优先使用OpenCV的cv::cvtColor，因其自动调度最优SIMD实现；手写SIMD仅适用于定制系数或嵌入式场景，需注意内存对齐、指令限制及余数处理。
灰度化公式选 cv::cvtColor 还是手写 SIMD？
直接用 OpenCV 的 cv::cvtColor 通常比自己写 SSE/AVX 更快——它内部已针对不同 CPU 自动 dispatch 最优实现，还做了内存对齐、循环展开和多通道融合优化。手写 SIMD 只在两种情况下值得：需要定制灰度系数（比如非标准的 0.299*R + 0.587*G + 0.114*B），或嵌入式环境无法链接 OpenCV。
SSE 实现时必须对齐输入内存
用 _mm_load_ps 或 _mm_load_si128 读取数据前，源地址必须 16 字节对齐，否则触发 EXCEPTION_ILLEGAL_INSTRUCTION（Windows）或 SIGBUS（Linux）。常见错误是直接用 new uint8_t[width * height * 3] 分配内存，它只保证 8 字节对齐。
- 改用
_mm_malloc(width * height * 3, 16)分配，对应用_mm_free()释放 - 若只能用普通指针，改用
_mm_loadu_si128（带 u 表示 unaligned），但性能下降约 15–20% - RGB 三通道连续布局下，每行起始地址对齐后，后续每 16 字节可安全 load 4 个像素的 R/G/B 值（需分通道处理）
AVX2 处理 RGB 转灰度的典型陷阱
AVX2 没有原生 8-bit 整数乘法指令，_mm256_mullo_epi8 不存在；强行用 _mm256_mullo_epi16 需先将 uint8 扩展为 uint16，否则高位截断导致结果全黑。
- 正确做法：用
_mm256_cvtepu8_epi16将 32 字节 RGB 数据扩展成两个 16-byte 的__m128i，再分别乘系数后相加 - 系数要用
_mm_set1_epi16(77)这类常量向量，别用标量乘法混入循环 - 最后用
_mm256_packus_epi16截断回 uint8，并注意 pack 顺序：低 128 位先填满目标寄存器 - 输出灰度图时，AVX2 一次写 32 字节，但目标缓冲区也得 32 字节对齐，否则
_mm256_store_si256同样崩溃
OpenMP + SIMD 混合并行容易忽略的边界
图像宽高往往不是 16 或 32 的整数倍，SIMD 循环末尾必然剩几个像素。如果只用 #pragma omp parallel for 包裹整个 for 循环，而没处理余数，结果会出现“最后一列错位”或“灰度值突变”。
立即学习“C++免费学习笔记（深入）”；
- 对每行单独处理：外层 OpenMP 并行行索引，内层 SIMD 处理该行像素，余数用标量补足
- 避免在 SIMD 区域里调用
std::min或分支判断——CPU 会退化为标量路径，拖慢整体速度 - 编译时加
-O2 -mavx2 -mpopcnt（GCC/Clang），MSVC 用/arch:AVX2，否则编译器可能不生成向量化代码
真正卡住性能的，往往是内存带宽而非计算本身。把 RGB 三通道分开读、灰度单通道写，比试图一次读 12 字节（R+G+B）再 shuffle，更容易被 CPU 预取器识别模式。这点比指令选型更难调试，也更常被忽略。
