图像存储中行字节对齐

• 缘起，今天在做从NNIE推理网络得到的结果blob（NCHW）数据地址进行数据提取时，涉及到了数据对齐，才发现搞了这么久的图像算法，竟然连图像在内存中实际存储过程中是(一般4，nnie为16)字节对齐的都没有意识到（补：因为opencv Mat是不对齐的，只是低版本的Iplimage是对齐的）。做了个调查，受教了。下面是转载文章，作者通过代码分析的很明白。此外笔者对卷积输出的四维blob与全连接输入的一维vector进行内存对齐的分析。

• 转载地址

• 背景：以前都是使用opencv的Mat类型进行图像数据的操作，后面碰到函数对图像数据的输入类型为BYTE*，碰到图像复原显示后出现图像的扭曲或者重影。图像四字节对齐是如果图像宽不是4的倍数，那么低版本的opencv（iplimage）(其实大部分其他库也一样)会对每行数据进行填充(为了加快存储和读取，计算机读取数据以4字节为单位)，使其填充为4的倍数，所以在获取每行图像首地址时的偏移量是widthstep(一定是4的倍数)而不一定是width(当width是4的倍数时，widthstep=width)。**对齐后的width称之为跨度（stride）**例如，
  3*3的未填充图像
  1 2 3
  4 5 6
  7 8 9
  那么填充后为
  1 2 3 @
  4 5 6 @
  7 8 9 @

• 番外：

  • 图像在caffe或NNIE中特征提取时是按照NCHW顺序进行内存存储的，按照最低维W需要对齐的原则，需要在W的基础上将stride（图像跨度）对齐到指定字节的倍数，那么对于卷积的输出blob 数据同样是基于W维对齐的，这在将blob数据读到一维指针指向的数据是应该注意。
  • 同理，除神经网络卷积输出NCHW数据需要对齐外，全连接输出的vector也是对齐的，且对应NCHW各维度的分别为1x1x1xsize，注意数据是在W上，并不是在channel 维上（这一点可以通过可视化神经网络各层输出的shape来验证），并且在W维度上依旧是指定字节对齐的，只不过此时对齐后的存储对一维数据的访问是没有影响的。例如fc层输出127char 型数据，按照16字节对齐会对齐到跨度为128，但数据只在这个最后维度上。