高斯核生成需设半径radius=⌈3σ⌉并归一化，用分离卷积避免溢出与精度丢失；OpenCV默认边界填充和自动核尺寸推导常导致手写结果不一致；uint8图像须转float计算再clamp缩放回0–255。
高斯核怎么生成才不会溢出或精度丢失
直接用 exp(-x*x/(2*sigma*sigma)) 手动循环算每个位置的权重，容易因 sigma 过小导致指数项过大（exp(-0.001) 没问题，但 exp(-100) 就下溢成 0），或 sigma 过大时核太宽、边界截断不干净。实际中必须控制核尺寸和归一化方式。
- 核半径取
radius = static_cast<int>(ceil(3 * sigma))</int>，即覆盖 ±3σ 范围，占高斯分布 99.7% 能量 - 用双层循环生成二维核时，先算一维向量
kernel_1d[i]，再用外积得到二维核：kernel_2d[i][j] = kernel_1d[i] * kernel_1d[j]，避免重复计算指数 - 生成后立刻做归一化：遍历求和得
sum，再对每个元素除以sum；否则滤波结果整体变暗或过曝 - 推荐用
float存储核（不是double），既够精度又适配多数图像处理 pipeline 的 float32 输入
OpenCV 里用 GaussianBlur 为什么结果和手写不一样
常见原因不是算法错，而是默认参数隐含行为：OpenCV 的 GaussianBlur 对边界默认用 BORDER_REFLECT_101 填充，而手写卷积若直接用 for 循环从 (radius, radius) 开始扫，相当于用了截断式（zero-padding）边界——像素值差异就从边缘开始放大。
- 检查调用时是否显式传了
borderType，比如cv::BORDER_CONSTANT对应填黑边，cv::BORDER_REPLICATE复制边缘像素 -
cv::GaussianBlur内部优化用了分离卷积（先水平再垂直），等价于二维核外积，但手写若没分离，浮点误差累积略高 - 注意 OpenCV 默认
sigmaX == sigmaY，若只设sigmaX而sigmaY=0，它会自动按sigmaX推导sigmaY，不是留零不管 - 核大小若设为 0（如
Size(0,0)），OpenCV 会按sigma自动推导尺寸；手写代码若没做这步，核尺寸固定就和它对不上
手写二维卷积做高斯滤波，性能卡在内存访问上
朴素三重循环（行、列、核偏移）缓存命中率极低，尤其核稍大（如 15×15）时，每次读核都要跨 cache line，速度比 OpenCV 慢 5–10 倍不止。
- 改用分离卷积：先对每行做一维高斯卷积（复用同一行的
kernel_1d），保存中间结果到临时 buffer；再对每列做一维卷积——两次 O(N×M×K) 变成 O(N×M×K + N×M×K)，但 K 是一维核长，远小于二维核面积 - 输入图像用
cv::Mat时确保是连续内存（mat.isContinuous()为 true），否则每行末尾有 padding，手动遍历时要跳过 - 用
__restrict__（GCC/Clang）或[[msvc::noalias]]（MSVC）提示编译器指针不重叠，帮助向量化 - 避免在循环内调用
std::pow或std::exp—— 提前算好一维核并存在std::vector<float></float>里，查表比实时计算快一个数量级
float 图像和 uint8 图像做高斯滤波，输出结果要怎么处理
类型不匹配会导致截断或溢出：uint8 图像卷积后可能超出 [0,255]（比如亮区模糊后仍 >255），而 float 图像若没归一化到 [0,1] 或 [0,255] 区间，显示时全黑或全白。
立即学习“C++免费学习笔记（深入）”；
- 对
CV_8UC1输入，建议先转CV_32FC1：src.convertScaleAbs(1.0f/255.0f)或直接src.convertTo(temp, CV_32F, 1.0/255.0) - 滤波后若要存回
uint8，必须 clamp 并缩放：cv::convertScaleAbs(dst_float, dst_uint8, 255.0, 0.0)，其中convertScaleAbs自动截断 [0,255] - 手写代码里别用
(int)round(x)强转，浮点误差可能导致 -0.001 变成 0，或 255.999 变成 255 —— 用std::clamp(static_cast<int>(std::round(x)), 0, 255)</int>更稳 - 注意 OpenCV 的
cv::GaussianBlur对uint8输入内部会自动升到 float 计算，但输出仍保持uint8，所以不用额外转换 —— 这点和手写逻辑不同，容易漏掉
实际部署时最容易被忽略的是：高斯核的离散化偏差。理论上的连续高斯函数在像素网格上采样后，即使归一化，其频域响应也会在高频处出现轻微振铃。如果后续接边缘检测（如 Sobel），这个偏差会被放大。解决办法不是换算法，而是统一用 OpenCV 的 GaussianBlur 或至少复用它的核生成逻辑（getGaussianKernel），避免自己重实现引入不一致。
