高斯模糊是一种计算机视觉算法的预先处理过程，很多学习机器学习的小伙伴都会接触到它，今天小编就给大家带来了python实现高斯模糊的实例分享，接下来就让我们来看看python怎么实现高斯模糊吧。
本文实例为大家分享了OpenCV3.3+Python3.6实现图片高斯模糊的具体代码，供大家参考，具体内容如下
高斯模糊
高斯模糊（英语：Gaussian Blur），通常用它来减少图像噪声以及降低细节层次。这种模糊技术生成的图像，其视觉效果就像是经过一个半透明屏幕在观察图像，这与镜头焦外成像效果散景以及普通照明阴影中的效果都明显不同。高斯模糊也用于计算机视觉算法中的预先处理阶段，以增强图像在不同比例大小下的图像效果（参见尺度空间表示以及尺度空间实现）。 从数学的角度来看，图像的高斯模糊过程就是图像与正态分布做卷积。由于正态分布又叫作高斯分布，所以这项技术就叫作高斯模糊。图像与圆形方框模糊做卷积将会生成更加精确的焦外成像效果。由于高斯函数的傅立叶变换是另外一个高斯函数，所以高斯模糊对于图像来说就是一个低通滤波器。
高斯模糊原理： “模糊”，就是将图像中每个像素值进行重置的过程，这个过程采用将每一个像素都设置成周边像素的平均值。
# 高斯模糊
# 高斯模糊
# 操作
# cv2.GaussianBlur(image, (135, 135), 0) #(5, 5)表示高斯矩阵（高斯内核）的长与宽都是5（必须为奇数），标准差取0
import cv2
import numpy as np
def clamp(pv): #保证 RGB三色值的数值不超过255
if pv>255:
return 255
if pv<0:
return 0
else:
return pv
def gaussian_noise(image): #给图片加一些噪声，高斯噪声
h, w, c = image.shape #获取三个值，高度、宽度、深度
for row in range(h): #在宽度、 高度中遍历进行像素点RGB的赋值
for col in range(w):
s=np.random.normal(0, 20, 3) #获取随机数 3个数的数组
b = image[row, col, 0] # blue 原来的蓝色值
g = image[row, col, 1] # green
r = image[row, col, 2] # red
image[row, col, 0] = clamp(b + s[0]) #加上处理赋值
image[row, col, 1] = clamp(g + s[1])
image[row, col, 2] = clamp(r + s[2])
cv2.imshow("Gauss_noise", image)
print("--------Hello Python--------")
src=cv2.imread("lena.jpg")
cv2.imshow("Source Image",src)
t1=cv2.getTickCount()#获取时间值
gaussian_noise(src)
t2=cv2.getTickCount()#获取时间值
time=(t2-t1)/cv2.getTickFrequency()#计算出时间（s）
print("所用时间:%s"%(time*1000))
dst = cv2.GaussianBlur(src, (2555,2555), 15)#进行高斯模糊处理
cv2.imshow("Gauss_blur",dst)
cv2.waitKey(0)
cv2.destroyAllWindows()（1）原图：
（2）高斯噪声图片
（3）高斯模糊效果
以上就是python实现高斯模糊的全部内容，希望对大家的学习有所帮助，也希望大家多多支持W3Cschool。
