高斯函数（Gaussian Function）在image filtering (smoothing)用处之广泛，其定义如下:
常用的是，Normalized Gaussian Function，具体如下：
此时函数图像就是熟悉的帽子形状：
gaussian
简要分析以下，参数对函数值的影响：
mu 决定了函数最高值所在的地方
sigma 决定的函数是否宽扁，还是高窄。
从可视化图像来看，sigma值越大，函数越扁。
从image smoothing的角度来看，邻域内与中心像素相似的像素的权重比较大。
如果用到stereo matching的cost aggregation中，当某个区域的颜色变化很相似，那么sigma的取值应该比较大，因此，不会同一个square中权重分布太陡峭。
同时，这也解释了，在unsupervised depth estimation中加入gaussian权重的效果，现在是hardcode 5x5的patch的权重分布都是sigma = 1， 这个值太小了，所以对于路面纹理不会有太好的结果。
