，可以理解为图片中的每个像素点都取其周边像素的平均值。

上图M点的像素点就是我们的焦点像素。周围 ABCDEFGH 都是 M 点（焦点）周围的像素点，那么根据模糊的概念：

我们根据像素点的 r、g、b 值，得到 M 点的像素点值，就这样，一个一个像素点的操作，中间点相当于失去视觉上的焦点，整个图片就产生模糊的效果。

但这样一边倒的方式，在模糊的效果上，达不到需求的，所以，我们就需要根据这个模糊的本质概念，去想想，加一些东西或者更改取平均值的规则，完成我们想要的效果。

故，高斯模糊，一个家喻户晓的名字，就出现在我们面前。

高斯模糊

高斯模糊，运用了正态分布函数，进行各个加权平均，正态分布函数如下：

其中参数：μ 为期望值，σ 为标准差，当 μ=0，σ=0 的时候，为标准的正态分布，其形状参考如下图：

可以看出：

其一，离中心点越近，分配的权重就越高。

这样我们在计算图片的焦点像素值时，将该点当作中心点，当作 1 的权重，其他周围的点，按照该正态分布的位置，去分配它的权重。

这样我们就可以根据该正态分布函数及其各个点的像素 ARGB 值，算出经过正态分布之后的像素 ARGB 值。

其二，离中心点越近，若是设置的模糊半径很小，代表其模糊的焦点周围的像素点离焦点的像素相差就不大，这样模糊的效果就清晰。

而模糊半径越大，其周围分布的像素色差就很大，这样的模糊效果就越模糊。

通过图片的宽高拿到每个像素点的数据，再根据这个正态分布公式，得到我们想要的像素点的 ARGB 值，之后将处理过的像素点重新写入到图片中，就能实现我们想要的图片模糊效果。

实现流程

根据上面的阐述，就可以梳理出在 OpenHarmony 中的具体的实现流程：

获取整张图片的像素点数据
循环图片的宽高，获取每个像素点的焦点
在上述循环里，根据焦点按照正态分布公式进行加权平均，算出各个焦点周围新的像素值
将各个像素点写入图片

关键依赖 OpenHarmony 系统基础能力如下：

第一、获取图片的像素点，系统有提供一次性获取整张图片的像素点数据。

其接口如下：

readPixelsToBuffer(dst: ArrayBuffer): Promise<void>;
readPixelsToBuffer(dst: ArrayBuffer, callback: AsyncCallback<void>): void;

可以看出，系统将获取到像素点数据 ARGB 值，存储到 ArrayBuffer 中去。

第二、循环获取每个像素点，将其 x、y 点的像素点当作焦点。

for (y = 0; y < imageHeight; y++) {
  for (x = 0; x < imageWidth; x++) {
        //......   获取当前的像素焦点x、y
  }
}

第三、循环获取焦点周围的像素点（以焦点为原点，以设置的模糊半径为半径）。

for ( let m = centPointY-radius; m < centPointY+radius; m++) {
  for ( let n = centPointX-radius; n < centPointX+radius; n++) {
     //......
     this.calculatedByNormality(...); //正态分布公式化处理像素点
     //......
  }
}

第四、将各个图片的像素数据写入图片中。系统有提供一次性写入像素点，其接口如下。

writeBufferToPixels(src: ArrayBuffer): Promise<void>;

writeBufferToPixels(src: ArrayBuffer, callback: AsyncCallback<void>): void;

通过上面的流程，我们可以在 OpenHarmony 系统下，获取到经过正态分布公式处理的像素点，至此图片模糊效果已经实现。

但是，经过测试发现，这个方式实现模糊化的过程，很耗时，达不到我们的性能要求。

若是一张很大的图片，就单单宽高循环来看，比如 1920*1080 宽高的图片就要循环 2,073,600 次，非常耗时且对设备的 CPU 也有非常大的消耗，因此我们还需要对其进行性能优化。

模糊性能优化思路

如上面所诉，考虑到 OpenHarmony 的环境的特点及其系统提供的能力，可以考虑如下几个方面进行优化：

第一：参照社区已有成熟的图片模糊算法处理，如（Android 的 FastBlur）。

第二：C 层性能要比 JS 层更好，将像素点的数据处理，通过 NAPI 机制，将其放入 C 层处理。如：将其循环获取焦点及其通过正态分布公式处理的都放到 C 层中处理。

第三：基于系统底层提供的 OpenGL，操作顶点着色器及片元着色器操作 GPU，得到我们要的模糊效果。

首先，我们来根据 Android 中的 FastBlur 模糊化处理，参照其实现原理进行在基于 OpenHarmony 系统下实现的代码如下：

let imageInfo = await bitmap.getImageInfo();
let size = {
  width: imageInfo.size.width,
  height: imageInfo.size.height
}

if (!size) {
  func(new Error("fastBlur The image size does not exist."), null)
  return;
}

let w = size.width;
let h = size.height;
var pixEntry: Array<PixelEntry> = new Array()
var pix: Array<number> = new Array()


let bufferData = new ArrayBuffer(bitmap.getPixelBytesNumber());
await bitmap.readPixelsToBuffer(bufferData);
let dataArray = new Uint8Array(bufferData);

for (let index = 0; index < dataArray.length; index+=4) {
  const r = dataArray[index];
  const g = dataArray[index+1];
  const b = dataArray[index+2];
 const f = dataArray[index+3];

  let entry = new PixelEntry();
  entry.a = 0;
  entry.b = b;
  entry.g = g;
  entry.r = r;
  entry.f = f;
  entry.pixel = ColorUtils.rgb(entry.r, entry.g, entry.b);
  pixEntry.push(entry);
  pix.push(ColorUtils.rgb(entry.r, entry.g, entry.b));
}

let wm = w - 1;
let hm = h - 1;
let wh = w * h;
let div = radius + radius + 1;

let r = CalculatePixelUtils.createIntArray(wh);
let g = CalculatePixelUtils.createIntArray(wh);
let b = CalculatePixelUtils.createIntArray(wh);

let rsum, gsum, bsum, x, y, i, p, yp, yi, yw: number;
let vmin = CalculatePixelUtils.createIntArray(Math.max(w, h));

let divsum = (div + 1) >> 1;
divsum *= divsum;
let dv = CalculatePixelUtils.createIntArray(256 * divsum);
for (i = 0; i < 256 * divsum; i++) {
  dv[i] = (i / divsum);
}
yw = yi = 0;
let stack = CalculatePixelUtils.createInt2DArray(div, 3);
let stackpointer, stackstart, rbs, routsum, goutsum, boutsum, rinsum, ginsum, binsum: number;
let sir: Array<number>;
let r1 = radius + 1;
for (y = 0; y < h; y++) {
  rinsum = ginsum = binsum = routsum = goutsum = boutsum = rsum = gsum = bsum = 0;
  for (i = -radius; i <= radius; i++) {
    p = pix[yi + Math.min(wm, Math.max(i, 0))];
    sir = stack[i + radius];
    sir[0] = (p & 0xff0000) >> 16;
    sir[1] = (p & 0x00ff00) >> 8;
    sir[2] = (p & 0x0000ff);
    rbs = r1 - Math.abs(i);
    rsum += sir[0] * rbs;
    gsum += sir[1] * rbs;
    bsum += sir[2] * rbs;
    if (i > 0) {
      rinsum += sir[0];
      ginsum += sir[1];
      binsum += sir[2];
    } else {
  routsum += sir[0];
      goutsum += sir[1];
      boutsum += sir[2];
    }
  }
  stackpointer = radius;

  for (x = 0; x < w; x++) {

    r[yi] = dv[rsum];
    g[yi] = dv[gsum];
    b[yi] = dv[bsum];

    rsum -= routsum;
    gsum -= goutsum;
    bsum -= boutsum;

    stackstart = stackpointer - radius + div;
    sir = stack[stackstart % div];

    routsum -= sir[0];
    goutsum -= sir[1];
    boutsum -= sir[2];

    if (y == 0) {
      vmin[x] = Math.min(x + radius + 1, wm);
    }
    p = pix[yw + vmin[x]];

    sir[0] = (p & 0xff0000)