高斯函数 Gaussian Function
基础部分：
μ指的是期望，决定了正态分布的中心对称轴
正态曲线以μ为对称轴，当x=μ时，f(x)取最大值，
，μ称为位置参数，σ称为形状参数
μ=0，σ平方等于1时的正态分布叫标准正态分布
σ指的是方差决定了正态分布的胖瘦，方差越大，正态分布相对的胖而矮
方差：（x指的是平均数）
标准差：方差开根号
任何正态分布的概率密度从负无穷到正无穷积分的结果都为1
一维形式：
高斯的一维图是特征对称“bell curve“（钟状）a是曲线尖峰的高度，b是尖峰中心的坐标，c称为标准方差 ，表征的是bell钟状的宽度
具有期望值μ和方差 σ平方 的归一化高斯曲线
对应的参数是
高斯函数广泛应用于统计学领域，用于表示正态分布，在信号处理领域，用于定义高斯滤波器
在图像处理领域，二维高斯核函数常应用于高斯模糊，在数学领域用于解决热力方程和扩散方程
由上图可知，高斯函数是一个指数函数，其log函数是对数凹二次函数
高斯函数的积分是误差函数，尽管如此，其在整个实线上的反常积分能够被精确的计算出来，使用如下的高斯积分
同理可得
当且仅当
上式积分为1，在这种情况下，高斯是正态分布随机变量的概率密度函数，期望值μ=b，
方差δ平方= c平方， 即：
高斯函数分析：
实际编程应用中，高斯函数中的参数有：
ksize：高斯函数的大小
sigma：高斯函数的方差
center：高斯函数尖峰中心点坐标
bias：高斯函数尖峰中心点的偏移量，用于控制截断高斯函数
对于图像处理因为图像是二维的，所以我们需要二维的正态分布
因为其一维形式是
所以根据其二维形式可以得到二维高斯函数
利用这个函数计算每个点的权重
权重矩阵 假设中心点的坐标是（0，0），那么距离它最近的8个点的坐标如下： （远点以此类推）
计算权重需要设置σ的值，假定σ=1.5，则模糊半径为1的权重矩阵如下：
这九个点的权重总和为0.4787147，如果只计算这9个点的加权平均，还必须让他们的权重之和等于1，要分因此这九个值还别除以0.4787147，得到最终的权重矩阵
计算高斯模糊
有了权重矩阵就可以计算高斯模糊得值了
假设现有9个像素值，灰度值（0-255）如下
每个点乘以自己得权重值：
得到
将这9个值加起来，就是中心点得高斯模糊得值
对所有点重复这个过程，就得到了高斯模糊后得像，如果原图是彩色图片，可以对RGB三个通道分别做高斯模糊
