git.sesse.net Git - ffmpeg/blob - libswscale/x86/input.asm

   1 ;******************************************************************************
   2 ;* x86-optimized input routines; does shuffling of packed
   3 ;* YUV formats into individual planes, and converts RGB
   4 ;* into YUV planes also.
   5 ;* Copyright (c) 2012 Ronald S. Bultje <rsbultje@gmail.com>
   6 ;*
   7 ;* This file is part of Libav.
   8 ;*
   9 ;* Libav is free software; you can redistribute it and/or
  10 ;* modify it under the terms of the GNU Lesser General Public
  11 ;* License as published by the Free Software Foundation; either
  12 ;* version 2.1 of the License, or (at your option) any later version.
  13 ;*
  14 ;* Libav is distributed in the hope that it will be useful,
  15 ;* but WITHOUT ANY WARRANTY; without even the implied warranty of
  16 ;* MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
  17 ;* Lesser General Public License for more details.
  18 ;*
  19 ;* You should have received a copy of the GNU Lesser General Public
  20 ;* License along with Libav; if not, write to the Free Software
  21 ;* Foundation, Inc., 51 Franklin Street, Fifth Floor, Boston, MA 02110-1301 USA
  22 ;******************************************************************************
  23
  24 %include "x86inc.asm"
  25 %include "x86util.asm"
  26
  27 SECTION_RODATA
  28
  29 %define RY 0x20DE
  30 %define GY 0x4087
  31 %define BY 0x0C88
  32 %define RU 0xECFF
  33 %define GU 0xDAC8
  34 %define BU 0x3838
  35 %define RV 0x3838
  36 %define GV 0xD0E3
  37 %define BV 0xF6E4
  38
  39 rgb_Yrnd:        times 4 dd 0x80100        ;  16.5 << 15
  40 rgb_UVrnd:       times 4 dd 0x400100       ; 128.5 << 15
  41 bgr_Ycoeff_12x4: times 2 dw BY, GY, 0, BY
  42 bgr_Ycoeff_3x56: times 2 dw RY, 0, GY, RY
  43 rgb_Ycoeff_12x4: times 2 dw RY, GY, 0, RY
  44 rgb_Ycoeff_3x56: times 2 dw BY, 0, GY, BY
  45 bgr_Ucoeff_12x4: times 2 dw BU, GU, 0, BU
  46 bgr_Ucoeff_3x56: times 2 dw RU, 0, GU, RU
  47 rgb_Ucoeff_12x4: times 2 dw RU, GU, 0, RU
  48 rgb_Ucoeff_3x56: times 2 dw BU, 0, GU, BU
  49 bgr_Vcoeff_12x4: times 2 dw BV, GV, 0, BV
  50 bgr_Vcoeff_3x56: times 2 dw RV, 0, GV, RV
  51 rgb_Vcoeff_12x4: times 2 dw RV, GV, 0, RV
  52 rgb_Vcoeff_3x56: times 2 dw BV, 0, GV, BV
  53
  54 rgba_Ycoeff_rb:  times 4 dw RY, BY
  55 rgba_Ycoeff_br:  times 4 dw BY, RY
  56 rgba_Ycoeff_ga:  times 4 dw GY, 0
  57 rgba_Ycoeff_ag:  times 4 dw 0,  GY
  58 rgba_Ucoeff_rb:  times 4 dw RU, BU
  59 rgba_Ucoeff_br:  times 4 dw BU, RU
  60 rgba_Ucoeff_ga:  times 4 dw GU, 0
  61 rgba_Ucoeff_ag:  times 4 dw 0,  GU
  62 rgba_Vcoeff_rb:  times 4 dw RV, BV
  63 rgba_Vcoeff_br:  times 4 dw BV, RV
  64 rgba_Vcoeff_ga:  times 4 dw GV, 0
  65 rgba_Vcoeff_ag:  times 4 dw 0,  GV
  66
  67 shuf_rgb_12x4:   db 0, 0x80, 1, 0x80,  2, 0x80,  3, 0x80, \
  68                     6, 0x80, 7, 0x80,  8, 0x80,  9, 0x80
  69 shuf_rgb_3x56:   db 2, 0x80, 3, 0x80,  4, 0x80,  5, 0x80, \
  70                     8, 0x80, 9, 0x80, 10, 0x80, 11, 0x80
  71
  72 SECTION .text
  73
  74 ;-----------------------------------------------------------------------------
  75 ; RGB to Y/UV.
  76 ;
  77 ; void <fmt>ToY_<opt>(uint8_t *dst, const uint8_t *src, int w);
  78 ; and
  79 ; void <fmt>toUV_<opt>(uint8_t *dstU, uint8_t *dstV, const uint8_t *src,
  80 ;                      const uint8_t *unused, int w);
  81 ;-----------------------------------------------------------------------------
  82
  83 ; %1 = nr. of XMM registers
  84 ; %2 = rgb or bgr
  85 %macro RGB24_TO_Y_FN 2-3
  86 cglobal %2 %+ 24ToY, 6, 6, %1, dst, src, u1, u2, w, u3
  87 %if mmsize == 8
  88     mova           m5, [%2_Ycoeff_12x4]
  89     mova           m6, [%2_Ycoeff_3x56]
  90 %define coeff1 m5
  91 %define coeff2 m6
  92 %elif ARCH_X86_64
  93     mova           m8, [%2_Ycoeff_12x4]
  94     mova           m9, [%2_Ycoeff_3x56]
  95 %define coeff1 m8
  96 %define coeff2 m9
  97 %else ; x86-32 && mmsize == 16
  98 %define coeff1 [%2_Ycoeff_12x4]
  99 %define coeff2 [%2_Ycoeff_3x56]
 100 %endif ; x86-32/64 && mmsize == 8/16
 101 %if (ARCH_X86_64 || mmsize == 8) && %0 == 3
 102     jmp mangle(program_name %+ _ %+ %3 %+ 24ToY %+ SUFFIX).body
 103 %else ; (ARCH_X86_64 && %0 == 3) || mmsize == 8
 104 .body:
 105 %if cpuflag(ssse3)
 106     mova           m7, [shuf_rgb_12x4]
 107 %define shuf_rgb1 m7
 108 %if ARCH_X86_64
 109     mova          m10, [shuf_rgb_3x56]
 110 %define shuf_rgb2 m10
 111 %else ; x86-32
 112 %define shuf_rgb2 [shuf_rgb_3x56]
 113 %endif ; x86-32/64
 114 %endif ; cpuflag(ssse3)
 115 %if ARCH_X86_64
 116     movsxd         wq, wd
 117 %endif
 118     add            wq, wq
 119     add          dstq, wq
 120     neg            wq
 121 %if notcpuflag(ssse3)
 122     pxor           m7, m7
 123 %endif ; !cpuflag(ssse3)
 124     mova           m4, [rgb_Yrnd]
 125 .loop:
 126 %if cpuflag(ssse3)
 127     movu           m0, [srcq+0]           ; (byte) { Bx, Gx, Rx }[0-3]
 128     movu           m2, [srcq+12]          ; (byte) { Bx, Gx, Rx }[4-7]
 129     pshufb         m1, m0, shuf_rgb2      ; (word) { R0, B1, G1, R1, R2, B3, G3, R3 }
 130     pshufb         m0, shuf_rgb1          ; (word) { B0, G0, R0, B1, B2, G2, R2, B3 }
 131     pshufb         m3, m2, shuf_rgb2      ; (word) { R4, B5, G5, R5, R6, B7, G7, R7 }
 132     pshufb         m2, shuf_rgb1          ; (word) { B4, G4, R4, B5, B6, G6, R6, B7 }
 133 %else ; !cpuflag(ssse3)
 134     movd           m0, [srcq+0]           ; (byte) { B0, G0, R0, B1 }
 135     movd           m1, [srcq+2]           ; (byte) { R0, B1, G1, R1 }
 136     movd           m2, [srcq+6]           ; (byte) { B2, G2, R2, B3 }
 137     movd           m3, [srcq+8]           ; (byte) { R2, B3, G3, R3 }
 138 %if mmsize == 16 ; i.e. sse2
 139     punpckldq      m0, m2                 ; (byte) { B0, G0, R0, B1, B2, G2, R2, B3 }
 140     punpckldq      m1, m3                 ; (byte) { R0, B1, G1, R1, R2, B3, G3, R3 }
 141     movd           m2, [srcq+12]          ; (byte) { B4, G4, R4, B5 }
 142     movd           m3, [srcq+14]          ; (byte) { R4, B5, G5, R5 }
 143     movd           m5, [srcq+18]          ; (byte) { B6, G6, R6, B7 }
 144     movd           m6, [srcq+20]          ; (byte) { R6, B7, G7, R7 }
 145     punpckldq      m2, m5                 ; (byte) { B4, G4, R4, B5, B6, G6, R6, B7 }
 146     punpckldq      m3, m6                 ; (byte) { R4, B5, G5, R5, R6, B7, G7, R7 }
 147 %endif ; mmsize == 16
 148     punpcklbw      m0, m7                 ; (word) { B0, G0, R0, B1, B2, G2, R2, B3 }
 149     punpcklbw      m1, m7                 ; (word) { R0, B1, G1, R1, R2, B3, G3, R3 }
 150     punpcklbw      m2, m7                 ; (word) { B4, G4, R4, B5, B6, G6, R6, B7 }
 151     punpcklbw      m3, m7                 ; (word) { R4, B5, G5, R5, R6, B7, G7, R7 }
 152 %endif ; cpuflag(ssse3)
 153     add          srcq, 3 * mmsize / 2
 154     pmaddwd        m0, coeff1             ; (dword) { B0*BY + G0*GY, B1*BY, B2*BY + G2*GY, B3*BY }
 155     pmaddwd        m1, coeff2             ; (dword) { R0*RY, G1+GY + R1*RY, R2*RY, G3+GY + R3*RY }
 156     pmaddwd        m2, coeff1             ; (dword) { B4*BY + G4*GY, B5*BY, B6*BY + G6*GY, B7*BY }
 157     pmaddwd        m3, coeff2             ; (dword) { R4*RY, G5+GY + R5*RY, R6*RY, G7+GY + R7*RY }
 158     paddd          m0, m1                 ; (dword) { Bx*BY + Gx*GY + Rx*RY }[0-3]
 159     paddd          m2, m3                 ; (dword) { Bx*BY + Gx*GY + Rx*RY }[4-7]
 160     paddd          m0, m4                 ; += rgb_Yrnd, i.e. (dword) { Y[0-3] }
 161     paddd          m2, m4                 ; += rgb_Yrnd, i.e. (dword) { Y[4-7] }
 162     psrad          m0, 9
 163     psrad          m2, 9
 164     packssdw       m0, m2                 ; (word) { Y[0-7] }
 165     mova    [dstq+wq], m0
 166     add            wq, mmsize
 167     jl .loop
 168     REP_RET
 169 %endif ; (ARCH_X86_64 && %0 == 3) || mmsize == 8
 170 %endmacro
 171
 172 ; %1 = nr. of XMM registers
 173 ; %2 = rgb or bgr
 174 %macro RGB24_TO_UV_FN 2-3
 175 cglobal %2 %+ 24ToUV, 7, 7, %1, dstU, dstV, u1, src, u2, w, u3
 176 %if ARCH_X86_64
 177     mova           m8, [%2_Ucoeff_12x4]
 178     mova           m9, [%2_Ucoeff_3x56]
 179     mova          m10, [%2_Vcoeff_12x4]
 180     mova          m11, [%2_Vcoeff_3x56]
 181 %define coeffU1 m8
 182 %define coeffU2 m9
 183 %define coeffV1 m10
 184 %define coeffV2 m11
 185 %else ; x86-32
 186 %define coeffU1 [%2_Ucoeff_12x4]
 187 %define coeffU2 [%2_Ucoeff_3x56]
 188 %define coeffV1 [%2_Vcoeff_12x4]
 189 %define coeffV2 [%2_Vcoeff_3x56]
 190 %endif ; x86-32/64
 191 %if ARCH_X86_64 && %0 == 3
 192     jmp mangle(program_name %+ _ %+ %3 %+ 24ToUV %+ SUFFIX).body
 193 %else ; ARCH_X86_64 && %0 == 3
 194 .body:
 195 %if cpuflag(ssse3)
 196     mova           m7, [shuf_rgb_12x4]
 197 %define shuf_rgb1 m7
 198 %if ARCH_X86_64
 199     mova          m12, [shuf_rgb_3x56]
 200 %define shuf_rgb2 m12
 201 %else ; x86-32
 202 %define shuf_rgb2 [shuf_rgb_3x56]
 203 %endif ; x86-32/64
 204 %endif ; cpuflag(ssse3)
 205 %if ARCH_X86_64
 206     movsxd         wq, dword r5m
 207 %else ; x86-32
 208     mov            wq, r5m
 209 %endif
 210     add            wq, wq
 211     add         dstUq, wq
 212     add         dstVq, wq
 213     neg            wq
 214     mova           m6, [rgb_UVrnd]
 215 %if notcpuflag(ssse3)
 216     pxor           m7, m7
 217 %endif
 218 .loop:
 219 %if cpuflag(ssse3)
 220     movu           m0, [srcq+0]           ; (byte) { Bx, Gx, Rx }[0-3]
 221     movu           m4, [srcq+12]          ; (byte) { Bx, Gx, Rx }[4-7]
 222     pshufb         m1, m0, shuf_rgb2      ; (word) { R0, B1, G1, R1, R2, B3, G3, R3 }
 223     pshufb         m0, shuf_rgb1          ; (word) { B0, G0, R0, B1, B2, G2, R2, B3 }
 224 %else ; !cpuflag(ssse3)
 225     movd           m0, [srcq+0]           ; (byte) { B0, G0, R0, B1 }
 226     movd           m1, [srcq+2]           ; (byte) { R0, B1, G1, R1 }
 227     movd           m4, [srcq+6]           ; (byte) { B2, G2, R2, B3 }
 228     movd           m5, [srcq+8]           ; (byte) { R2, B3, G3, R3 }
 229 %if mmsize == 16
 230     punpckldq      m0, m4                 ; (byte) { B0, G0, R0, B1, B2, G2, R2, B3 }
 231     punpckldq      m1, m5                 ; (byte) { R0, B1, G1, R1, R2, B3, G3, R3 }
 232     movd           m4, [srcq+12]          ; (byte) { B4, G4, R4, B5 }
 233     movd           m5, [srcq+14]          ; (byte) { R4, B5, G5, R5 }
 234 %endif ; mmsize == 16
 235     punpcklbw      m0, m7                 ; (word) { B0, G0, R0, B1, B2, G2, R2, B3 }
 236     punpcklbw      m1, m7                 ; (word) { R0, B1, G1, R1, R2, B3, G3, R3 }
 237 %endif ; cpuflag(ssse3)
 238     pmaddwd        m2, m0, coeffV1        ; (dword) { B0*BV + G0*GV, B1*BV, B2*BV + G2*GV, B3*BV }
 239     pmaddwd        m3, m1, coeffV2        ; (dword) { R0*BV, G1*GV + R1*BV, R2*BV, G3*GV + R3*BV }
 240     pmaddwd        m0, coeffU1            ; (dword) { B0*BU + G0*GU, B1*BU, B2*BU + G2*GU, B3*BU }
 241     pmaddwd        m1, coeffU2            ; (dword) { R0*BU, G1*GU + R1*BU, R2*BU, G3*GU + R3*BU }
 242     paddd          m0, m1                 ; (dword) { Bx*BU + Gx*GU + Rx*RU }[0-3]
 243     paddd          m2, m3                 ; (dword) { Bx*BV + Gx*GV + Rx*RV }[0-3]
 244 %if cpuflag(ssse3)
 245     pshufb         m5, m4, shuf_rgb2      ; (word) { R4, B5, G5, R5, R6, B7, G7, R7 }
 246     pshufb         m4, shuf_rgb1          ; (word) { B4, G4, R4, B5, B6, G6, R6, B7 }
 247 %else ; !cpuflag(ssse3)
 248 %if mmsize == 16
 249     movd           m1, [srcq+18]          ; (byte) { B6, G6, R6, B7 }
 250     movd           m3, [srcq+20]          ; (byte) { R6, B7, G7, R7 }
 251     punpckldq      m4, m1                 ; (byte) { B4, G4, R4, B5, B6, G6, R6, B7 }
 252     punpckldq      m5, m3                 ; (byte) { R4, B5, G5, R5, R6, B7, G7, R7 }
 253 %endif ; mmsize == 16 && !cpuflag(ssse3)
 254     punpcklbw      m4, m7                 ; (word) { B4, G4, R4, B5, B6, G6, R6, B7 }
 255     punpcklbw      m5, m7                 ; (word) { R4, B5, G5, R5, R6, B7, G7, R7 }
 256 %endif ; cpuflag(ssse3)
 257     add          srcq, 3 * mmsize / 2
 258     pmaddwd        m1, m4, coeffU1        ; (dword) { B4*BU + G4*GU, B5*BU, B6*BU + G6*GU, B7*BU }
 259     pmaddwd        m3, m5, coeffU2        ; (dword) { R4*BU, G5*GU + R5*BU, R6*BU, G7*GU + R7*BU }
 260     pmaddwd        m4, coeffV1            ; (dword) { B4*BV + G4*GV, B5*BV, B6*BV + G6*GV, B7*BV }
 261     pmaddwd        m5, coeffV2            ; (dword) { R4*BV, G5*GV + R5*BV, R6*BV, G7*GV + R7*BV }
 262     paddd          m1, m3                 ; (dword) { Bx*BU + Gx*GU + Rx*RU }[4-7]
 263     paddd          m4, m5                 ; (dword) { Bx*BV + Gx*GV + Rx*RV }[4-7]
 264     paddd          m0, m6                 ; += rgb_UVrnd, i.e. (dword) { U[0-3] }
 265     paddd          m2, m6                 ; += rgb_UVrnd, i.e. (dword) { V[0-3] }
 266     paddd          m1, m6                 ; += rgb_UVrnd, i.e. (dword) { U[4-7] }
 267     paddd          m4, m6                 ; += rgb_UVrnd, i.e. (dword) { V[4-7] }
 268     psrad          m0, 9
 269     psrad          m2, 9
 270     psrad          m1, 9
 271     psrad          m4, 9
 272     packssdw       m0, m1                 ; (word) { U[0-7] }
 273     packssdw       m2, m4                 ; (word) { V[0-7] }
 274 %if mmsize == 8
 275     mova   [dstUq+wq], m0
 276     mova   [dstVq+wq], m2
 277 %else ; mmsize == 16
 278     mova   [dstUq+wq], m0
 279     mova   [dstVq+wq], m2
 280 %endif ; mmsize == 8/16
 281     add            wq, mmsize
 282     jl .loop
 283     REP_RET
 284 %endif ; ARCH_X86_64 && %0 == 3
 285 %endmacro
 286
 287 ; %1 = nr. of XMM registers for rgb-to-Y func
 288 ; %2 = nr. of XMM registers for rgb-to-UV func
 289 %macro RGB24_FUNCS 2
 290 RGB24_TO_Y_FN %1, rgb
 291 RGB24_TO_Y_FN %1, bgr, rgb
 292 RGB24_TO_UV_FN %2, rgb
 293 RGB24_TO_UV_FN %2, bgr, rgb
 294 %endmacro
 295
 296 %if ARCH_X86_32
 297 INIT_MMX mmx
 298 RGB24_FUNCS 0, 0
 299 %endif
 300
 301 INIT_XMM sse2
 302 RGB24_FUNCS 10, 12
 303
 304 INIT_XMM ssse3
 305 RGB24_FUNCS 11, 13
 306
 307 %if HAVE_AVX
 308 INIT_XMM avx
 309 RGB24_FUNCS 11, 13
 310 %endif
 311
 312 ; %1 = nr. of XMM registers
 313 ; %2-5 = rgba, bgra, argb or abgr (in individual characters)
 314 %macro RGB32_TO_Y_FN 5-6
 315 cglobal %2%3%4%5 %+ ToY, 6, 6, %1, dst, src, u1, u2, w, u3
 316     mova           m5, [rgba_Ycoeff_%2%4]
 317     mova           m6, [rgba_Ycoeff_%3%5]
 318 %if %0 == 6
 319     jmp mangle(program_name %+ _ %+ %6 %+ ToY %+ SUFFIX).body
 320 %else ; %0 == 6
 321 .body:
 322 %if ARCH_X86_64
 323     movsxd         wq, wd
 324 %endif
 325     lea          srcq, [srcq+wq*4]
 326     add            wq, wq
 327     add          dstq, wq
 328     neg            wq
 329     mova           m4, [rgb_Yrnd]
 330     pcmpeqb        m7, m7
 331     psrlw          m7, 8                  ; (word) { 0x00ff } x4
 332 .loop:
 333     ; FIXME check alignment and use mova
 334     movu           m0, [srcq+wq*2+0]      ; (byte) { Bx, Gx, Rx, xx }[0-3]
 335     movu           m2, [srcq+wq*2+mmsize] ; (byte) { Bx, Gx, Rx, xx }[4-7]
 336     DEINTB          1,  0,  3,  2,  7     ; (word) { Gx, xx (m0/m2) or Bx, Rx (m1/m3) }[0-3]/[4-7]
 337     pmaddwd        m1, m5                 ; (dword) { Bx*BY + Rx*RY }[0-3]
 338     pmaddwd        m0, m6                 ; (dword) { Gx*GY }[0-3]
 339     pmaddwd        m3, m5                 ; (dword) { Bx*BY + Rx*RY }[4-7]
 340     pmaddwd        m2, m6                 ; (dword) { Gx*GY }[4-7]
 341     paddd          m0, m4                 ; += rgb_Yrnd
 342     paddd          m2, m4                 ; += rgb_Yrnd
 343     paddd          m0, m1                 ; (dword) { Y[0-3] }
 344     paddd          m2, m3                 ; (dword) { Y[4-7] }
 345     psrad          m0, 9
 346     psrad          m2, 9
 347     packssdw       m0, m2                 ; (word) { Y[0-7] }
 348     mova    [dstq+wq], m0
 349     add            wq, mmsize
 350     jl .loop
 351     REP_RET
 352 %endif ; %0 == 3
 353 %endmacro
 354
 355 ; %1 = nr. of XMM registers
 356 ; %2-5 = rgba, bgra, argb or abgr (in individual characters)
 357 %macro RGB32_TO_UV_FN 5-6
 358 cglobal %2%3%4%5 %+ ToUV, 7, 7, %1, dstU, dstV, u1, src, u2, w, u3
 359 %if ARCH_X86_64
 360     mova           m8, [rgba_Ucoeff_%2%4]
 361     mova           m9, [rgba_Ucoeff_%3%5]
 362     mova          m10, [rgba_Vcoeff_%2%4]
 363     mova          m11, [rgba_Vcoeff_%3%5]
 364 %define coeffU1 m8
 365 %define coeffU2 m9
 366 %define coeffV1 m10
 367 %define coeffV2 m11
 368 %else ; x86-32
 369 %define coeffU1 [rgba_Ucoeff_%2%4]
 370 %define coeffU2 [rgba_Ucoeff_%3%5]
 371 %define coeffV1 [rgba_Vcoeff_%2%4]
 372 %define coeffV2 [rgba_Vcoeff_%3%5]
 373 %endif ; x86-64/32
 374 %if ARCH_X86_64 && %0 == 6
 375     jmp mangle(program_name %+ _ %+ %6 %+ ToUV %+ SUFFIX).body
 376 %else ; ARCH_X86_64 && %0 == 6
 377 .body:
 378 %if ARCH_X86_64
 379     movsxd         wq, dword r5m
 380 %else ; x86-32
 381     mov            wq, r5m
 382 %endif
 383     add            wq, wq
 384     add         dstUq, wq
 385     add         dstVq, wq
 386     lea          srcq, [srcq+wq*2]
 387     neg            wq
 388     pcmpeqb        m7, m7
 389     psrlw          m7, 8                  ; (word) { 0x00ff } x4
 390     mova           m6, [rgb_UVrnd]
 391 .loop:
 392     ; FIXME check alignment and use mova
 393     movu           m0, [srcq+wq*2+0]      ; (byte) { Bx, Gx, Rx, xx }[0-3]
 394     movu           m4, [srcq+wq*2+mmsize] ; (byte) { Bx, Gx, Rx, xx }[4-7]
 395     DEINTB          1,  0,  5,  4,  7     ; (word) { Gx, xx (m0/m4) or Bx, Rx (m1/m5) }[0-3]/[4-7]
 396     pmaddwd        m3, m1, coeffV1        ; (dword) { Bx*BV + Rx*RV }[0-3]
 397     pmaddwd        m2, m0, coeffV2        ; (dword) { Gx*GV }[0-3]
 398     pmaddwd        m1, coeffU1            ; (dword) { Bx*BU + Rx*RU }[0-3]
 399     pmaddwd        m0, coeffU2            ; (dword) { Gx*GU }[0-3]
 400     paddd          m3, m6                 ; += rgb_UVrnd
 401     paddd          m1, m6                 ; += rgb_UVrnd
 402     paddd          m2, m3                 ; (dword) { V[0-3] }
 403     paddd          m0, m1                 ; (dword) { U[0-3] }
 404     pmaddwd        m3, m5, coeffV1        ; (dword) { Bx*BV + Rx*RV }[4-7]
 405     pmaddwd        m1, m4, coeffV2        ; (dword) { Gx*GV }[4-7]
 406     pmaddwd        m5, coeffU1            ; (dword) { Bx*BU + Rx*RU }[4-7]
 407     pmaddwd        m4, coeffU2            ; (dword) { Gx*GU }[4-7]
 408     paddd          m3, m6                 ; += rgb_UVrnd
 409     paddd          m5, m6                 ; += rgb_UVrnd
 410     psrad          m0, 9
 411     paddd          m1, m3                 ; (dword) { V[4-7] }
 412     paddd          m4, m5                 ; (dword) { U[4-7] }
 413     psrad          m2, 9
 414     psrad          m4, 9
 415     psrad          m1, 9
 416     packssdw       m0, m4                 ; (word) { U[0-7] }
 417     packssdw       m2, m1                 ; (word) { V[0-7] }
 418 %if mmsize == 8
 419     mova   [dstUq+wq], m0
 420     mova   [dstVq+wq], m2
 421 %else ; mmsize == 16
 422     mova   [dstUq+wq], m0
 423     mova   [dstVq+wq], m2
 424 %endif ; mmsize == 8/16
 425     add            wq, mmsize
 426     jl .loop
 427     REP_RET
 428 %endif ; ARCH_X86_64 && %0 == 3
 429 %endmacro
 430
 431 ; %1 = nr. of XMM registers for rgb-to-Y func
 432 ; %2 = nr. of XMM registers for rgb-to-UV func
 433 %macro RGB32_FUNCS 2
 434 RGB32_TO_Y_FN %1, r, g, b, a
 435 RGB32_TO_Y_FN %1, b, g, r, a, rgba
 436 RGB32_TO_Y_FN %1, a, r, g, b, rgba
 437 RGB32_TO_Y_FN %1, a, b, g, r, rgba
 438
 439 RGB32_TO_UV_FN %2, r, g, b, a
 440 RGB32_TO_UV_FN %2, b, g, r, a, rgba
 441 RGB32_TO_UV_FN %2, a, r, g, b, rgba
 442 RGB32_TO_UV_FN %2, a, b, g, r, rgba
 443 %endmacro
 444
 445 %if ARCH_X86_32
 446 INIT_MMX mmx
 447 RGB32_FUNCS 0, 0
 448 %endif
 449
 450 INIT_XMM sse2
 451 RGB32_FUNCS 8, 12
 452
 453 %if HAVE_AVX
 454 INIT_XMM avx
 455 RGB32_FUNCS 8, 12
 456 %endif
 457
 458 ;-----------------------------------------------------------------------------
 459 ; YUYV/UYVY/NV12/NV21 packed pixel shuffling.
 460 ;
 461 ; void <fmt>ToY_<opt>(uint8_t *dst, const uint8_t *src, int w);
 462 ; and
 463 ; void <fmt>toUV_<opt>(uint8_t *dstU, uint8_t *dstV, const uint8_t *src,
 464 ;                      const uint8_t *unused, int w);
 465 ;-----------------------------------------------------------------------------
 466
 467 ; %1 = a (aligned) or u (unaligned)
 468 ; %2 = yuyv or uyvy
 469 %macro LOOP_YUYV_TO_Y 2
 470 .loop_%1:
 471     mov%1          m0, [srcq+wq*2]        ; (byte) { Y0, U0, Y1, V0, ... }
 472     mov%1          m1, [srcq+wq*2+mmsize] ; (byte) { Y8, U4, Y9, V4, ... }
 473 %ifidn %2, yuyv
 474     pand           m0, m2                 ; (word) { Y0, Y1, ..., Y7 }
 475     pand           m1, m2                 ; (word) { Y8, Y9, ..., Y15 }
 476 %else ; uyvy
 477     psrlw          m0, 8                  ; (word) { Y0, Y1, ..., Y7 }
 478     psrlw          m1, 8                  ; (word) { Y8, Y9, ..., Y15 }
 479 %endif ; yuyv/uyvy
 480     packuswb       m0, m1                 ; (byte) { Y0, ..., Y15 }
 481     mova    [dstq+wq], m0
 482     add            wq, mmsize
 483     jl .loop_%1
 484     REP_RET
 485 %endmacro
 486
 487 ; %1 = nr. of XMM registers
 488 ; %2 = yuyv or uyvy
 489 ; %3 = if specified, it means that unaligned and aligned code in loop
 490 ;      will be the same (i.e. YUYV+AVX), and thus we don't need to
 491 ;      split the loop in an aligned and unaligned case
 492 %macro YUYV_TO_Y_FN 2-3
 493 cglobal %2ToY, 5, 5, %1, dst, unused0, unused1, src, w
 494 %if ARCH_X86_64
 495     movsxd         wq, wd
 496 %endif
 497     add          dstq, wq
 498 %if mmsize == 16
 499     test         srcq, 15
 500 %endif
 501     lea          srcq, [srcq+wq*2]
 502 %ifidn %2, yuyv
 503     pcmpeqb        m2, m2                 ; (byte) { 0xff } x 16
 504     psrlw          m2, 8                  ; (word) { 0x00ff } x 8
 505 %endif ; yuyv
 506 %if mmsize == 16
 507     jnz .loop_u_start
 508     neg            wq
 509     LOOP_YUYV_TO_Y  a, %2
 510 .loop_u_start:
 511     neg            wq
 512     LOOP_YUYV_TO_Y  u, %2
 513 %else ; mmsize == 8
 514     neg            wq
 515     LOOP_YUYV_TO_Y  a, %2
 516 %endif ; mmsize == 8/16
 517 %endmacro
 518
 519 ; %1 = a (aligned) or u (unaligned)
 520 ; %2 = yuyv or uyvy
 521 %macro LOOP_YUYV_TO_UV 2
 522 .loop_%1:
 523 %ifidn %2, yuyv
 524     mov%1          m0, [srcq+wq*4]        ; (byte) { Y0, U0, Y1, V0, ... }
 525     mov%1          m1, [srcq+wq*4+mmsize] ; (byte) { Y8, U4, Y9, V4, ... }
 526     psrlw          m0, 8                  ; (word) { U0, V0, ..., U3, V3 }
 527     psrlw          m1, 8                  ; (word) { U4, V4, ..., U7, V7 }
 528 %else ; uyvy
 529 %if cpuflag(avx)
 530     vpand          m0, m2, [srcq+wq*4]        ; (word) { U0, V0, ..., U3, V3 }
 531     vpand          m1, m2, [srcq+wq*4+mmsize] ; (word) { U4, V4, ..., U7, V7 }
 532 %else
 533     mov%1          m0, [srcq+wq*4]        ; (byte) { Y0, U0, Y1, V0, ... }
 534     mov%1          m1, [srcq+wq*4+mmsize] ; (byte) { Y8, U4, Y9, V4, ... }
 535     pand           m0, m2                 ; (word) { U0, V0, ..., U3, V3 }
 536     pand           m1, m2                 ; (word) { U4, V4, ..., U7, V7 }
 537 %endif
 538 %endif ; yuyv/uyvy
 539     packuswb       m0, m1                 ; (byte) { U0, V0, ..., U7, V7 }
 540     pand           m1, m0, m2             ; (word) { U0, U1, ..., U7 }
 541     psrlw          m0, 8                  ; (word) { V0, V1, ..., V7 }
 542 %if mmsize == 16
 543     packuswb       m1, m0                 ; (byte) { U0, ... U7, V1, ... V7 }
 544     movh   [dstUq+wq], m1
 545     movhps [dstVq+wq], m1
 546 %else ; mmsize == 8
 547     packuswb       m1, m1                 ; (byte) { U0, ... U3 }
 548     packuswb       m0, m0                 ; (byte) { V0, ... V3 }
 549     movh   [dstUq+wq], m1
 550     movh   [dstVq+wq], m0
 551 %endif ; mmsize == 8/16
 552     add            wq, mmsize / 2
 553     jl .loop_%1
 554     REP_RET
 555 %endmacro
 556
 557 ; %1 = nr. of XMM registers
 558 ; %2 = yuyv or uyvy
 559 ; %3 = if specified, it means that unaligned and aligned code in loop
 560 ;      will be the same (i.e. UYVY+AVX), and thus we don't need to
 561 ;      split the loop in an aligned and unaligned case
 562 %macro YUYV_TO_UV_FN 2-3
 563 cglobal %2ToUV, 4, 5, %1, dstU, dstV, unused, src, w
 564 %if ARCH_X86_64
 565     movsxd         wq, dword r5m
 566 %else ; x86-32
 567     mov            wq, r5m
 568 %endif
 569     add         dstUq, wq
 570     add         dstVq, wq
 571 %if mmsize == 16 && %0 == 2
 572     test         srcq, 15
 573 %endif
 574     lea          srcq, [srcq+wq*4]
 575     pcmpeqb        m2, m2                 ; (byte) { 0xff } x 16
 576     psrlw          m2, 8                  ; (word) { 0x00ff } x 8
 577     ; NOTE: if uyvy+avx, u/a are identical
 578 %if mmsize == 16 && %0 == 2
 579     jnz .loop_u_start
 580     neg            wq
 581     LOOP_YUYV_TO_UV a, %2
 582 .loop_u_start:
 583     neg            wq
 584     LOOP_YUYV_TO_UV u, %2
 585 %else ; mmsize == 8
 586     neg            wq
 587     LOOP_YUYV_TO_UV a, %2
 588 %endif ; mmsize == 8/16
 589 %endmacro
 590
 591 ; %1 = a (aligned) or u (unaligned)
 592 ; %2 = nv12 or nv21
 593 %macro LOOP_NVXX_TO_UV 2
 594 .loop_%1:
 595     mov%1          m0, [srcq+wq*2]        ; (byte) { U0, V0, U1, V1, ... }
 596     mov%1          m1, [srcq+wq*2+mmsize] ; (byte) { U8, V8, U9, V9, ... }
 597     pand           m2, m0, m5             ; (word) { U0, U1, ..., U7 }
 598     pand           m3, m1, m5             ; (word) { U8, U9, ..., U15 }
 599     psrlw          m0, 8                  ; (word) { V0, V1, ..., V7 }
 600     psrlw          m1, 8                  ; (word) { V8, V9, ..., V15 }
 601     packuswb       m2, m3                 ; (byte) { U0, ..., U15 }
 602     packuswb       m0, m1                 ; (byte) { V0, ..., V15 }
 603 %ifidn %2, nv12
 604     mova   [dstUq+wq], m2
 605     mova   [dstVq+wq], m0
 606 %else ; nv21
 607     mova   [dstVq+wq], m2
 608     mova   [dstUq+wq], m0
 609 %endif ; nv12/21
 610     add            wq, mmsize
 611     jl .loop_%1
 612     REP_RET
 613 %endmacro
 614
 615 ; %1 = nr. of XMM registers
 616 ; %2 = nv12 or nv21
 617 %macro NVXX_TO_UV_FN 2
 618 cglobal %2ToUV, 4, 5, %1, dstU, dstV, unused, src, w
 619 %if ARCH_X86_64
 620     movsxd         wq, dword r5m
 621 %else ; x86-32
 622     mov            wq, r5m
 623 %endif
 624     add         dstUq, wq
 625     add         dstVq, wq
 626 %if mmsize == 16
 627     test         srcq, 15
 628 %endif
 629     lea          srcq, [srcq+wq*2]
 630     pcmpeqb        m5, m5                 ; (byte) { 0xff } x 16
 631     psrlw          m5, 8                  ; (word) { 0x00ff } x 8
 632 %if mmsize == 16
 633     jnz .loop_u_start
 634     neg            wq
 635     LOOP_NVXX_TO_UV a, %2
 636 .loop_u_start:
 637     neg            wq
 638     LOOP_NVXX_TO_UV u, %2
 639 %else ; mmsize == 8
 640     neg            wq
 641     LOOP_NVXX_TO_UV a, %2
 642 %endif ; mmsize == 8/16
 643 %endmacro
 644
 645 %if ARCH_X86_32
 646 INIT_MMX mmx
 647 YUYV_TO_Y_FN  0, yuyv
 648 YUYV_TO_Y_FN  0, uyvy
 649 YUYV_TO_UV_FN 0, yuyv
 650 YUYV_TO_UV_FN 0, uyvy
 651 NVXX_TO_UV_FN 0, nv12
 652 NVXX_TO_UV_FN 0, nv21
 653 %endif
 654
 655 INIT_XMM sse2
 656 YUYV_TO_Y_FN  3, yuyv
 657 YUYV_TO_Y_FN  2, uyvy
 658 YUYV_TO_UV_FN 3, yuyv
 659 YUYV_TO_UV_FN 3, uyvy
 660 NVXX_TO_UV_FN 5, nv12
 661 NVXX_TO_UV_FN 5, nv21
 662
 663 %if HAVE_AVX
 664 INIT_XMM avx
 665 ; in theory, we could write a yuy2-to-y using vpand (i.e. AVX), but
 666 ; that's not faster in practice
 667 YUYV_TO_UV_FN 3, yuyv
 668 YUYV_TO_UV_FN 3, uyvy, 1
 669 NVXX_TO_UV_FN 5, nv12
 670 NVXX_TO_UV_FN 5, nv21
 671 %endif