neon优化opencv矩阵所有点求和

我在arm上通过neon的函数来优化矩阵所有点求和，参考的资料是《DEN0018A_neon_programmers_guide》

neon优化后的矩阵所有点求和为0.16ms，opencv使用sum函数的求和时间为0.8ms。下面是我的代码，具体的函数表示可以参考
https://gcc.gnu.org/onlinedocs/gcc-4.7.4/gcc/ARM-NEON-Intrinsics.html#ARM-NEON-Intrinsics

float matSum(cv::Mat A)
{
	float res;
	float32_t result;
	float32x2_t veca,vecb;
	float32x4_t vec=vdupq_n_f32(0);
	int w=A.cols;
	int h=A.rows;
	for(int j=0;j<h;j++)
	{
		int jdx=j*w;
		for(int i=0;i<w;i+=4)
		{
			int idx=jdx+i;
			float32_t* temp=(float32_t*) A.data+idx;
			float32x4_t tempi = vld1q_f32(temp);
			vec=vaddq_f32(vec,tempi);
		}
		veca=vget_low_f32(vec);
		vecb=vget_high_f32(vec);
		veca=vadd_f32(veca,vecb);
		result=vget_lane_f32(veca,0);
		result+=vget_lane_f32(veca,1);
	}
	res=result;
	return res;
}