高斯模糊需手写二维卷积实现，核心是按高斯函数exp(-(x²+y²)/(2*sigma²))计算权重并归一化，而非依赖OpenCV库或硬编码查表，才能精准控制模糊强度、适配不同环境与参数变化。
高斯模糊的核心是二维卷积，不是调库就完事
直接用 cv::GaussianBlur 虽快，但你根本不知道权重怎么算、边界怎么处理、浮点精度在哪丢——一旦要改核大小、换归一化方式、或移植到无 OpenCV 环境（比如嵌入式图像 pipeline），立刻卡住。自己实现一遍，才能真控制模糊强度和性能边界。
手写高斯核必须手动计算权重，不能靠循环凑
常见错误是用近似公式或硬编码 3×3/5×5 表格，结果标准差 sigma 一变，模糊程度就失控。正确做法是按高斯函数 exp(-(x²+y²)/(2*sigma²)) 算每个位置权重，再归一化：
sigma
- 读像素前判断坐标：
int x_reflect = abs(x % (2 * width) - width);（简化版，实际需处理奇偶） - OpenCV 默认是
cv::BORDER_REFLECT_101，行为是镜像但不重复边缘像素 - 若用多线程分块处理，填充区必须提前算好，否则线程间会读到未初始化内存
整数运算能提速 3 倍，但得防溢出和偏移
嵌入式或实时场景常把浮点核缩放到 int16_t，乘加后右移。但两个陷阱很隐蔽：
- 权重总和必须严格等于 1std::accumulate(kernel_int, kernel_int+25, 0)
- 图像像素是
uint8_t，做int32_t累加时，中间值可能超INT16_MAX，建议用int32_t存累加器，最后再钳位 - 别信“除法慢就全用位移”：当
sigma=1.2时，归一化分母不是 2 的幂，硬位移会引入系统性偏色
真正难的不是公式，是让每行像素在 cache line 内对齐、避免非对齐访存、以及确认 SSE/NEON 向量化时 kernel 加载顺序和图像 stride 是否匹配——这些细节不测，跑在 ARM 上就比 x86 慢 40%。
C++免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 C++ 的入门与实战技巧！
