测试平台：
OMAP3430 SDP。
注意点：默认TI 给的uImage或者config 都是不支持neon的，需要重新make menuconfig，来enable这个功能。
TOOLCHAIN：
arm-2007q3。 这个是GCC 官方支持neon的第一款。
编译选项：（针对内联的，汇编的话后面几个可以不用，担放着也没有问题）
CFLAGS = -s -save-temps -static -Wall -O3 -march=armv7-a -mtune=cortex-a8 -mcpu=cortex-a8 -mfloat-abi=softfp -mfpu=neon -ftree-vectorize -fomit-frame-pointer -ffast-math
Neon参考文献：
从ARM 官方上下载DUI0204IC_rvct_assembler_guide / DUI0348BC_rvct_comp_ref_guide， 两个都有中文版本，看起来很方便。配合最新的arm_architecture_reference_manual，应该足够了。
优化方法
两种方法我都尝试了下：
1： 使用内联 http://gcc.gnu.org/onlinedocs/gcc/ARM-NEON-Intrinsics.html
2：直接使用汇编
在简单函数的时候，两种差异不大；担担随着功能负责，使用内联会导致寄存器分配不够，反复压/出栈，而性能降低。同时使用内联也没有办法调整好流水线，（感觉NEON的大多数指令包括ADD等，都不是单周期的的，具体几个周期，我没有查到）。如果用汇编调整好的话，一般能够提高30+%
感觉：
和一般SIMD 指令差不多，支持16个128bit的寄存器。可以看成 16×8bit；8×16bit； 4×32bit...。指令功能还是很全的，甚至什么max，倒数都能够支持。也支持直接读/写chuncky数据BRG,YUYV啥的，简单的IF/ELSE也能支持。
用内联写的话很方便，函数合适的话，估计半天一个很轻松，一般优化个2 －3倍没问题。如果不够的话，就用ASM精细搞下。
不足：
我遇到一个优化失败的地方。程序是个梯度计算，本来是很合适的。担输入数据和目的数据都是YUYV，而我们只要处理Y好了。结果NEON必须同时读入YUYV（再展开成planar），这样多读/写了一倍数据，结果把性能托慢了。 这个模块计算太简单，ARM本身已经很快了，读写数据已经是瓶颈了，NEON的多读写数据就把优化的效果给干掉了。如果NEON能够支持“跳”着读/写，就好了，^_^。