一、SIMD 原理：单指令多数据

使用者痛点：在高分辨率图像处理时传统标量循环往往导致 CPU 利用率低、帧率卡顿，尤其在移动设备上更为明显。

传统 CPU 标量运算一次处理一个数：

标量加法：
ADD r1,r2 → 结果：1 个字节

SIMD一次处理多个数：

SIMD 加法：
VADD v1.16b,v2.16b。v3.16b → 结果：16 个字节

Apple Silicon的 NEON 单元规格：

图像处理中的意义：一张 1920×1080 RGBA 图约有 8 MB 数据。SIMD 每次处理 16 字节，理论上比标量快 5‑6 倍；考虑内存带宽和流水线效率，实测约提高 3‑4 倍。

Apple 的 Accelerate 框架把这些 SIMD 指令封装成高层 API，开发者无需写汇编。

二、vImage_Buffer：主要数据结构

使用者痛点：手动管理图像缓冲区常导致越界、对齐错误还有频繁的内存拷贝，调试成本高。

// vImage_Buffer 的 Swift 定义
struct vImage_Buffer {
var data: UnsafeMutableRawPointer?怎么说呢，// 指向像素数据的指针
var height: vImagePixelCount // 图像高度
var width: vImagePixelCount // 图像宽度
var rowBytes: Int // 每行的字节数
}

rowBytes 不等于 width × bytesPerPixel 的原因：

• NEON 要求内存按 16 字节对齐。
• 每行末尾可能有 padding，以满足对齐要求。
• vImage 会自动跳过这些 padding，无需手动修正。

M​LBitmap → vImage_Buffer 零拷贝示例

extension MLBitmap {
func withVImageBuffer throws -> T) rethrows -> T {
// MLBitmap.pixels 是连续的。直接用指针包装，零拷贝
return try pixels.withUnsafeMutableBytes { ptr in
var buffer = vImage_Buffer(
说到data，ptr.baseAddress!height: vImagePixelCount,width: vImagePixelCount。
rowBytes: width * MemoryLayout.size // 紧凑布局
)
return try body
}
}
}

三、vImageBoxConvolve_ARGB8888：Box Filter 的 SIMD 实现

使用者痛点：实现均值模糊时普通双层循环 O 随核大小指数增长，在实时预览或视频流处理中根本不可接受。

Box Filter是最简单的平滑操作：把每个像素替换为邻域内所有像素的均值。

┌───┬───┬───┐
│ │ │ │
├───┼───┼───┤
│ │ X │ │ ← 核中心 X
├───┼───┼───┤
│ │ │ │
└───┴───┴───┘

The implementation leverages an integral image 。making complexity independent of kernel size:

• 朴素实现： 每个像素 → 访问 k×k 邻域 → O
• SIMD + 积分图实现：  每个像素 → 一次查表 → O，与 k 无关。其实，

Dart 调用方式示例

func applyBoxBlur {
// kernelSize 必须是奇数。否则自动纠正为最近的奇数
let k =?kernelSize + 1 : kernelSize
bitmap.withVImageBuffer { src in
// 为输出准备同等大小的临时缓冲区
var tempPixels =
tempPixels.withUnsafeMutableBytes { dstPtr in
var dst = vImage_Buffer(
再看data，dstPtr.baseAddress!height: vImagePixelCount,width: vImagePixelCount,rowBytes: bitmap.width * MemoryLayout.size * 4 // ARGB8888 四通道
)
// 边缘采用镜像填充 kvImageEdgeExtend
vImageBoxConvolve_ARGB8888(&src,&dst,nil,UInt,UInt,k,k,nil。vImage_Flags)
}
bitmap.pixels = tempPixels // 替换原始数据为模糊结果
}
}

四、Box Filter ≈ 高斯——中心极限定理的实际使用

User Pain Point： 想要高斯模糊却受限于计算资源时经常只能降低半径或切换到低质量算法，导致画面失真。

A single Box Filter corresponds to a uniform distribution. 连续执行 N 次 Box Filter**会逐渐逼近正态分布**——即高斯核。老实说，

均匀分布 n 次卷积 → 趋近于正态分布
Box × Box × …× Box ≈ 高斯核 /12))
误差 <1% 

复杂度对比表