图像预处理链路上，第一个被加进去的算子十有八九是高斯滤波器。不管是做表面缺陷检测、做测量前的降噪，还是给边缘检测打底子，只要后面跟着阈值分割或者梯度计算，前面的平滑做得对不对，直接决定整条链路稳不稳。这篇文章只聊一件事：高斯滤波器的高斯核怎么长出来的、标准差 σ 和核尺寸怎么配合、为什么它能被拆成两次一维卷积、手写实现里那几个容易翻车的边界处理怎么写，以及参数到底该按什么逻辑定。内容偏工程落地，新手上手能跑通，做过几年图像处理的人也能在参数调优和踩坑那一节找到点东西。文中所有场景与数据均为示意性描述，用来把原理和操作讲清楚，不代表任何具体的产线或项目。

1. 高斯滤波器到底在解决什么问题

1.1 从一次阈值分割的翻车说起

我印象最深的一次，是给一个检测工位做表面划痕的二值化。原图看起来干干净净，灰度直方图也是漂亮的双峰，我信心十足地把阈值卡在两峰中间，出来的掩膜却是一张撒满白芝麻的图——本该是背景的地方冒出一堆零散亮点，划痕本身还断断续续。当时第一反应是阈值选得不好，于是手动扫了一遍阈值区间，从 60 到 160 全试了，没有一个能同时做到“背景干净”和“划痕完整”。后来把图像放大到像素级才明白，问题根本不在阈值：传感器在低照度下的随机噪声让相邻像素的灰度上下跳了七八个灰阶，这些跳变在梯度意义上就是一条条“边缘”，二值化把它们全都当成了目标。

这类问题的本质是：局部灰度的随机波动，和真实结构边缘，在单像素尺度上是分不开的。你不能靠调阈值把它们分开，因为阈值是全局的、逐像素判断的，而噪声恰恰是逐像素独立产生的。唯一的出路是在判断之前先做一次“邻域意见征集”——让每个像素的取值参考它周围一圈邻居，噪声因为是随机的、正负抵消，会被压下去；而真实边缘因为是连续的、方向一致的，会被保留下来。这就是平滑滤波的全部动机，高斯滤波器是这个动机下最经典的一种实现。

加上 σ=1.2 的高斯滤波之后，同一张图、同一个阈值，掩膜干净了，划痕也连成了一条。误检率从两位数掉到了个位数百分比。这个改动只花了我三行代码，但它让我后来养成了一个习惯：任何逐像素的判决策略之前，都先问一句“这个像素的取值可信吗”。如果不可信，先平滑。

1.2 同样是平滑，凭什么选高斯

既然是“邻域平均”，最朴素的做法就是均值滤波——把 3×3 或者 5×5 窗口里的像素直接加起来除以个数。它确实能压噪声，但它有两个硬伤，在工程上很致命。

第一个硬伤是权重不分远近。均值滤波认为窗口中心和窗口角落的像素同等重要，可现实是邻居离得越远，相关性越弱。这导致均值滤波在平滑噪声的同时，把边缘也一起抹平了——边缘两侧的像素被强行平均，边界从一条陡峭的坡变成一段缓坡，后面再做梯度计算，梯度幅值直接掉一半，弱边缘就检不出来了。

第二个硬伤是频域上有旁瓣。均值滤波的核在频域对应的是 sinc 函数，sinc 有振荡的旁瓣，意味着它会把某些高频成分“反相”保留下来，在强边缘附近产生振铃或者摩尔纹。你在周期性纹理上做均值滤波，经常能看到不该有的条纹。

高斯核在这两点上都占优。它的权重按距离指数衰减，中心权重最大、边缘权重趋近于零，所以平滑是“局部主导”的，对结构边缘的破坏比均值滤波小；它的傅里叶变换仍然是高斯函数，没有旁瓣、没有振荡，频域上是干净的“一刀切”低通。再加上它可分离、各向同性——旋转图像再滤波和滤波再旋转，结果是一样的，这个性质在做尺度空间的时候非常关键。

当然也有高斯搞不定的事。椒盐噪声（那种孤立的纯黑纯白点）高斯滤不掉，因为它是“少数极端值”，平均之后只是把黑点摊薄成一小片灰，反而污染了邻域，这种情况必须上中值滤波。要保边又要降噪，双边滤波或者导向滤波更合适，代价是慢，而且参数一多就难调。我把常见平滑算子的取舍整理成了一张表，选型的时候直接对号入座。

需要说明的是，表里的耗时只是同尺寸核下的相对量级示意，真实数值受实现方式、数据位宽、硬件缓存影响极大，不要拿它当绝对基准。真正选型的时候我的原则是：先看噪声类型，再看是否要保边，最后才看速度。顺序反了，就会陷入“为了快选错算子、再用一堆补丁去救”的循环。

2. 原理拆解：从一维高斯函数到二维卷积核

2.1 一维高斯函数：σ 到底在控制什么

一维高斯函数的表达式是：

G(x) = 1 / (σ · √(2π)) · exp( -x² / (2σ²) )

这里面有三个部分，各司其职。前面的 1/(σ√(2π)) 是归一化系数，作用是让整条曲线下的面积等于 1，也就是“权重总和为 1”，保证滤波前后图像的整体亮度不变。如果漏掉这个系数，滤波后的图会整体变暗或者变亮，这是个新手极容易踩的坑。中间的 exp 是指数衰减，决定了权重的分布形状。分母里的 σ 就是标准差，它唯一地决定了这条曲线的“胖瘦”。

我习惯用一个物理类比来理解 σ：把一滴墨水滴在湿纸上，墨水会向四周扩散。σ 小，墨迹扩散得近，边界清晰；σ 大，墨迹晕开一大片，边界糊掉。所以 σ 在图像上的直观含义就是平滑半径的软版本：σ 越大，参与决策的邻域越大，噪声压得越狠，同时细节也丢得越多。σ 趋于 0 的时候，高斯核退化成只有中心为 1、其余为 0 的冲激函数，滤波等于什么都不做，图像原样输出——这个退化性质在调试的时候很有用，可以拿来验证你的实现有没有额外的增益或偏移。

还有一个常被忽略的点：σ 和曲线高度是耦合的。σ 变大时，峰值 1/(σ√(2π)) 会变矮，曲线变宽变扁。这正好符合“归一化”的要求——总面积恒为 1。很多人写代码时把系数写死成 0.3989（也就是 σ=1 时的峰值），然后改 σ 只改指数部分，结果滤波后图像亮度随着 σ 变化而漂移，这个 bug 我见过不止一次。

2.2 二维核的可分离性：为什么它能快这么多

图像是二维的，所以实际用的核是二维高斯：

G(x, y) = 1 / (2πσ²) · exp( -(x² + y²) / (2σ²) )

它看起来是个二维的钟形曲面，中心最高，向四周各方向对称衰减。直接把公式套进去生成一个 k×k 的核，然后拿这个大核去卷积图像，逻辑上没问题，但计算量会让人肉疼。

关键在于，因为指数上 x² 和 y² 是相加的，可以拆成两个指数相乘：

G(x, y) = [ 1/(σ√(2π)) · exp(-x²/(2σ²)) ] × [ 1/(σ√(2π)) · exp(-y²/(2σ²)) ] = G(x) · G(y)

这个恒等式看起来只是一步代数变形，但它带来的工程量级差异是巨大的。对一个 W×H 的图像做 k×k 卷积，每个像素要做 k² 次乘加；而拆成“先横向做 1×k 卷积、再纵向做 k×1 卷积”之后，每个像素只需要 2k 次乘加。两者的比值是 k² : 2k，也就是 k/2。

举个实际的数：核尺寸 k=31，直接二维卷积每个像素要 961 次乘加，可分离之后只要 62 次，加速比是 15.5 倍。在 1920×1080 的图上跑，这个差距就是几十毫秒和几毫秒的区别，在产线节拍上足够决定方案能不能落地。这也是为什么所有成熟的图像处理实现，默认都是走可分离路径的。你调用现成的 GaussianBlur 接口时，它内部做的就是这件事，而且还会用到 SIMD 指令和缓存分块，比你手写的朴素版本快得多。

需要提醒一点：可分离性的前提是核在 x 和 y 方向用的是同一个 σ，也就是各向同性的高斯。如果你为了实现某种方向性的平滑，故意用了 σx ≠ σy 的椭圆高斯，那公式依然可分离（先横后竖，各自用对应的 σ），但如果核里带旋转角度，就不可分离了，必须老老实实做二维卷积。这个区别在做纹理分析或者运动模糊建模的时候会遇到。

2.3 截断、归一化与整数化：三个不能省的收尾动作

理论上高斯函数的支撑集是无限大的，从 -∞ 延伸到 +∞。计算机里不可能用一个无限大的核，必须截断成有限尺寸。这就引出一个必须明确的问题：截到哪里算合理。

工程上的通用做法是取 3σ 截断，也就是核半径 r = ceil(3σ)，核尺寸 k = 2r + 1。依据是正态分布的性质：±1σ 覆盖 68.27%，±2σ 覆盖 95.45%，±3σ 覆盖 99.73%。取到 3σ，意味着被丢掉的那部分权重占比不到 0.3%，它对结果的贡献已经小于灰度的量化误差，肉眼完全不可见。

但截断之后必须做一件补救动作：重新归一化。因为原始公式在离散截断后，所有格点的权重加和不再精确等于 1，而是略小于 1（3σ 截断下大约是 0.9973）。如果不除回去，滤波后整张图的平均灰度会往下掉一点点，σ 越大、截断越狠，掉得越明显。这个偏差在单次滤波里可能只有一两个灰阶，但如果你的流水线里串联了三五次滤波，误差就会累积成可见的亮度漂移。

第三个动作是整数化。浮点卷积在桌面环境毫无压力，但在嵌入式或者专用硬件上，浮点乘加的代价太高，通常会把核乘上一个定点系数（常见的是 256 或者 1024，因为可以换成移位），转成整数核，卷积累加完之后再右移回去。这里有个隐患：定点化会引入舍入误差，误差大小取决于定点系数。系数取 256 时，单个权重的量化步长是 1/256，累积到 k² 个格点上，理论最大偏差可能达到几个灰阶。我的经验是定点系数至少取 1024，要求严格的时候取 4096，尤其是 k 比较大（比如 k>15）的时候，低位权重量化到 0 会让核的实际形状发生畸变，平滑效果对不上你算出来的 σ。

3. 从零手写一个能用的高斯滤波

3.1 第一步：把核生成对，并做自检

我不建议一上来就调现成接口。自己写一遍核生成，能让你对后面所有诡异现象有判断力。下面是我常用的版本，用数组库实现，逻辑很直白：

import numpy as np def gaussian_kernel_1d(sigma, radius=None, truncate=3.0): if sigma <= 0: raise ValueError("sigma must be positive") if radius is None: radius = max(1, int(np.ceil(truncate * sigma))) x = np.arange(-radius, radius + 1, dtype=np.float64) kernel = np.exp(-(x ** 2) / (2.0 * sigma ** 2)) kernel /= kernel.sum() # 关键：归一化 return kernel def gaussian_kernel_2d(sigma, radius=None, truncate=3.0): k1 = gaussian_kernel_1d(sigma, radius, truncate) k2 = np.outer(k1, k1) # 外积即二维可分离核 return k2 / k2.sum()

写完之后别急着拿去滤图，先做三个自检，这三个检查帮我抓到过好几次隐蔽的 bug。第一，kernel.sum()必须非常接近 1，误差在 1e-12 量级；如果差得远，说明归一化漏了或者位置不对。第二，核必须严格对称，np.allclose(k, k[::-1], k[:, ::-1])应该为真；不对称说明索引算错了，卷积结果会出现方向性偏移，图像整体会往一个方向“错位”半个像素。第三，中心元素必须是最大值，而且最大值随 σ 增大而减小；如果中心不是最大，八成是 σ 传成了负数或者 0。

还有一个容易被忽略的检查：核的尺寸必须是奇数。这不是审美问题，而是对齐问题。卷积核的中心必须落在某个像素上，才能保证输出和输入在空间上对齐。偶数尺寸的核没有唯一的中心，做出来的结果会整体偏移半个像素，接着你的几何测量就会系统性偏 0.5 个像素——在小尺寸检测里这是致命的。如果你的 σ 算出来的半径是偶数，宁可向上取到奇数，也不要向下取。

3.2 第二步：卷积实现与四种边界处理

核有了，接下来是卷积。高斯核是对称的，所以卷积和相关在这个场景下结果完全一样，不需要额外的翻转操作，这一点可以省掉一次内存反转。核心循环是这样的：

def convolve2d_same(img, kernel): kh, kw = kernel.shape rh, rw = kh // 2, kw // 2 h, w = img.shape padded = np.pad(img, ((rh, rh), (rw, rw)), mode="reflect") out = np.zeros((h, w), dtype=np.float64) for i in range(kh): for j in range(kw): out += kernel[i, j] * padded[i:i + h, j:j + w] return out

这段代码里最需要讨论的是mode。边界之外没有像素，你怎么“编”出像素值来参与运算，直接决定了边缘区域的质量。常见的策略有四种，差别很大：

补零是最容易写、也最容易出问题的。因为零比大部分像素暗得多，边缘一圈在加权平均后会被拉低，形成一条几像素宽的暗带。如果你的检测区域恰好贴着图像边缘，这条暗带会被当成结构边缘误检。所以我个人的默认选择是 replicate，除非有明确理由才换。

还有一个细节：用 NumPy 的向量化写法padded[i:i+h, j:j+w]做累加，比四层嵌套 for 循环快一到两个数量级，因为每次都是整幅图的数组运算。但它的内存占用是 k² 次全图读取，k 大的时候会吃掉不少带宽。真要在资源受限的环境上跑，还是得回到分块加滑窗的写法。

3.3 第三步：可分离优化与实测对比

把二维卷积改成两次一维，代码只多几行，速度差别很明显：

def gaussian_blur_separable(img, sigma): k1 = gaussian_kernel_1d(sigma) r = len(k1) // 2 h, w = img.shape tmp = np.zeros_like(img, dtype=np.float64) padded = np.pad(img, ((0, 0), (r, r)), mode="reflect") for j, wgt in enumerate(k1): tmp += wgt * padded[:, j:j + w] out = np.zeros_like(img, dtype=np.float64) padded = np.pad(tmp, ((r, r), (0, 0)), mode="reflect") for i, wgt in enumerate(k1): out += wgt * padded[i:i + h, :] return out

注意这里我用了同一种边界策略两次，横向一次、纵向一次。这没问题，但要知道它的效果和一次性二维处理并不严格等价——两次反射的边界行为是嵌套的，在极端角落上会有微小差异，通常可以忽略。真正要求严格对齐的场合（比如做图像配准的特征点提取），我会在两侧各留出至少 r 像素的无效边距，卷积完再裁掉，让有效区域完全不受边界策略影响。

在一台普通开发机上，用 1920×1080 的灰度图、σ=3（r=9，k=19）做对比，量级大致是这样：朴素四重循环十几秒，向量化二维卷积约 0.3~0.5 秒，可分离版本约 0.03~0.06 秒，而调用成熟库的接口大概在 0.01 秒以内。这些数字只是给一个量级感，不同机器、不同数据位宽会差不少，但比例关系是稳定的：可分离相对二维大约是 k/2 倍，向量化相对循环是十倍以上。

这个对比说明一件事：如果你的滤波是流水线的一环，别自己造轮子去拼性能，用成熟实现。自己写的价值在于理解原理和排查问题，不在于生产部署。

4. 参数怎么定：σ、核尺寸与工程约束

4.1 σ 与核尺寸的配对关系

这是问得最多的一类问题：“我的图有噪声，σ 设多少合适？”这个问题没有通用答案，但有一套可靠的定参流程。

首先要明确，σ 和核尺寸不是两个独立参数，而是主从关系。σ 是决定平滑强度的主参数，核尺寸只是它的实现细节，应该由 σ 推导出来（k = 2·ceil(3σ)+1），而不是反过来。我见过不少代码里 σ 和 k 是分开传的，结果有人传 σ=5、k=3，算出来的核在边界处被强行截断，权重严重失真，实际行为更接近一个 3×3 的均值滤波，跟预期的 σ=5 完全不是一回事。这种“参数配错但不报错”的情况最难排查，因为程序跑得通，只是效果不对。

下面这张表是我自己常用的起点，实测下来覆盖了大部分场景，可以作为初值再微调：

定参的实操流程我一般是这三步。第一步，从 σ=1 开始，这是最不容易出错的默认值，绝大多数图像在 σ=1 下的平滑是“无感”的——你看不出被滤过，但噪声确实降了。第二步，把处理前后的图并排放在一起，放大到 200% 看你要保留的那个结构特征：如果边缘开始发虚、细线开始断裂，说明 σ 过了；如果还残留明显噪点，说明不够，按 1.5、2、3 往上加。第三步，回到下游指标上验证，比如二值化后的连通域数量、边缘点的定位重复性、测量值的标准差。视觉判断容易骗人，指标不会。

这里有个反直觉的经验：σ 不是越大越好，很多时候 σ 增大反而让下游指标变差。因为过度平滑会把弱边缘的能量抹到噪声水平以下，检出的边缘点数量先增后减，定位精度先升后降。找到那个拐点，往往比你想象的 σ 更小——我遇到的大部分场景，最优 σ 落在 0.8 到 2.0 之间。

4.2 大图、多通道、浮点数据：几个必须处理的工程细节

大图分块。一张 8000×6000 的图，σ=5 意味着核半径 15，直接做可分离卷积要来回读好几遍内存，缓存全打穿，速度断崖式下跌。做法是切成带重叠的块：每个块的输出区域是 512×512，但实际读取时要向外扩 r 像素的“光晕”（halo），也就是读 (512+2r)×(512+2r)，算完之后只保留中间的 512×512 部分。这样块与块之间不会出现接缝，因为边界处的像素用的确实是完整的邻域。光晕宽度必须严格等于核半径，少一个像素就会出现一条细缝，而且在平滑图上几乎看不出来，只有在下游做梯度的时候才突然冒出一条直线——这种 bug 能查一整天。另外拼接的时候注意用np.copyto之类的原地写入，别反复创建大数组。

多通道。彩色图像有三个通道，处理方式有两种：每个通道独立做高斯，或者转成某种亮度-色度空间只平滑亮度。前者简单、无副作用，但可能让色度噪声残留；后者能更好地抑制彩色噪点，但会引入色彩偏移。我的建议是默认逐通道独立处理，因为它没有信息损失，也不会串色。如果发现彩色噪点明显，再考虑分离色度通道单独加大平滑。要特别注意的一点是：千万别把三通道数据当成一维长数组直接卷，那样会在通道交界处把红色和蓝色的像素混在一起，出现明显的彩色条纹。

浮点与高位深数据。很多场景下图像不是 8 位整数，而是 16 位深度图、浮点反射率图、或者是 HDR 数据。这类数据做高斯时有两件事要改：一是全程用浮点运算，中间结果不要过早舍入到整数，否则位深越高损失越大；二是归一化系数的精度要求更高，8 位数据下一个灰阶的误差看不出来，16 位下就是 256 倍的相对误差。还有一类特殊数据带无效值（NaN 或者特定的哨兵值），直接卷积会把无效值扩散到整片区域。正确的做法是先算一个有效掩膜，用掩膜加权的归一化卷积，也就是分子做“值×掩膜”的卷积、分母做“掩膜”的卷积，最后相除，这样无效区域不会污染有效区域。

4.3 什么时候该果断换掉高斯

高斯不是万能的，用错地方就是给自己埋雷。有几种情况我会毫不犹豫地换方案。

第一种，噪声是椒盐型的，也就是图像上散布着孤立的纯黑或纯白点。高斯的做法是把这些极端值按权重摊到邻域里，结果是黑点变成一小片灰斑，噪点没去掉，还多了一片脏区域。这时候中值滤波是正解，它取中位数，极端值会被直接丢弃。

第二种，要求保边。高斯对边缘两侧一视同仁地做加权平均，边缘必然被模糊。如果你的下游任务是精确定位边缘位置，或者要做亚像素级的尺寸测量，那模糊带来的偏差是不可接受的。这时候双边滤波、导向滤波、或者各向异性扩散更合适。代价是它们不可分离、参数更多、慢一个数量级。

第三种，需要在平滑的同时保留特定方向的纹理。比如某些周期性纹理的检测，你希望沿着纹理方向平滑、垂直方向保留。这时候要用方向性核，本质上是椭圆高斯加旋转，不可分离，得老老实实做二维卷积。

第四种，只想要背景估计。如果你的目的是估计光照不均或者背景底色，σ 往往要设得很大（几十甚至上百像素），这时候核尺寸会大到不可接受。正确做法是把图像降采样之后用小 σ 平滑，再上采样回来，或者用形态学开运算、或者用低频拟合。直接上大核高斯，耗时和内存都吃不消。

5. 高频踩坑与排查速查表

5.1 现象、原因、对策对照表

下面这张表是我这些年攒下来的，按“看到什么现象”反查“哪里出了问题”，基本能覆盖九成以上的高斯相关故障。用的时候先看现象列，不要一上来就怀疑参数。

5.2 三个不写在文档里的实测经验

经验一：先跟自己写的版本对拍，再信成熟库。我接手别人的代码或者换一个新的运行环境时，第一件事是跑一个对拍：同一张图，自己写的可分离实现和成熟接口各跑一次，减一下取绝对值，看最大差异。正常情况下最大差异应该只有一两个灰阶（来自定点舍入和边界策略差异）。如果差到十几个灰阶，一定是参数或者边界处理不一致，这时候不要怀疑库，先怀疑自己。这个对拍过程救过我一次——某次发现边缘区域差了三十多个灰阶，最后定位是我传的 σ 和库里解释的 σ 定义不同（有的实现把 σ 定义成“半径”，有的定义成标准差），如果不做对拍，这个偏差会一直藏在结果里。

经验二：σ 要和下游算子配套。高斯滤波从来不是孤立存在的，它的输出要喂给后面的边缘检测或者特征提取。这些下游算子自己往往也带一个 σ 参数，两个 σ 应该是匹配的。常见错误是前置高斯设了 σ=3，下游边缘检测还用默认的 σ=1，结果就是前置把细节抹掉了，下游还在努力找细节，找到的全是残余噪声。一个可靠的配法是：前置高斯 σ 略小于下游的尺度参数，让下游成为“最后的把关者”，而不是“捡漏者”。

经验三：调试期间把中间结果存图。高斯滤波的问题大多是“看不出问题”的问题——结果看起来对，但误差在累积。我的习惯是在关键节点把核、滤波后的图、滤波前后的差值图都存下来看。差值图特别有用，它能直观地告诉你被滤掉的到底是什么：如果差值图上是均匀的细密噪点，说明平滑生效了；如果差值图上出现了结构的轮廓线，说明你把边缘也一起滤掉了，σ 需要往下调。这个方法比看任何指标都快。

6. 落地场景：高斯滤波真正在起作用的地方

6.1 预处理链路里的固定位置

在绝大多数图像处理流水线里，高斯滤波的位置几乎是标准化的：去噪之后、梯度计算之前。这个位置不是随便定的。放在最前面，它可以同时抑制传感器噪声和压缩伪影，为后续所有算子提供干净的输入；放在梯度计算之前，是因为梯度算子本质上是高通滤波器，对噪声极其敏感——一个 3×3 的 Sobel 会把相邻像素的差值放大，噪声幅值直接翻几倍，弱边缘全被淹没。前置一个 σ≈1 的高斯，相当于先做一次低通，把噪声的频段砍掉，再让梯度去处理剩下的结构信息，性价比极高。

我做过的几个方向的检测任务，几乎都是这个套路：高斯平滑 → 梯度或差分 → 阈值或形态学 → 连通域或轮廓分析。中间的具体算子换来换去，但第一步的高斯几乎没变过，变的只是 σ。另外在一些非检测类任务里它也很常见，比如做图像拼接前的特征点提取，高斯用来构建尺度空间；做模板匹配前，对模板和原图都做相同 σ 的高斯，能显著提升匹配对光照变化的鲁棒性；做图像下采样之前，必须先用高斯做抗混叠，否则缩略图上会出现严重的摩尔纹。

6.2 尺度空间：高斯在这里是骨架级的存在

如果说前面那些是“用”高斯，那尺度空间就是“靠”高斯。核心思路是：用一族不同 σ 的高斯核去平滑同一张图，得到一系列模糊程度递增的图像，构成一个“尺度维”。真实世界里的物体在不同尺度上呈现不同的特征，小 σ 下看到的是纹理细节，大 σ 下看到的是整体形状。有些特征只在特定尺度上明显，把尺度维展开之后，就能做尺度不变的特征检测。

这里高斯能胜任的原因，是它满足一个很多核都不具备的性质：两个高斯卷积的结果还是高斯，且 σ 满足平方和关系。也就是说，先用 σ₁ 平滑、再用 σ₂ 平滑，结果等价于一次性用 √(σ₁² + σ₂²) 平滑。这个性质保证了你从任意一个尺度出发，都能通过再平滑跳到更大的尺度，而不需要每次都从原图重算，省掉大量重复计算。同时也保证了尺度维的连续性——不会因为中间跨了几步就出现尺度断层。均值滤波、中值滤波都不具备这个性质，这也是它们做不了尺度空间分析的根本原因。

6.3 跳出一维二维：一维信号与点云上的同一套逻辑

高斯的适用面远不止图像。一维时序信号上，它是最常用的平滑器之一，原理完全一样：构造一个一维核，做滑动加权平均。工程上要注意的是延迟问题——如果核是因果的（只取当前和过去的点），会引入相位延迟；非因果的对称核虽然没有延迟，但需要“预知未来”，只能在离线处理里用。做实时系统的时候，这个取舍必须提前想清楚。

在点云或者三维数据上，高斯滤波器变成了“空间邻域加权平均”：对每个点，找它半径内的邻居，按距离加权平均坐标或者法向，实现去噪和平滑。这里的实现难点在于邻域搜索而不是加权本身，通常要配一个空间索引结构。有意思的是，二维图像上“可分离”这个优化在三维点云上完全不成立，因为邻域不是规则网格，所以点云上的高斯滤波普遍比较慢，参数也更难调。

最后分享一个我在实际调参时反复用的小技巧：别一次只改 σ，把 σ 和下游阈值绑成一组做小规模网格搜索。单独看滤波结果，你永远觉得“再平滑一点更好”；但把下游的最终指标（比如误检数、定位重复性）拉进来一起看，往往会发现最优的 σ 比你想要的小得多，甚至小到你觉得“这也能算滤波吗”。我最近一次的记录是，目视觉得 σ=2.0 才够干净，但按下游误检率算出来最优是 σ=0.9，两者差了整整一倍多。滤波强度这件事，眼睛的判断和指标的口径经常对不上，信指标。