基础知识铺垫

看到一种说法，解释高斯模糊的比较简单，高斯模糊是带加权的均值模糊。

大概解释如下：

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。

不过阅读起来还是比较费劲的，这种情况，有两种学习方式

第一种，去死磕线性代数，研究卷积算法

第二种，先放一下，因为目前高斯模糊的应用场景，还未完全明确，可以日后用到这部分知识，在进行学习，橡皮擦选择第二种。

高斯模糊在美颜软件上挺常见的，专业图片处理工具也一定有，主要用在磨皮与毛玻璃效果上。

关于高斯模糊，还真找到一篇不错的博客，可以参考（建议在新选项卡打开，对照着学习）。

寻找资料的时候，还发现一个大佬关于高斯模糊的解释，可以参考。

函数原型介绍

高斯模糊（Gaussian Blur）

函数原型如下：

dst = cv2.GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)

参数说明：

src：原图像；
ksize：高斯核的大小，格式为(width, height)，其中 width 和 height 可以不同，两者都是正奇数；如果设为 0，则根据 sigma 得到；
sigmaX： X 方向的高斯核标准差；
sigmaY： Y 方向的高斯核标准差，如果 sigmaY 设为 0，则与 sigmaX 相等，如果两者都为 0，则可以根据 ksize 来计算得到；

官方手册查阅

测试代码如下：

import cv2
import numpy as np
img = cv2.imread('test.jpg')

# dst = cv2.GaussianBlur(img,ksize=(5,5),sigmaX=0,sigmaY=0)
# 创建毛玻璃特效
# 参数2：高斯核的宽和高（建议是奇数）
# 参数3：x和y轴的标准差
dst = cv2.GaussianBlur(img, (5, 5), 0)
cv2.imshow('dst', dst)

cv2.waitKey()

运行效果与原图对比：

20210122225509130[1].png

你可以继续修改参数值，高斯核尺寸和标准差越大，处理后的图片越模糊

dst1 = cv2.GaussianBlur(img, (5, 5), 0.5)
dst2 = cv2.GaussianBlur(img, (5, 5), 1.5)
dst3 = cv2.GaussianBlur(img, (9, 9), 1.5)
cv2.imshow('dst1', dst1)
cv2.imshow('dst2', dst2)
cv2.imshow('dst3', dst3)