cv::GaussianBlur需设正奇数核尺寸（如Size(3,3)）、手动指定sigmaX（推荐0.8起）、输入转CV_32F再处理、仅适用于高斯白噪声；椒盐噪应用medianBlur，保边降噪宜用bilateralFilter。
cv::GaussianBlur 函数怎么调用才不会模糊过头
直接用 cv::GaussianBlur 做去噪，最常踩的坑是核尺寸（ksize）设太大，图像细节全糊掉，看起来像打了马赛克。它不是“越大越干净”，而是要在噪声抑制和边缘保留之间找平衡。
实操建议：
-
ksize必须是正奇数，比如Size(5, 5)或Size(3, 3)；偶数会报错OpenCV(4.x): error: (-215:Assertion failed) ksize.width % 2 == 1 && ksize.height % 2 == 1 - 标准差
sigmaX推荐从 0.8 开始试，若设为 0，OpenCV 会自动按ksize推算（公式：σ = 0.3×((ksize-1)×0.5 - 1) + 0.8），但手动指定更可控 - 对彩色图，别忘了先转
cv::COLOR_BGR2GRAY再去噪，否则三个通道独立模糊，可能引入色偏
高斯模糊前要不要先做归一化或类型转换
必须做。OpenCV 的 cv::GaussianBlur 对输入图像的深度（depth）有隐含要求：若源图是 CV_8U（常见于 imread 读入的图），输出也默认为 CV_8U，但内部计算用浮点，中间溢出会导致黑块或异常亮斑。
安全做法：
立即学习“C++免费学习笔记（深入）”；
- 把原图转成
CV_32F：用src.convertScaleAbs(dst, 1.0/255.0)或更稳妥的src.convertTo(dst_f32, CV_32F, 1.0/255.0) - 模糊后再转回
CV_8U：用dst_f32.convertScaleAbs(dst_u8, 255.0) - 跳过这步也能跑通，但遇到高对比噪声（如椒盐+高光噪点）时，结果容易失真
和 medianBlur、bilateralFilter 比，GaussianBlur 去什么噪最有效
cv::GaussianBlur 是线性滤波器，只对**高斯白噪声**响应好；对椒盐噪声基本无效，对边缘纹理容易过度平滑。选错类型，去噪就变成“毁图”。
对照场景选：
- 传感器热噪声、低光照下的细密颗粒 → 适合
cv::GaussianBlur - 传输错误导致的黑白散点 → 改用
cv::medianBlur（ksize=3足够） - 既要降噪又要保边缘（比如医学图像中的血管轮廓）→ 用
cv::bilateralFilter，但注意它比高斯慢 3–5 倍
多尺度高斯模糊怎么避免重复内存拷贝
如果要做金字塔式模糊（例如先 Size(3,3)，再 Size(7,7)），别反复调用 cv::GaussianBlur 并新建 Mat。每次分配内存+拷贝会拖慢实时处理。
高效写法：
- 预分配输出 Mat：
Mat dst1 = src.clone(); Mat dst2 = src.clone(); - 复用同一块内存：用
cv::GaussianBlur(src, dst1, Size(3,3), 0); cv::GaussianBlur(dst1, dst2, Size(7,7), 0); - 若需连续多级，考虑用
cv::pyrDown+ 单级高斯组合，比逐级加大ksize更符合尺度空间理论
真正难的不是调哪个参数，而是得看懂噪声来源——相机型号、ISO 设置、光照条件，这些比函数文档更能决定你该不该用 cv::GaussianBlur。
