参考链接：
目标：将输入矩阵顺时针旋转90度，如下图所示：
输入矩阵 输出矩阵
以 8x8x8bit 的矩阵（更大的矩阵可以分块为 8x8x8bit）为例，基本的思路就是，逐渐扩大粒度（8bit 到 32bit）的 2x2 矩阵旋转
vtrn 示意图，可以看作是 2x2 矩阵的转置
原始的数据的字节表示形式
以 8 bit 为单位进行旋转：
temp1 = vtrn_u8(mat1.val[1], mat1.val[0]);
temp2 = vtrn_u8(mat1.val[3], mat1.val[2]);
temp3 = vtrn_u8(mat2.val[1], mat2.val[0]);
temp4 = vtrn_u8(mat2.val[3], mat2.val[2]);结果以 16 bit 看作一个数（）
再次进行旋转得到
temp9 = vtrn_u16(temp6.val[0], temp5.val[0]);
temp10 = vtrn_u16(temp6.val[1], temp5.val[1]);
temp11 = vtrn_u16(temp8.val[0], temp7.val[0]);
temp12 = vtrn_u16(temp8.val[1], temp7.val[1]);旋转的结果对应的字节表示形式为（）
接着，把 32bit 当做一个数来旋转
temp17=vtrn_u32(temp15.val[0],temp13.val[0]);
temp18=vtrn_u32(temp15.val[1],temp13.val[1]);
temp19=vtrn_u32(temp16.val[0],temp14.val[0]);
temp20=vtrn_u32(temp16.val[1],temp14.val[1]);
旋转的结果为
对应的字节表示形式为
即最初矩阵的顺时针 90 ° 旋转的结果
代码如下：
uint8x8x4_t mat1, mat2;
mat1.val[0] = vld1_u8(srcImg + i * width + j); // vec8，每个元素 8 bit
mat1.val[1] = vld1_u8(srcImg + (i + 1) * width + j);
mat1.val[2] = vld1_u8(srcImg + (i + 2) * width + j);
mat1.val[3] = vld1_u8(srcImg + (i + 3) * width + j);// 4*vec8
mat2.val[0] = vld1_u8(srcImg + (i + 4) * width + j);
mat2.val[1] = vld1_u8(srcImg + (i + 5) * width + j);
mat2.val[2] = vld1_u8(srcImg + (i + 6) * width + j);
mat2.val[3] = vld1_u8(srcImg + (i + 7) * width + j);
uint8x8x2_t temp1, temp2, temp3, temp4;
temp1 = vtrn_u8(mat1.val[1], mat1.val[0]);
temp2 = vtrn_u8(mat1.val[3], mat1.val[2]);
temp3 = vtrn_u8(mat2.val[1], mat2.val[0]);
temp4 = vtrn_u8(mat2.val[3], mat2.val[2]);
// ==============================================
uint16x4x2_t temp5, temp6, temp7, temp8;
temp5.val[0] = vreinterpret_u16_u8(temp1.val[0]);
temp5.val[1] = vreinterpret_u16_u8(temp1.val[1]);
temp6.val[0] = vreinterpret_u16_u8(temp2.val[0]);
temp6.val[1] = vreinterpret_u16_u8(temp2.val[1]);
temp7.val[0] = vreinterpret_u16_u8(temp3.val[0]);
temp7.val[1] = vreinterpret_u16_u8(temp3.val[1]);
temp8.val[0] = vreinterpret_u16_u8(temp4.val[0]);
temp8.val[1] = vreinterpret_u16_u8(temp4.val[1]);
uint16x4x2_t temp9, temp10, temp11, temp12;
temp9 = vtrn_u16(temp6.val[0], temp5.val[0]);
temp10 = vtrn_u16(temp6.val[1], temp5.val[1]);
temp11 = vtrn_u16(temp8.val[0], temp7.val[0]);
temp12 = vtrn_u16(temp8.val[1], temp7.val[1]);
// ==============================================
uint32x2x2_t temp13, temp14, temp15, temp16;
temp13.val[0]= vreinterpret_u32_u16(temp9.val[0]);
temp13.val[1]= vreinterpret_u32_u16(temp9.val[1]);
temp14.val[0]= vreinterpret_u32_u16(temp10.val[0]);
temp14.val[1]= vreinterpret_u32_u16(temp10.val[1]);
temp15.val[0]= vreinterpret_u32_u16(temp11.val[0]);
temp15.val[1]= vreinterpret_u32_u16(temp11.val[1]);
temp16.val[0]= vreinterpret_u32_u16(temp12.val[0]);
temp16.val[1]= vreinterpret_u32_u16(temp12.val[1]);
uint32x2x2_t temp17, temp18, temp19, temp20;
temp17=vtrn_u32(temp15.val[0],temp13.val[0]);
temp18=vtrn_u32(temp15.val[1],temp13.val[1]);
temp19=vtrn_u32(temp16.val[0],temp14.val[0]);
temp20=vtrn_u32(temp16.val[1],temp14.val[1]);
// ==============================================
temp1.val[0]= vreinterpret_u8_u32(temp17.val[0]);
temp1.val[1]= vreinterpret_u8_u32(temp19.val[0]);
temp2.val[0]= vreinterpret_u8_u32(temp18.val[0]);
temp2.val[1]= vreinterpret_u8_u32(temp20.val[0]);
temp3.val[0]= vreinterpret_u8_u32(temp17.val[1]);
temp3.val[1]= vreinterpret_u8_u32(temp19.val[1]);
temp4.val[0]= vreinterpret_u8_u32(temp18.val[1]);
temp4.val[1]= vreinterpret_u8_u32(temp20.val[1]);
vst1_u8 (dstImg + j * height + i, temp1.val[0]);
vst1_u8 (dstImg+ (j+1) * height + i, temp1.val[1]);
vst1_u8 (dstImg+ (j+2) * height + i, temp2.val[0]);
vst1_u8 (dstImg+ (j+3) * height + i, temp2.val[1]);
vst1_u8 (dstImg+ (j+4) * height + i, temp3.val[0]);
vst1_u8 (dstImg+ (j+5) * height + i, temp3.val[1]);
vst1_u8 (dstImg+ (j+6) * height + i, temp4.val[0]);
vst1_u8 (dstImg+ (j+7) * height + i, temp4.val[1]);
以 256*256的矩阵为例（矩阵太小的话，neon 版本还不如 cpu 编译器自动优化的版本），得到以下测试结果
可见，性能优化了 40.9% 左右