cavans高斯模糊

1. 首先我们获得表示图片像素的数组，将这个数组复制到wasm内存，再调用wasm模块处理这些像素数据，处理完后js重新读取这块内存，并将处理过的图片画到canvas上。

// 被处理的图片
const srcImg =  document.getElementById('srcImg');
srcImg.onload = () => {
  // onload时将图片画到canvas上，以获得像素数据
  const { clientWidth = 0, clientHeight = 0 } = srcImg;

  var canvas = document.getElementById("drawerCanvas");
  canvas.width = clientWidth;
  canvas.height = clientHeight;
  var ctx = canvas.getContext("2d");
  ctx.drawImage(srcImg, 0, 0, clientWidth, clientHeight);

  // 获得像素数据
  const imageData = ctx.getImageData(0, 0, clientWidth, clientHeight);

  // 处理数据
  const resImageData = wasmProcess(imageData, clientWidth, clientHeight);

  // 将处理后的图片数据画到canvas上
  ctx.putImageData(resImageData, 0, 0);
}
// 将js的typedarray复制到wasm的堆内存
function copyToHeap(typedArray) {
  const numBytes = typedArray.byteLength;
  const ptr = Module._malloc(numBytes);
  const heapBytes = new Uint8Array(Module.HEAPU8.buffer, ptr, numBytes);
  heapBytes.set(new Uint8Array(typedArray.buffer));
  return heapBytes;
}
// 释放一块wasm内存
function freeHeap(heapBytes) {
  Module._free(heapBytes.byteOffset);
}
// 图片处理的函数
function wasmProcess(imgData, width, height) {
  const heapBytes = copyToHeap(imgData.data);
  // 调用c++暴露的方法。其中heapBytes.byteoffset传递的是wasm内存中数组的指针
  Module.ccall(
    'easyBlur',
    'number',
    ['number', 'number', 'number', 'number', 'number'],
    [heapBytes.byteOffset, width, height, 3, 3]
  );
  // 从wasm内存读取出处理后的数据
  const newData = new Uint8ClampedArray(heapBytes);
  // 释放wasm内存
  freeHeap(heapBytes);
  const newImageData = new ImageData(newData, width, height);
  return newImageData;
}

2. 简单的高斯模糊算法实现
   这里取最简单的滤波器，即矩阵所有项都相等的滤波器。要使得滤波器的各项和为1，则每一项的值为1 / (cw*ch).

如一个3*3的滤波器为 [0.11, 0.11, 0.11, 0.11, 0.11, 0.11, 0.11, 0.11, 0.11].我们可以简单地通过改变cw和ch来调整模糊的强度，cw和ch越大，扩散程度越大，则模糊强度也越大。

另外我们需要观察ctx.getImageData()得到的数组格式：获得的data是一个一维数组，按照从从左到右，从上到下的顺序记录了图片每个像素的值。其中每4个值为一组，分别代表同一个像素的r, g, b, a四个通道的数值。我们模糊时对每个通道进行单独处理。

#include <cstdint>
#include <cmath>

// 卷积操作，传入imageData像素数组的指针，imageData宽高，滤波器及滤波器宽高。
void conv(uint8_t *ptr, int width, int height, float* filter, int cw, int ch) {
  for (int i = ch / 2; i < height - ceil((float)ch / 2) + 1; i++) {
    for (int j = cw / 2; j < width - ceil((float)cw / 2) + 1; j++) {
      // rgba取前3个通道进行处理
      for (int k = 0; k < 3; k++) {
        float sum = 0;
        int count = 0;
        for (int x = -ch / 2; x < ceil((float)ch / 2); x++) {
          for (int y = -cw / 2; y < ceil((float)cw / 2); y++) {
            sum += filter[count] * (float)ptr[((i+x)*width+(y+j))*4+k];
            count++;
          }
        }
        ptr[(i*width+j)*4+k] = (uint8_t)sum;
      }
    }
  }
}

#ifdef __cplusplus
extern "C"
{
#endif

  // 供js调用的函数，传入像素数组的指针，宽高，以及滤波器的宽高
  // 这里为了简单，默认滤波器矩阵每一项的值相同，即1/(cw*ch)。
  void easyBlur(uint8_t *ptr, int width, int height, int cw = 3, int ch = 3) {
    float* filter = new float[cw * ch];
    float value = 1 / (float)(cw * ch);
    for (int i = 0; i < cw * ch; i++) {
      filter[i] = value;
    }
    conv(ptr, width, height, filter, cw, ch);
    delete [] filter;
  }

#ifdef __cplusplus
}
#endif

使用js以相同的方法重新实现了一次，发现在图片较小时js处理的耗时更短，而图片较大时wasm虽然速度快于js，但处理的时间也非常长，是不能忍受的。

问题的原因很可能是：

• js调用C时有一定的执行代价
• 将数据在js内存和wasm内存之间复制消耗大量的时间，影响性能。 所以这种数据量非常大的场景下，wasm虽然优化了计算的时间，但因为传递的的时间大大增加，反而成为了性能的瓶颈。

另外，对于前端来说，自己实现相关的处理算法，性能远不如线上一些库优化得好。这里有更多前端可用的图片处理库可以参考。