让我们在 1D 中分析它，因为直觉是相同的。

首先，让我们看看几个不同的高斯内核：

正如预期的那样，它们随着标准偏差 (STD) 的增加而变宽。
这意味着当使用卷积应用内核时，更多信息来自更远的样本。另一方面，这意味着数据被传播。

现在，在您的图像中，渐变是凹凸。所以我们可以通过一个阶跃函数来近似它：

让我们看一下上面使用 step 函数的内核卷积的输出：

正如我们所看到的，STD 越高，数据越分散，尽管能量是相同的。
在图像中，我们希望它被视为数据更模糊、更宽、更暗（因为值较低）。

完整代码可在我的StackExchange Signal Processing Q70725 GitHub 存储库中找到（查看SignalProcessing\Q70725文件夹）。