高斯模糊实质上就是一种均值模糊，只是高斯模糊是按照加权平均的，距离越近的点权重越大，距离越远的点权重越小。通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。
高斯分布的一维和二维原理如下：
补：高斯分布的标准差σ。标准差代表着数据的离散程度，如果σ较小，那么生成的模板的中心系数较大，而周围的系数较小，这样对图像的平滑效果就不是很明显；反之，σ较大，则生成的模板的各个系数相差就不是很大，比较类似均值模板，对图像的平滑效果比较明显。
importcv2ascvimportnumpyasnpdefclamp(pv): ifpv>255: return255ifpv<0: return0returnpvdefgaussian_noise(image): h,w,c=image.shapeforrowinrange(h): forcolinrange(w): s=np.random.normal(0,20,3) b=image[row,col,0]#blueg=image[row,col,1]#greenr=image[row,col,2]#redimage[row, col, 0] =clamp(b+s[0]) image[row, col, 1] =clamp(g+s[1]) image[row, col, 2] =clamp(r+s[2]) cv.imshow("niose image",image) src=cv.imread("C:\\Users\\william\\Pictures\\go.jpg") cv.namedWindow("input image",cv.WINDOW_AUTOSIZE) cv.imshow("input image",src) gaussian_noise(src) dst=cv.GaussianBlur(src,(5,5),0) cv.imshow("gaussian",dst) cv.waitKey(0) cv.destroyAllWindows()
高斯模糊GaussianBlur函数原型：
GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) -> dst
src参数表示待处理的输入图像。
ksize参数表示高斯滤波器模板大小。 ksize.width和ksize.height可以不同，但它们都必须是正数和奇数。或者，它们可以是零，即（0, 0），然后从σ计算出来。
sigmaX参数表示 X方向上的高斯内核标准差。
sigmaY参数表示 Y方向上的高斯内核标准差。 如果sigmaY为零，则设置为等于sigmaX，如果两个sigma均为零，则分别从ksize.width和ksize.height计算得到。
补：若ksize不为(0, 0)，则按照ksize计算，后面的sigmaX没有意义。若ksize为(0, 0)，则根据后面的sigmaX计算ksize
4.numpy包里的random模块用于生成随机数，random模块里的normal函数表示的是生成高斯随机数。
normal函数默认原型：normal(loc=0.0, scale=1.0, size=None)。
loc参数表示高斯分布的中心点。
scale参数表示高斯分布的标准差σ。
size参数表示产生随机数的个数。size取值可以为（m，n，k），表示绘制m*n*k个样本。
实验图像：
高斯过滤可以很好的过滤掉高斯噪声，他保留了图像的原本轮廓，可以实现毛玻璃效果
毛玻璃效果：
