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 255if pv < 0:return 0return pvimport cv2 as cvimport numpy as npdef gaussian_noise(image):#对图像加上高斯噪声h,w,c = image.shapefor 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] #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("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。根据这个可以获取sigmaY,若是sigmaX和sigmaY都没有则根据ksize获取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。
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)
