快速高斯滤波、高斯模糊、高斯平滑(二维卷积分步为一维卷积)

高斯滤波(Gauss Filter)是线性滤波中的一种。在OpenCV图像滤波处理中，高斯滤波用于平滑图像，或者说是图像模糊处理，因此高斯滤波是低通的。其广泛的应用在图像处理的减噪过程中，尤其是被高斯噪声所污染的图像上。
高斯滤波的基本思想是: 图像上的每一个像素点的值，都由其本身和邻域内其他像素点的值经过加权平均后得到。其具体操作是，用一个核(又称为卷积核、掩模、矩阵)扫描图像中每一个像素点，将邻域内各个像素值与对应位置的权值相称并求和。从数学的角度来看，高斯滤波的过程是图像与高斯正态分布做卷积操作。
注意: 高斯滤波是将二维高斯正态分布放在图像矩阵上做卷积运算。考虑的是邻域内像素值的空间距离关系，因此对彩色图像处理时应分通道进行操作，也就是说操作的图像原矩阵时用单通道数据，最后合并为彩色图像。

本章节仅讨论快速高斯滤波的实现，如对高斯滤波的基本原理和实现不理解的，可以先看之前的一篇
OpenCV高斯滤波器详解及代码实现

一、高斯函数分离特性

可以看到，高斯二维公式可以推导为X轴与Y轴上的一维高斯公式。而图形矩阵是二维的，高斯滤波就是将核范围中的各个点的坐标带入高斯二维公式，得出在核矩阵上的空间分布特性，这些特性将作为权值反应在核矩阵的各个点上。最终使用核与图像矩阵作卷积运算得到处理图像。

在之前的那篇高斯滤波文章上，采用的二维方式实现的。假设一张单通道图片大小（M*N），核大小（size*size），核上的（size*size）个点都将被计算权值。最终实现的复杂度为 （M*N*size*size）。
而如果将二维分步成X轴Y轴的一维处理。在X轴上计算size个点，Y轴上size个点。其复杂度将优化到 (M*N*size*2).
注意：先使用X轴方向(Y轴方向)对整个图像矩阵作卷积，再在Y轴方向(X轴方向)对整个图像矩阵作卷积。

二、高斯二维的空间分布

二维高斯是构建高斯滤波器的基础。可以看到，G(x,y)在x轴y轴上的分布是一个突起的帽子的形状。这里的sigma可以看作两个值，一个是x轴上的分量sigmaX，另一个是y轴上的分量sigmaY。对图像处理可以直接使用sigma并对图像的行列操作，也可以用sigmaX对图像的行操作，再用sigmaY对图像的列操作。它们是等价的。
当sigmaX和sigmaY取值越大，整个形状趋近于扁平；当sigmaX和sigmaY取值越小，整个形状越突起。
假设核大小为（size*size），那么核上（size*size）个点都将计算权值。

三、高斯二维分步为X轴Y轴的高斯一维

假设一个（3*3）的核，在X轴(k方向)上

在Y轴(l方向)上