使用这样的sigma值，对于y=0和x=n/2-1，在核的中心处的值与在核的边缘上的值之间的比率为：

g_edge / g_center = exp(-(x²+y²)/(2σ²))
                  = exp(-(n/2-1)²/(2*(0.3(n/2-1)+0.8)²))

字符串
当n增加时，该值的极限为：

exp(-1/(2*0.3²)) = 0.00386592

型
注意1/256是0.00390625。图像通常以256个值的范围编码。选择0.3可确保内核考虑可能显著影响结果值的所有像素。
恐怕我没有对0.8部分的解释，但我想它在这里是为了确保当n很小时的合理值。

我们可以看到半径是否足够大，它实际上是0.3r，符合sigma假设：我们需要滤波器半径为3sigma
半径是（ksize-1）/2，因此换句话说，我们需要sigma =（ksize-1）/6。其大约为0.15*（ksize-1）。
为什么需要+0.5？
事情很简单。如果我们对于小内核使边缘为0，则只有中心具有相对大的值。它变成了每像素缩放而不是过滤。对于半径为2，它看起来像三角形滤波器而不是高斯滤波器
因此，我们需要一个偏移量来确保小滤波器具有低通效应。
x1c 0d1x的数据

size=3                 : tensor([0.0109, 0.9783, 0.0109])
size=3 with +0.5 offset: tensor([0.2466, 0.5067, 0.2466])
size=5                 : tensor([0.0066, 0.1942, 0.5983, 0.1942, 0.0066])
size=5 with +0.5 offset: tensor([0.0809, 0.2434, 0.3515, 0.2434, 0.0809])
size=7                 : tensor([0.0044, 0.0540, 0.2420, 0.3991, 0.2420, 0.0540, 0.0044])
size=7 with +0.5 offset: tensor([0.0366, 0.1113, 0.2167, 0.2707, 0.2167, 0.1113, 0.0366])
size=9                 : tensor([0.0033, 0.0238, 0.0972, 0.2260, 0.2994, 0.2260, 0.0972, 0.0238, 0.0033])
size=9 with +0.5 offset: tensor([0.0204, 0.0578, 0.1216, 0.1900, 0.2205, 0.1900, 0.1216, 0.0578, 0.0204])

字符串