您应该使用高斯核是可分离的事实，即您可以将2D卷积表示为两个1D卷积的组合。

如果滤波器很大，那么使用空间域中的卷积等效于频率（傅里叶）域中的乘法这一事实也是有意义的。这意味着您可以对图像和滤镜进行傅立叶变换，将（复杂）结果相乘，然后进行傅立叶逆变换。 FFT（快速傅立叶变换）的复杂度为O（n log n），而卷积的复杂度为O（n ^ 2）。同样，如果您需要使用同一滤镜模糊许多图像，则只需对滤镜进行一次FFT。

如果您决定继续使用FFT，则FFTW库是一个不错的选择。

• 步骤1：SIMD一维高斯模糊
• 步骤2：移调
• 步骤3：重复步骤1

最好在小块上完成，因为全图像转置比较慢，而小块转置可以使用一连串的PUNPCK （ PUNPCKHBW，PUNPCKHDQ，PUNPCKHWD，PUNPCKLBW，PUNPCKLDQ，PUNPCKLWD ）非常快地完成。

数学笑话很可能知道这一点，但对于其他人来说。

由于高斯的数学特性很好，您可以通过首先在图像的每一行上运行一维高斯模糊，然后在每一列上运行一维模糊，来快速对2D图像进行模糊处理。

在1D中：

反复使用几乎所有内核进行模糊处理都倾向于使用高斯内核。这就是高斯分布的奇妙之处，也是统计学家喜欢它的原因。因此，请选择易于模糊的内容并将其应用多次。

例如，使用盒形内核很容易模糊。首先计算一个累计和：

y(i) = y(i-1) + x(i)

然后：

blurred(i) = y(i+radius) - y(i-radius)

重复几次。

或者您可能会使用各种IIR滤波器来回移动几次，这些速度同样快。

在2D或更高版本中：

正如DarenW所说，每个维度都一个接一个地模糊。

我在研究过程中为这个问题而苦苦挣扎，并尝试了一种有趣且有趣的方法来实现快速高斯模糊。首先，如前所述，最好将模糊分为两个一维模糊，但是根据实际用于像素值计算的硬件，您实际上可以预先计算所有可能的值并将它们存储在查找表中。

换句话说，预先计算Gaussian coefficient * input pixel value每个组合。当然，您需要谨慎考虑系数，但是我只想添加此解决方案。如果您拥有IEEE订阅，则可以使用查阅表进行实时特征提取，以获取快速图像模糊中的更多内容。

最终，我最终还是使用了CUDA :)

最终解决方案

我对如此多的信息和实现感到非常困惑，我不知道应该信任哪一个。弄清楚之后，我决定写自己的文章。我希望它可以节省您的时间。

最快的高斯模糊（线性时间）

它包含源代码，（希望如此）源代码简短，干净并且可以轻易重写为任何其他语言。请投票，以便其他人可以看到。

对于较大的模糊半径，请尝试应用三次框模糊 。这将很好地近似高斯模糊，并且比真正的高斯模糊快得多。

1. 我找到了Quasimondo：孵化器：处理：快速高斯模糊 。此方法包含许多近似值，例如使用整数和查找表，而不是浮点数和浮点除法。我不知道现代Java代码中有多少加速。

2. 矩形上的快速阴影具有使用B样条的近似算法。

3. C＃中的快速高斯模糊算法声称具有一些很酷的优化。

4. 而且，David Everly的Fast Gaussian Blur （PDF）具有用于Gaussian模糊处理的快速方法。

我将尝试各种方法，对其进行基准测试，然后将结果发布在此处。

出于我的目的，我从Internet复制并实现了基本（独立处理XY轴）方法和David Everly的Fast Gaussian Blur方法。它们的参数不同，所以我无法直接比较它们。但是，对于较大的模糊半径，后者经过的迭代次数要少得多。同样，后者是一种近似算法。

您可能希望框模糊，这要快得多。请参阅此链接，获取出色的教程以及一些复制和粘贴C代码的信息 。

我会考虑为此使用CUDA或其他一些GPU编程工具包，特别是如果您想使用更大的内核。否则，总会在组装中手动调整循环。