在进行均值滤波和方框滤波时，其邻域内每个像素的权重是相等的。在高斯滤波中，会将中心点的权重值加大，远离中心点的权重值减小，在此基础上计算邻域内各个像素值不同权重的和。
4.1 原理介绍
在高斯滤波中，卷积核中的值不再都是1。如下图所示
在实际使用中，高斯滤波使用的可能是不同大小的卷积核，核的宽度和高度可以不相同，但是它们都必须是奇数，可以根据使用需求选定合适的卷积核。每一种尺寸的卷积核都可以有多种不同形式的权重比例。在实际计算中，卷积核是归一化处理的，严格来讲，使用没有进行归一化处理的卷积核进行滤波，得到的结果往往是错误的。
4.2 函数语法
在OpenCV中，实现高斯滤波的函数是cv2.GaussianBlur（），该函数的语法格式是：
dst=cv2.GaussianBlur（src,ksize,sigmaX,sigmaY,borderType）
式中：
● dst是返回值，表示进行高斯滤波后得到的处理结果。
● src 是需要处理的图像，即原始图像。它能够有任意数量的通道，并能对各个通道 独立处理。图像深度应该是CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F中的一 种。
● ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中其邻域图像的高度和宽 度。需要注意，滤波核的值必须是奇数。
● sigmaX 是卷积核在水平方向上（X 轴方向）的标准差，其控制的是权重比例。
● sigmaY是卷积核在垂直方向上（Y轴方向）的标准差。如果将该值设置为0，则只采用sigmaX的值
如果sigmaX和sigmaY都是0，则通过ksize.width和ksize.height计算得到。其中：
sigmaX=0.3×[（ksize.width-1）×0.5-1] +0.8
sigmaY=0.3×[（ksize.height-1）×0.5-1]+0.8
● borderType是边界样式，该值决定了以何种方式处理边界。一般情况下，不需要考虑该值，直接采用默认值即可。 在该函数中，sigmaY和borderType是可选参数。sigmaX是必选参数，但是可以将该参数设置为0，让函数自己去计算sigmaX的具体值。
函数cv2.GaussianBlur（）的常用形式为：
dst=cv2.GaussianBlur（src,ksize,0,0）
4.3 程序示例
import cv2 as cv
import numpy as np
def cv_show(name, img):
cv.imshow(name, img)
cv.waitKey(0)
cv.destroyAllWindows()
*对图像添加高斯噪声
def add_gauss_noise(image, mean=0, val=0.01):
size = image.shape
# 对图像归一化处理
image = image / 255
gauss = np.random.normal(mean, val**0.05, size)
image = image + gauss
return image
img = cv.imread('D:\\dlam.jpg')
if img is None:
print('Failed to read the image')
img1 = add_gauss_noise(img)
cv_show('img1', img1)
img2 = cv.GaussianBlur(img1, (3, 3), 1, 2)
cv_show('img2', img2)
原图如下：
添加高斯噪声：
高斯滤波结果：
高斯滤波对高斯噪声消除效果较好。