利用python实现高斯滤波，并没有什么难度。但在实现过程出现一些有意思的过程！
首先利用opencv实现很简单，代码如下：
import cv2
import datetime
import matplotlib.pyplot as plt
import numpy as np
import PIL
f = plt.imread('G:\SR\HR_image\img_1_HR.jpg')
image_3_LF = cv2.GaussianBlur(f,(3,3),0) #(3,3)为高斯半径
#image_3_LF为高斯滤波后的低分图像
plt.imsave("G:\SR\guassi_LF_image\img_1_LR", image_3_LF)
res_3 = cv2.subtract(f , image_3_LF ) #得到残差高频图
plt.imsave('G:\SR\Res_image\img_1_res', res_3)
值得注意的是，在我利用plt读取图片时，高斯滤波以后得到的图像是没有问题的，但是残差图出现很大的差异！
正常残差图 异常残差图
分析原因是在做图片相减时出现的原因，JPG图片（原图）减PNG图像（高斯滤波后图像）就没有问题，但是当原图是PNG图像时，就会出现异常残差图。
下面介绍一下几种常用图像格式的差异（原文）：
1.JPG：使用的一种失真压缩标准方法，24 bit真彩色，不支持动画、不支持透明色。JPEG的压缩方式通常是破坏性资料压缩（lossy compression），即在压缩过程中图像的品质会遭受到可见的破坏。一张图片多次上传下载后，图片逐渐会失真。
2.PNG：格式是无损数据压缩的，PNG格式有8位、24位、32位三种形式，其中8位PNG支持两种不同的透明形式（索引透明和alpha透明），24位PNG不支持透明，32位PNG在24位基础上增加了8位透明通道（32-24=8），因此可展现256级透明程度。
3.BMP：是一种与硬件设备无关的图像文件格式，使用非常广。它采用位映射存储格式，除了图像深度可选以外，不采用其他任何压缩，因此，BMP图像所占用的空间很大。BMP文件的图像深度可选lbit、4bit、8bit及24bit。BMP文件存储数据时，图像的扫描方式是按从左到右、从下到上的顺序。
