Оптимизация RGB->YUV

[Kukurudza]

Вот такая простая задачка как перевод картинки из RGB в YUV формат.
Начальный вариант был в "лоб" и на картинке 1280 на 1024 работал в среднем 26мс. После развертки циклов и перехода к целочисленным операциям вариант стал работать гораздо быстрее - около 5мс, что уже вполне не плохо.
Хотелось бы еще быстрее с помощью SSE
Может для кого-то это будет быстро, сможет помочь или натолкнуть на статью где все прозрачно, с ASM работал только в универе около 4 лет назад.

void RGBtoYUV::CovertRGBtoYUV(unsigned char* rgbData) {
	int R, G, B;
	int U, V;

	unsigned char* rPtr0 = rgbData;
	unsigned char* rPtr1 = rgbData+resX*3;

	unsigned char* wPtr0 = yData;
	unsigned char* wPtr1 = yData+resX;

	unsigned char* uPtr = uData;
	unsigned char* vPtr = vData;

	for (int j = 0; j < resY; j += 2) {
		for (int i = 0; i < resX; i += 2) {
			R = *rPtr0++;
			G = *rPtr0++;
			B = *rPtr0++;

			*wPtr0++ = ((  66 * R + 129 * G +  25 * B + 128) >> 8) + 16;
			U		 = (  -38 * R -  74 * G + 112 * B + 128);
			V		 = (  112 * R -  94 * G -  18 * B + 128);

			R = *rPtr0++;
			G = *rPtr0++;
			B = *rPtr0++;

			*wPtr0++ = ((  66 * R + 129 * G +  25 * B + 128) >> 8) + 16;
			U		+= (  -38 * R -  74 * G + 112 * B + 128);
			V		+= (  112 * R -  94 * G -  18 * B + 128);

			R = *rPtr1++;
			G = *rPtr1++;
			B = *rPtr1++;

			*wPtr1++ = ((  66 * R + 129 * G +  25 * B + 128) >> 8) + 16;
			U		+= (  -38 * R -  74 * G + 112 * B + 128);
			V		+= (  112 * R -  94 * G -  18 * B + 128);

			R = *rPtr1++;
			G = *rPtr1++;
			B = *rPtr1++;

			*wPtr1++ = ((  66 * R + 129 * G +  25 * B + 128) >> 8) + 16;
			U		+= (  -38 * R -  74 * G + 112 * B + 128);
			V		+= (  112 * R -  94 * G -  18 * B + 128);

			U >>= 8;
			V >>= 8;
			U += 512;
			V += 512;

			*uPtr++ = U >> 2;
			*vPtr++ = V >> 2;
		}
		rPtr0 += resX*3;
		rPtr1 += resX*3;

		wPtr0 += resX;
		wPtr1 += resX;
	}
}

Я понимаю что цель оптимизации эти и подобные строки:

			*wPtr0++ = ((  66 * R + 129 * G +  25 * B + 128) >> 8) + 16;
			U		 = (  -38 * R -  74 * G + 112 * B + 128);
			V		 = (  112 * R -  94 * G -  18 * B + 128);

где явно выделяются два вектора, которые можно поместить в xmm регистры. это {66, 129, 25, 128} и {R, G, B, 1}, например для первой строки. Но как сделать не знаю.

[f.hump]

для таких вещей (переход из одного цветового пространства в другое) стоит видеокарту использовать. матрицу перобразования задали и пусть видеокарта считает, для размеров 1280х1024 выигрыш возможно будет и не сильно большой (если будет вообще), но с ростом размера видеокарта будет доминировать.
можно и на SSE сделать, думаю пригодятся PUNPCKHBW/PUNPCKLBW, PMULLW, PHADDSW.

[Kukurudza]

а как сделать следующее:

int a[4] = {1,2,3,4};
int b[4] = {5,6,7,8};
a[0]*b[0] + a[1]*b[1] + a[2]*b[2] + a[3]*b[3];

умножение векторов так: PMULLW
а вот как сложить еще? вроде есть такая команда?
или как сложить все числа внутри xmm регистра?