Имеется сверточное ядро 3х3 и изображение, представленной массивом пикселей целочисленных значение.
Сверточное ядро представлено так:

//составные сверточные ядра :
//                 
// сверточное ядро H = 
//......| 1, 0,  1|
//src x | 0, 0,  0|
//......|-1, 0, -1|
//                 

//                 
// сверточное ядро V = 
//......| 1, 0, -1|
//src x | 0, 0,  0|
//......| 1, 0, -1|
//

сверточное ядро = ядро H + ядро V

Реализация на С-коде имеется, теперь пытаюсь ее переложить на SSE код.

    for(int inc=0; inc<height-2; inc++)
    {
        //загрузил в пямять 3 строки
            str1_16pxs = _mm_loadu_si128((__m128i*)(src_all_str));
        str2_16pxs = _mm_loadu_si128((__m128i*)(src2_all_str));
        str3_16pxs = _mm_loadu_si128((__m128i*)(src3_all_str));

        //упаковал по 16 разрядов
        str1_16pxs_pack1st_8to16 = _mm_cvtepu8_epi16(str1_16pxs);
        str2_16pxs_pack1st_8to16 = _mm_cvtepu8_epi16(str2_16pxs);
        str3_16pxs_pack1st_8to16 = _mm_cvtepu8_epi16(str3_16pxs);

//---!
        //здесь делаем 1ую свертку для 8px's
        //... В этом месте должен вставляется код !!!!
//---

        //summ 1st 8to16 vertical registers
        sum1_str12_vert_16pxs_pack1st_8to16  = _mm_add_epi16(str1_16pxs_pack1st_8to16,           str2_16pxs_pack1st_8to16);
        sum1_str123_vert_16pxs_pack1st_8to16 = _mm_add_epi16(sum1_str12_vert_16pxs_pack1st_8to16,str3_16pxs_pack1st_8to16);

        for(int jnc=0; jnc<(width >> 4); jnc++)
        {

            str1_16pxs_plus_8pxs = _mm_srli_si128(str1_16pxs, 8);
            str2_16pxs_plus_8pxs = _mm_srli_si128(str2_16pxs, 8);
            str3_16pxs_plus_8pxs = _mm_srli_si128(str3_16pxs, 8);

            //pack 2nd 8to16 registers (+8px's)
            str1_16pxs_pack2nd_8to16 = _mm_cvtepu8_epi16(str1_16pxs_plus_8pxs);
            str2_16pxs_pack2nd_8to16 = _mm_cvtepu8_epi16(str2_16pxs_plus_8pxs);
            str3_16pxs_pack2nd_8to16 = _mm_cvtepu8_epi16(str3_16pxs_plus_8pxs);

//---!
            //делаем свертку для остальных 8px's и так до конца считанной строки
            //... В этом месте должен вставляется код !!!!
//---

            //summ vertic 8to16 registers
            sum1_str12_vert_16pxs_pack2nd_8to16  = _mm_add_epi16(str1_16pxs_pack2nd_8to16,           str2_16pxs_pack2nd_8to16);
            sum1_str123_vert_16pxs_pack2nd_8to16 = _mm_add_epi16(sum1_str12_vert_16pxs_pack2nd_8to16,str3_16pxs_pack2nd_8to16);

//---!4            loading next 16 px's
            src_all_str += 16;
            src2_all_str += 16;
            src3_all_str += 16;

            //...

            _mm_store_si128((__m128i*)(dst_all_str), res);
            dst_all_str += 8;

        }//for(jnc)

    }//for(inc)

Я правда не знаю, как делать перемножение сверточного 3x3 ядра с SSE считанной строкой.
Буду очень благодарен, если покажете.