def clamp(pv):　　#使我们的随机值在0-255之间
    if pv > 255:
        return 255
    if pv < 0:
        return 0
    return pv
import cv2 as cv
import numpy as np

def gaussian_noise(image):  #对图像加上高斯噪声
    h,w,c = image.shape
    for 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] #blue
            g = image[row,col,1] #green
            r = image[row,col,2] #red
            image[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

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。
    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。
 
ps:
    高斯核函数：自己找找看，其实看上去就是普通的正态分布函数形式。
    我猜ksize是模糊半径的意思，水平方向和竖直方向的半径不一样，需要指定。
    标准偏差就是标准偏差……

gaussian_noise(src) #修改原图为高斯噪声图
dst = cv.GaussianBlur(src,(5,5),15)
cv.imshow("GaussianBlur",dst)