Эффективное 2D FFT реальных входных данных фиксированной длины в C/C++

Я разрабатываю алгоритм, который несколько раз вызывает функцию БПФ. У меня есть несколько ограничений по времени (желательно в режиме реального времени), поэтому мне нужно минимизировать время, затрачиваемое на каждый вызов БПФ.

Я работаю с библиотекой OpenCV и уже реализовал свой код двумя разными способами:

• Использование библиотеки FFTW. Управление данными/памятью + БПФ (8 мс) = 14 мс (в среднем, флаг FFT_MEASURE).
• Использование функции OpenCV fft. Управление данными/памятью + БПФ (21 мс) = 23 мс (в среднем).

Поскольку мои входные данные всегда фиксируются как реальное изображение размером 512x512 пикселей, как вы думаете, если я реализую алгоритм БПФ, основанный на математическом определении ДПФ, сохраняя таблицы синуса/косинуса, смогу ли я добиться лучшей производительности, или библиотека FFTW действительно сильно оптимизирован? Есть идеи получше?

Все идеи и предложения будут действительно оценены. На данный момент я не рассматриваю параллелизацию или реализацию GPU.

Спасибо

Обновление:

Система: процессор Intel Xeon 5130 2,0 ГГц в Windows 7, Visual Studio 10.0 и FFTW 3.3.3 (составлен по инструкциям на сайте), OpenCV 2.4.3.

Пример кода для вызова FFT с FFTW (вход: OpenCV Mat CV_32F (1 канал, тип с плавающей запятой), вывод OpenCV Mat CV_32FC2 (2 канала, тип с плавающей запятой):

float           *im_data;

fftwf_complex    *data_in;
fftwf_complex    *fft;      

fftwf_plan       plan_f;

int             i, j, k;

int height=I.rows;
int width=I.cols;
int N=height*width;


float* outdata = new float[2*N];
im_data = ( float* ) I.data;

data_in = ( fftwf_complex* )fftwf_malloc( sizeof( fftwf_complex ) * N );
fft     = ( fftwf_complex* )fftwf_malloc( sizeof( fftwf_complex ) * N );

plan_f = fftwf_plan_dft_2d( height , width , data_in , fft ,  FFTW_FORWARD ,  FFTW_MEASURE );

for(int i = 0,k=0; i < height; ++i) {
    float* row = I.ptr<float>(i);
    for(int j = 0; j < width; j++) {
        data_in[k][0]=(float)row[j];
        data_in[k][1] =(float)0.0;
        k++;
    }
} 

fftwf_execute( plan_f );

int width2=2*width;
// writing output matrix: RealFFT[0],ImaginaryFFT[0],RealFFT[1],ImaginaryFFT[1],...
for( i = 0, k = 0 ; i < height ; i++ ) {
    for( j = 0 ; j < width2 ; j++ ) {

        outdata[i * width2 + j] = ( float )fft[k][0];
        outdata[i * width2 + j+1] = ( float )fft[k][1];
        j++;
        k++;
    }
}

Mat fft_I(height,width,CV_32FC2,outdata);

fftwf_destroy_plan( plan_f );
fftwf_free( data_in );
fftwf_free( fft );


return fft_I;