问题诊断

在Camera2 API和MediaCodec中处理YUV420数据时，开发者常遇到三大性能瓶颈：

• CPU转换耗时：YUV转RGB的传统做法是通过Bitmap.createBitmap，实测在1080P分辨率下单帧处理需要15-20ms（骁龙855设备）
• 内存抖动：中间生成的byte[]和Bitmap对象导致GC频繁触发，Profile工具中可见内存锯齿状波动
• 带宽压力：NV21/I420的平面存储特性导致内存访问效率低下，ARM NEON指令集利用率不足50%

架构演进

对比三种主流方案的实际表现（测试设备：Pixel 4 XL）：

| 方案 | 1080P耗时(ms) | 内存峰值(MB) | 兼容性 | |---------------------|--------------|-------------|--------| | Bitmap.createBitmap | 18.2 | 42 | 高 | | OpenGL ES 3.0 | 5.7 | 28 | 中 | | RenderScript | 3.1 | 16 | 低 |

RenderScript胜出的关键在于：

1. 自动利用GPU/ISP异构计算资源
2. 类型化内存分配(Allocation)避免JNI层数据拷贝
3. 内置的脚本运行时优化

关键实现

零拷贝RenderScript管线

@WorkerThread
fun processYuvWithRS(context: Context, yuvData: ByteArray, width: Int, height: Int): Bitmap {
    val rs = RenderScript.create(context)
    val inputType = Type.Builder(rs, Element.U8(rs)).setX(yuvData.size)
    val inputAlloc = Allocation.createTyped(rs, inputType.create(), Allocation.USAGE_SCRIPT)
    inputAlloc.copyFrom(yuvData)

    val script = ScriptIntrinsicYuvToRGB.create(rs, Element.U8_4(rs))
    script.setInput(inputAlloc)

    val outputType = Type.Builder(rs, Element.RGBA_8888(rs)).apply {
        setX(width)
        setY(height)
    }
    val outputAlloc = Allocation.createTyped(rs, outputType.create(), Allocation.USAGE_SCRIPT)
    script.forEach(outputAlloc)

    val resultBitmap = Bitmap.createBitmap(width, height, Bitmap.Config.ARGB_8888)
    outputAlloc.copyTo(resultBitmap)

    rs.destroy() // 必须显式释放资源
    return resultBitmap
}

SurfaceView双缓冲配置

<SurfaceView
    android:layout_width="match_parent"
    android:layout_height="match_parent"
    android:hardwareAccelerated="true"
    android:surfaceType="pushBuffers" />

生产级优化

格式混淆问题定位

当出现绿色偏色时，按以下步骤排查：

1. 使用MediaCodec.getOutputFormat()确认COLOR_Format
2. 检查UV分量排列顺序：NV21是VU交替，I420是U/V平面分离
3. 验证YUV数据长度：
4. NV21：width × height × 1.5
5. I420：width × height × 1.5 + padding

STRIDE处理技巧

fun correctStride(data: ByteArray, width: Int, stride: Int): ByteArray {
    if (width == stride) return data

    val validWidthBytes = width * ImageFormat.getBitsPerPixel(ImageFormat.YUV_420_888) / 8
    return ByteArray(validWidthBytes * height).apply {
        for (row in 0 until height) {
            System.arraycopy(data, row * stride, this, row * width, width)
        }
    }
}

量化验证

优化前后的GPU渲染数据对比（adb shell dumpsys gfxinfo）：

| 指标 | 优化前 | 优化后 | |---------------|--------|--------| | Draw(ms) | 12.6 | 4.2 | | Prepare(ms) | 8.4 | 1.7 | | Process(ms) | 6.1 | 0.9 | | Execute(ms) | 5.3 | 1.5 | | JankCount | 23 | 2 |

延伸思考

本方案可进一步扩展至：

1. 结合MLKit实现实时人脸特征点检测
2. 移植到CameraX的ImageAnalysis用例
3. 与Vulkan管线对接实现8K视频处理

关键改进方向：

• 使用AHardwareBuffer实现跨进程共享
• 预编译RenderScript脚本提升初始化速度
• 动态分辨率适配策略