SSE2でやるなら画素を16bitにして
ABCDEFGHI
JKLMNOPQR
STUVWXYZ0
を
a=load(ABCDEFGHI)
b=load(JKLMNOPQR)
c=load(STUVWXYZ0)
a+=b
a+=c
store(a, m);
として、m[]を計算するとか
アライメントされた連続したメモリブロックを一度に読んで計算しないとパフォーマンスでない。