汉明距离的NEON版本

代码转自chromium中的libyuv。

// 256 bits at a time
// uses short accumulator which restricts count to 131 KB
uint32_t HammingDistance_NEON(const uint8_t* src_a,
                              const uint8_t* src_b,
                              int count) {
  uint32_t diff;

  asm volatile(
      // 把q4寄存器置0，用于累加
      "vmov.u16   q4, #0                         \n"  // accumulator

      "1:                                        \n"
      // 从src_a load 256个bit到q0, q1中，src_a自加256
      "vld1.8     {q0, q1}, [%0]!                \n"
      // 从src_b load 256个bit到q2, q3中，src_b自加256
      "vld1.8     {q2, q3}, [%1]!                \n"
      // q0和q2异或的结果存到q0中
      "veor.32    q0, q0, q2                     \n"
      // q1和q3异或的结果存到q1中
      "veor.32    q1, q1, q3                     \n"
      // 统计q0中为1的位数，存到q0中
      "vcnt.i8    q0, q0                         \n"
      // 统计q1中为1的位数，存到q1中
      "vcnt.i8    q1, q1                         \n"
      // count自减32(一次计算了256个bit = 32 byte)
      "subs       %2, %2, #32                    \n"
      // 把q0和q1的为1的位数相加（16个计数）
      "vadd.u8    q0, q0, q1                     \n"  // 16 byte counts
      // 把q0中每两相邻的8位相加得到8个计数，再和q4中已有的计数相加
      "vpadal.u8  q4, q0                         \n"  // 8 shorts
      // count > 0 继续循环
      "bgt        1b                             \n"

	  // 把q4中每两相邻的16位相加并存到32位长度中，得到4个int
      "vpaddl.u16 q0, q4                         \n"  // 4 ints
      // q0 = {d0, d1} ，把d0和d1中每两相邻的32位相加（两个int）
      "vpadd.u32  d0, d0, d1                     \n"
      把d0中两相邻的32位相加（得到一个int结果）
      "vpadd.u32  d0, d0, d0                     \n"
      // diff = d0的第0个int
      "vmov.32    %3, d0[0]                      \n"

      : "+r"(src_a), "+r"(src_b), "+r"(count), "=r"(diff)
      :
      : "cc", "q0", "q1", "q2", "q3", "q4");
  return diff;
}