通常，图像处理软件会提供"模糊"（blur）滤镜，使图片产生模糊的效果。

　　"模糊"的算法有很多种，其中有一种叫做"高斯模糊"（Gaussian Blur）。它将正态分布（又名"高斯分布"）用于图像处理。本质上，它是一种数据平滑技术（data smoothing），适用于多个场合，图像处理恰好提供了一个直观的应用实例。

　　① 滤波器【卷积核】的大小应该是奇数，这样它才有一个中心，例如3x3，5x5或者7x7。有中心了，才有半径的称呼。
　　② 滤波器矩阵所有的元素之和应该要等于1，这是为了保证滤波前后图像的亮度保持不变。当然了，这不是硬性要求了。
　　③ 如果滤波器矩阵所有元素之和大于1，那么滤波后的图像就会比原图像更亮，反之，如果小于1，那么得到的图像就会变暗。如果和为0，图像不会变黑，但也会非常暗。
　　④ 对于滤波后的结构，可能会出现负数或者大于255的数值。对这种情况，我们将他们直接截断到0和255之间即可。对于负数，也可以取绝对值。

一、高斯模糊的原理

　　所谓"模糊"，可以理解成每一个像素都取周边像素值的平均值（如3*3核，则取周围8个像素点的平均值，如3*5核，则取周围14个像素点的平均值）。

　　"中间点"取"周围点"的平均值，在数值上，这是一种"平滑化"。在图形上，就相当于产生"模糊"效果，"中间点"失去细节。显然，计算平均值时，取值范围越大，"模糊效果"越强烈。模糊半径越大，图像就越模糊。从数值角度看，就是数值越平滑。

　　接下来的问题就是，既然每个点都要取周边像素的平均值，那么应该如何分配权重呢？

　　如果使用简单平均，显然不是很合理，因为图像都是连续的，越靠近的点关系越密切，越远离的点关系越疏远。因此，加权平均更合理，距离越近的点权重越大，距离越远的点权重越小。

二、正态分布的权重

　　正态分布显然是一种可取的权重分配模式。

三、高斯函数

　　上面的正态分布是一维的，图像都是二维的，所以我们需要二维的正态分布。

　　正态分布的密度函数叫做"高斯函数"（Gaussian function）。

四、权重矩阵

　　假定中心点的坐标是(0,0)，那么距离它最近的8个点的坐标如下：

　　更远的点以此类推。

　　为了计算权重矩阵，需要设定σ的值。假定σ=1.5，则模糊半径为1的权重矩阵如下：

　　这9个点的权重总和等于0.4787147，如果只计算这9个点的加权平均，还必须让它们的权重之和等于1，因此上面9个值还要分别除以0.4787147，得到最终的权重矩阵。

五、计算高斯模糊

　　有了权重矩阵，就可以计算高斯模糊的值了。
　　假设现有9个像素点，灰度值（0-255）如下：每个点的灰度值乘以自己的权重值，将这9个值加起来，就是中心点的高斯模糊的值。
　　对所有点重复这个过程，就得到了高斯模糊后的图像。如果原图是彩色图片，可以对RGB三个通道分别做高斯模糊。

六、边界点的处理
　　如果一个点处于边界，周边没有足够的点，怎么办？
　　一个变通方法，就是把已有的点拷贝到另一面的对应位置，模拟出完整的矩阵。

七、滤波实际上就是Same模式的卷积操作，也就是说滤波后图像的大小不变，各种滤镜和照片的风格化就是使用不同的滤小组器对图像进行操作。因此卷积核、滤波器本质上都是一个东西。

八、高通滤波器（Hign Pass Filter,HPF）表示仅请允许图像中高频部分（即图片中变化较剧烈的部分）通过，往往用于锐化处理、增强图像中物体边缘等。

九、低通滤滤器（Low Pass Filter,LPF）表示仅请允许图像中低频部分（即图片中变化较平缓的部分）通过，往往用于对图像进行模糊/平滑处理、消除噪点。如高斯滤滤器、均值滤波器等。

1、均值滤波——元素之和为1，输出亮度与输入基本一致，卷积核越大，模糊程序越大，一个3×3的均值滤波器
|1/9 1/9 1/9|
|1/9 1/9 1/9|
|1/9 1/9 1/9|
2、高斯滤波——元素之和为1，输出亮度与输入基本一致，卷积核越大，模糊程序越大，一个3×3标准差为1的高斯滤波器
|1/16 2/16 1/16|
|2/16 4/16 2/16|
|1/16 2/16 1/16|