Оптимизировать С код

Подскажите, а можно-ли оптимизировать следующий С код (SSE, AVX).

void mtlb2opcv(uint8_t* dst, uint8_t* src, size_t sz_r, size_t sz_c)
{
	uint8_t* mat_temp_ptr = NULL;

	const long layer_size = sz_r*sz_c;

	for (int ch = 0; ch<3; ch++)
	{
		mat_temp_ptr = src + ch*layer_size;
		int rd = 2 - ch;
		for (size_t c = 0; c < sz_c; c++)
		{
			for (size_t r = 0; r < sz_r; r++)
			{
				size_t id = (r*sz_c+c)*3+rd;
				size_t is = c*sz_r+r;
				dst[id] = mat_temp_ptr[is];
			}
		}
	}
}

Это код конвертации изображения из матлаба в OpenCV формат.
Фактически изображения в матлабе лежит по слоям и в каждом слое по столбцам.
В OpenCV по строкам и цвета пикселя последовательно.

Нюанс, порядок слоев в матлабе RGB, а в OpenCV стандартно BGR.

Этот код работает в 40 раз дольше, чем последовательное копирования того же объема данных с использованием AVX.
Понятно, что граница данных выравнена.

Update:
Вот что получилось

inline void mtlb2opcv_8UC3(uint8_t * const dst, const uint8_t * const src, const size_t sz_r, const size_t sz_c)
{
	const size_t layer_sz = sz_r*sz_c;

	const uint8_t * layer_r = src;
	const uint8_t * layer_g = layer_r + layer_sz;
	const uint8_t * layer_b = layer_g + layer_sz;
	const size_t n = 8;
	const size_t sz_rem = sz_c/n*n;

	for (size_t c = 0; c < sz_rem; c+=n)
	{
		for (size_t r = 0; r < sz_r; r++)
		{
			const size_t _id = (r*sz_c+c)*3;
			for(size_t i=0; i<n; ++i)
			{
				const size_t id = _id+i*3;
				const size_t is = (c+i)*sz_r+r;
				dst[id+0] = layer_b[is];
				dst[id+1] = layer_g[is];
				dst[id+2] = layer_r[is];
			}
		}
	}
	for (size_t c = sz_rem; c < sz_c; c++)
	{
		for (size_t r = 0; r < sz_r; r++)
		{
			const size_t id = (r*sz_c+c)*3;
			const size_t is = c*sz_r+r;
			dst[id+0] = layer_b[is];
			dst[id+1] = layer_g[is];
			dst[id+2] = layer_r[is];
		}
	}
}

inline void opcv2mtlb_8UC3(uint8_t * const dst, const uint8_t * const src, const size_t sz_r, const size_t sz_c)
{
	const size_t layer_sz = sz_r*sz_c;

	uint8_t * layer_r = dst;
	uint8_t * layer_g = layer_r + layer_sz;
	uint8_t * layer_b = layer_g + layer_sz;
	const size_t n = 4;
	const size_t sz_rem = sz_c/n*n;

	for (size_t c = 0; c < sz_rem; c+=n)
	{
		for (size_t r = 0; r < sz_r; r++)
		{
			const size_t _id = (r*sz_c+c)*3;
			for(size_t i=0; i<n; ++i)
			{
				const size_t id =_id+i*3;
				const size_t is = (c+i)*sz_r+r;
				layer_b[is] = src[id+0];
				layer_g[is] = src[id+1];
				layer_r[is] = src[id+2];
			}
		}
	}
	for (size_t c = sz_rem; c < sz_c; c++)
	{
		for (size_t r = 0; r < sz_r; r++)
		{
			const size_t id = (r*sz_c+c)*3;
			const size_t is = c*sz_r+r;
			layer_b[is] = src[id+0];
			layer_g[is] = src[id+1];
			layer_r[is] = src[id+2];
		}
	}
}