高斯分布：
高斯模糊的原理
一：图像产生高斯噪声循环代码实现（耗时）
def clamp(pv): #使我们的随机值在0-255之间 if pv > 255: return 255 if pv < 0: return 0 return pv import cv2 as cv import numpy as np def gaussian_noise(image): #对图像加上高斯噪声 h,w,c = image.shape for row in range(h): #十分耗时 for col in range(w): s = np.random.normal(0,20,3) #产生3个随机值，符合正态分布，第一个参数是概率分布的均值，对应分布中心，，第二个是概率分布的标准差，越小越瘦高，第三个是输出的值个数 b = image[row,col,0] #blue g = image[row,col,1] #green r = image[row,col,2] #red image[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("noise image",image) src = cv.imread("./1.png") #读取图片 cv.namedWindow("input image",cv.WINDOW_AUTOSIZE) #创建GUI窗口,形式为自适应 cv.imshow("input image",src) #通过名字将图像 gaussian_noise(src) cv.waitKey(0) #等待用户操作，里面等待参数是毫秒，我们填写0，代表是永远，等待用户操作 cv.destroyAllWindows() #销毁所有窗口
推文：从np.random.normal()到正态分布的拟合
二：使用高斯模糊
dst = cv.GaussianBlur(src,(0,0),15) #我们可以通过修改高斯内核（快）和标准差来修改模糊程度 cv.imshow("GaussianBlur",dst)
参数详解如下： src，输入图像，即源图像，填Mat类的对象即可。它可以是单独的任意通道数的图片，但需要注意，图片深度应该为CV_8U,CV_16U, CV_16S, CV_32F 以及 CV_64F之一。 dst，即目标图像，需要和源图片有一样的尺寸和类型。比如可以用Mat::Clone，以源图片为模板，来初始化得到如假包换的目标图。 ksize，高斯内核的大小。其中ksize.width和ksize.height可以不同，但他们都必须为正数和奇数（并不能理解）。或者，它们可以是零的，它们都是由sigma计算而来。 sigmaX，表示高斯核函数在X方向的的标准偏差。 sigmaY，表示高斯核函数在Y方向的的标准偏差。若sigmaY为零，就将它设为sigmaX，如果sigmaX和sigmaY都是0，那么就由ksize.width和ksize.height计算出来。 为了结果的正确性着想，最好是把第三个参数Size，第四个参数sigmaX和第五个参数sigmaY全部指定到。 borderType，用于推断图像外部像素的某种边界模式。注意它有默认值BORDER_DEFAULT。 ps: 高斯核函数：自己找找看，其实看上去就是普通的正态分布函数形式。 我猜ksize是模糊半径的意思，水平方向和竖直方向的半径不一样，需要指定。 标准偏差就是标准偏差…… 
三：使用高斯模糊处理高斯噪声（发现高斯噪声的影响不大，高斯模糊对其有抑制作用）
gaussian_noise(src) #修改原图为高斯噪声图 dst = cv.GaussianBlur(src,(5,5),15) cv.imshow("GaussianBlur",dst)
原文：https://www.cnblogs.com/ssyfj/p/9268492.html