Оптимизация Armv8 Ассемблер

Здравствуйте, я сделал свою первую реализацию на ассемблере на Raspberry Pi 3. Я хотел бы спросить вас, как я могу улучшить алгоритм. Что он в основном должен сделать, это:
в массиве 320×240 uint8_t он анализирует каждую точку и создает из нее две битовые маски. Битовые маски создаются путем сравнения центральной точки с такими округлыми пикселями на окружности с радиусом 3. Если пиксель на этой окружности меньше, то центр минус пороговое значение, маска regLO получает 1, иначе 0. Если пиксель на этом круге больше, чем центр плюс пороговое значение, regHI получает 1, иначе 0. После каждого сравнения и regHi, и regLO сдвигаются на единицу. Так что в итоге мы получим битовую маску с более низкими и более высокими пикселями.
Этот алгоритм строит подготовку к алгоритму FAST-9.

[РЕДАКТИРОВАТЬ]:
Я знаю, что код c ++ / c похож на мой ассемблерный код (на самом деле это занимает 19мс в c ++ и 17мс в ассемблере). Но я учусь на ассемблере. Я также знаю, что SIMD быстрее, но я хотел сначала изучить базовый ассемблер.

[EDIT2]:
добавлена ​​реализация C ++ и SIMD

#include <iostream>
#include <stdint.h>
#include <chrono>
#include <ctime>
using namespace std;
#define HT 240
#define WT 320
#define WTHT 76800
#define WT3 960
typedef std::chrono::high_resolution_clock clock2;
typedef std::chrono::microseconds res;

int main() {

clock2::time_point t1, t2 ,t3;
uint32_t result = 0;
volatile uint8_t arr[WTHT];
for(int i=0;i<WT*HT;i++){
arr[i]=9;
}
arr[3]=7;
arr[4]=10;
arr[3+3*WT]=17;
t1 = clock2::now();
volatile uint8_t *pnt;
for(int iy=WT3;iy<(WTHT)-WT3;iy+=WT){
pnt=&arr[iy+2];
for(int ix=3;ix<WT-3;ix++){
uint32_t resultlo = 0;
uint32_t resulthi = 0;
++pnt;
asm volatile(
//loading the center value in r0
"ldrb r0, [%[in], #963]\n\t"//r0 forms the lower boundary
"sub r0, r0,#8\n\t"//r2 forms the higher boundary
"add r2,r0,#16\n\t"
//Load of first pixel 3 pixel above center in r1
"ldrb r1, [%[in], #3]\n\t"//compare r1 to lower boundary
"cmp r1,r0\n\t"//thumb it instruction add one to regLo if lower
"itt lo \n\t""addlo %[out],%[out], #1\n\t""blo end1 \n\t"//compare r1 to higher boundary
"cmp r1,r2\n\t"//thumb IT instruction add one to regHi if higher
"it hi \n\t""addhi %[outhi],%[outhi], #1\n\t""end1: \n\t"//shift both bitmasks by one
"lsl %[out],%[out],#1\n\t""lsl %[outhi],%[outhi],#1\n\t"
//analyze next pixel
"ldrb r1, [%[in], #4]\n\t""cmp r1,r0\n\t""itt lo \n\t""addlo %[out],%[out], #1\n\t""blo end2 \n\t""cmp r1,r2\n\t""it hi \n\t""addhi %[outhi],%[outhi], #1\n\t""end2: \n\t""lsl %[out],%[out],#1\n\t""lsl %[outhi],%[outhi],#1\n\t"
"ldrb r1, [%[in], #325]\n\t""cmp r1,r0\n\t""itt lo \n\t""addlo %[out],%[out], #1\n\t""blo end3 \n\t""cmp r1,r2\n\t""it hi \n\t""addhi %[outhi],%[outhi], #1\n\t""end3: \n\t""lsl %[out],%[out],#1\n\t""lsl %[outhi],%[outhi],#1\n\t"
"ldrb r1, [%[in], #646]\n\t""cmp r1,r0\n\t""itt lo \n\t""addlo %[out],%[out], #1\n\t""blo end4 \n\t""cmp r1,r2\n\t""it hi \n\t""addhi %[outhi],%[outhi], #1\n\t""end4: \n\t""lsl %[out],%[out],#1\n\t""lsl %[outhi],%[outhi],#1\n\t"
"ldrb r1, [%[in], #966]\n\t""cmp r1,r0\n\t""itt lo \n\t""addlo %[out],%[out], #1\n\t""blo end5 \n\t""cmp r1,r2\n\t""it hi \n\t""addhi %[outhi],%[outhi], #1\n\t""end5: \n\t""lsl %[out],%[out],#1\n\t""lsl %[outhi],%[outhi],#1\n\t"
"ldrb r1, [%[in], #1286]\n\t""cmp r1,r0\n\t""itt lo \n\t""addlo %[out],%[out], #1\n\t""blo end6 \n\t""cmp r1,r2\n\t""it hi \n\t""addhi %[outhi],%[outhi], #1\n\t""end6: \n\t""lsl %[out],%[out],#1\n\t""lsl %[outhi],%[outhi],#1\n\t"
"ldrb r1, [%[in], #1605]\n\t""cmp r1,r0\n\t""itt lo \n\t""addlo %[out],%[out], #1\n\t""blo end7 \n\t""cmp r1,r2\n\t""it hi \n\t""addhi %[outhi],%[outhi], #1\n\t""end7: \n\t""lsl %[out],%[out],#1\n\t""lsl %[outhi],%[outhi],#1\n\t"
"ldrb r1, [%[in], #1924]\n\t""cmp r1,r0\n\t""itt lo \n\t""addlo %[out],%[out], #1\n\t""blo end8 \n\t""cmp r1,r2\n\t""it hi \n\t""addhi %[outhi],%[outhi], #1\n\t""end8: \n\t""lsl %[out],%[out],#1\n\t""lsl %[outhi],%[outhi],#1\n\t"
"ldrb r1, [%[in], #1923]\n\t""cmp r1,r0\n\t""itt lo \n\t""addlo %[out],%[out], #1\n\t""blo end9 \n\t""cmp r1,r2\n\t""it hi \n\t""addhi %[outhi],%[outhi], #1\n\t""end9: \n\t""lsl %[out],%[out],#1\n\t""lsl %[outhi],%[outhi],#1\n\t"
"ldrb r1, [%[in], #1922]\n\t""cmp r1,r0\n\t""itt lo \n\t""addlo %[out],%[out], #1\n\t""blo end10 \n\t""cmp r1,r2\n\t""it hi \n\t""addhi %[outhi],%[outhi], #1\n\t""end10: \n\t""lsl %[out],%[out],#1\n\t""lsl %[outhi],%[outhi],#1\n\t"
"ldrb r1, [%[in], #1601]\n\t""cmp r1,r0\n\t""itt lo \n\t""addlo %[out],%[out], #1\n\t""blo end11 \n\t""cmp r1,r2\n\t""it hi \n\t""addhi %[outhi],%[outhi], #1\n\t""end11: \n\t""lsl %[out],%[out],#1\n\t""lsl %[outhi],%[outhi],#1\n\t"
"ldrb r1, [%[in], #1280]\n\t""cmp r1,r0\n\t""itt lo \n\t""addlo %[out],%[out], #1\n\t""blo end12 \n\t""cmp r1,r2\n\t""it hi \n\t""addhi %[outhi],%[outhi], #1\n\t""end12: \n\t""lsl %[out],%[out],#1\n\t""lsl %[outhi],%[outhi],#1\n\t"
"ldrb r1, [%[in], #960]\n\t""cmp r1,r0\n\t""itt lo \n\t""addlo %[out],%[out], #1\n\t""blo end13 \n\t""cmp r1,r2\n\t""it hi \n\t""addhi %[outhi],%[outhi], #1\n\t""end13: \n\t""lsl %[out],%[out],#1\n\t""lsl %[outhi],%[outhi],#1\n\t"
"ldrb r1, [%[in], #640]\n\t""cmp r1,r0\n\t""itt lo \n\t""addlo %[out],%[out], #1\n\t""blo end14 \n\t""cmp r1,r2\n\t""it hi \n\t""addhi %[outhi],%[outhi], #1\n\t""end14: \n\t""lsl %[out],%[out],#1\n\t""lsl %[outhi],%[outhi],#1\n\t"
"ldrb r1, [%[in], #321]\n\t""cmp r1,r0\n\t""itt lo \n\t""addlo %[out],%[out], #1\n\t""blo end15 \n\t""cmp r1,r2\n\t""it hi \n\t""addhi %[outhi],%[outhi], #1\n\t""end15: \n\t""lsl %[out],%[out],#1\n\t""lsl %[outhi],%[outhi],#1\n\t"
"ldrb r1, [%[in], #2]\n\t""cmp r1,r0\n\t""itt lo \n\t""addlo %[out],%[out], #1\n\t""blo end16 \n\t""cmp r1,r2\n\t""it hi \n\t""addhi %[outhi],%[outhi], #1\n\t""end16: \n\t":[out]"=r"(resultlo),[outhi]"=r"(resulthi): [in]"r" (pnt):"r0","r1","r2");
}
}
t2 = clock2::now();
std::cout << "Elapsed time is "<< std::chrono::duration_cast<res>(t2-t1).count()<< "   microseconds.\n";return 0;
}

[C ++]

uint64_t r1=0;
uint64_t r2=0;
uint32_t result2=0;
uint32_t result3=0;
{
for(int iy=WT3;iy<((WTHT)-WT3);iy+=WT){
pnt=&arr[iy];
for(int ix=3;ix<(WT-3);ix++){
result2=0;
result3=0;

//get center point value
const uint8_t c=*(pnt+963);
//set lower bound
const uint8_t l=c-8;
//set upper bound
const uint8_t h=c+8;
//get first pixel value
uint8_t p=*(pnt+3);
//is it above uper bound
if(p>h){
++result2;
//or maybe below lower bound
} else if(p<l){
++result3;
}
//shift both
result2=result2<<1;
result3=result3<<1;
//set to next pixel value
p=*(pnt+4);
if(p>h){
++result2;
}
else if(p<l){
++result3;
}
result2=result2<<1;
result3=result3<<1;
p=*(pnt+325);
if(p>h){
++result2;
}
else if(p<l){
++result3;
}
result2=result2<<1;
result3=result3<<1;

p=*(pnt+646);
if(p>h){
++result2;
}
else if(p<l){
++result3;
}
result2=result2<<1;
result3=result3<<1;
p=*(pnt+966);
if(p>h){
++result2;
}
else if(p<l){
++result3;
}
result2=result2<<1;
result3=result3<<1;
p=*(pnt+1286);
if(p>h){
++result2;
}
else if(p<l){
++result3;
}
result2=result2<<1;
result3=result3<<1;
p=*(pnt+1605);

if(p>h){
++result2;
}
else if(p<l){
++result3;
}
result2=result2<<1;
result3=result3<<1;
p=*(pnt+1924);
if(p>h){
++result2;
}
else if(p<l){
++result3;
}
result2=result2<<1;
result3=result3<<1;
p=*(pnt+1923);

if(p>h){
++result2;
}
else if(p<l){
++result3;
}
result2=result2<<1;
result3=result3<<1;
p=*(pnt+1922);
if(p>h){
++result2;
}
else if(p<l){
++result3;
}
result2=result2<<1;
result3=result3<<1;
p=*(pnt+1601);
if(p>h){
++result2;
}
else if(p<l){
++result3;
}
result2=result2<<1;
result3=result3<<1;
p=*(pnt+1280);
if(p>h){
++result2;
}
else if(p<l){
++result3;
}
result2=result2<<1;
result3=result3<<1;
p=*(pnt+960);
if(p>h){
++result2;
}
else if(p<l){
++result3;
}
result2=result2<<1;
result3=result3<<1;
p=*(pnt+640);
if(p>h){
++result2;
}
else if(p<l){
++result3;
}
result2=result2<<1;
result3=result3<<1;
p=*(pnt+321);
if(p>h){
++result2;
}
else if(p<l){
++result3;
}
result2=result2<<1;
result3=result3<<1;
p=*(pnt+2);
if(p>h){
++result2;
}
else if(p<l){
++result3;
}
result2=result2<<1;
result3=result3<<1;
//set pointer to next pixel
++pnt;
//prevent code part for beeing optimized out
r1+=result2;
r2+=result3;
}
}
}

[SIMD или НЕОН инстинкты]

for(int iy=WT3;iy<((WTHT)-WT3);iy+=WT){
pnt=&arr[iy-WT3];
for(int ix=3;ix<(WT-3);++ix){
//set center value
uint8_t c1=*(pnt+963);
//set lower bound
uint8_t l1=c1-8;
//set uper bound
uint8_t h1=c1+8;
//load all values from circle in one array
uint8_t ps1[16]={*(pnt+3),*(pnt+4),*(pnt+325),*(pnt+646),
*(pnt+966),*(pnt+1286),*(pnt+1605),*(pnt+1924),
*(pnt+1923),*(pnt+1922),*(pnt+1601),*(pnt+1280),
*(pnt+960),*(pnt+640),*(pnt+321),*(pnt+2)};
//load this array in neon register
uint8x16_t t1=vld1q_u8(ps1);

//Load one uint8x16 vector with same value (higher bound)
uint8x16_t hl1 =vld1q_dup_u8(&h1);
//Load one uint8x16 vector with same value (lower bound)
uint8x16_t ll1 =vld1q_dup_u8(&l1);
//Vector compare less-than
uint8x16_t rl=vcltq_u8(t1,ll1);
//Vector compare greater-than
uint8x16_t rh=vcgtq_u8(t1,hl1);
++pnt;
}
}

Было бы здорово, если бы вы указали мне некоторые оптимизации, которые я мог бы сделать для этого кода, чтобы он работал быстрее

Время освобождения для
ассемблер 17мс
c / c ++ с флагом O2: 19 мс
SIMD: 44ms