OpenCV3.3与Python3.6实现图片高斯模糊处理

认真发呆

发布时间：2026-10-14| 4人浏览过

原创

本文介绍如何使用OpenCV3.3和Python3.6实现图片高斯模糊。高斯模糊通过图像与正态分布卷积降低噪声并减少细节，常用于预处理。文章包含原理说明、添加高斯噪声的代码实现以及模糊效果对比，提供完整Python示例供参考。

OpenCV Python高斯模糊实现

本教程展示了基于OpenCV3.3和Python3.6的图片高斯模糊实现代码，供读者参考学习。

高斯模糊原理

高斯模糊

高斯模糊（Gaussian Blur）是一种常用的图像平滑技术，旨在减少图像噪声并降低细节层次。经过该处理后的图像呈现出类似透过半透明屏幕观察的效果，与镜头焦外成像（散景）及普通照明阴影有显著区别。在计算机视觉领域，高斯模糊常作为预处理步骤，用于增强图像在不同尺度下的表现（涉及尺度空间表示与实现）。从数学角度看，高斯模糊即图像与正态分布函数的卷积。因正态分布亦称高斯分布，故得名。此外，高斯函数的傅立叶变换仍为高斯函数，这使得高斯模糊在图像处理中表现为低通滤波器。

高斯模糊的核心原理在于“模糊”操作，即重新计算图像中每个像素的值。具体做法是将每个像素的值替换为其周围像素的平均值，从而实现平滑效果。

代码实现与效果演示


# 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：