使用np.fromfunction :

您可以使用我编写的a basic computer vision library中的一些代码。
所以如果你有size和sigma，你可以得到gaussiankernel的2dnumpyarray，用这一行：

kernel = np.fromfunction(lambda x, y: (1/(2*math.pi*sigma**2)) * math.e**((-1*((x-(size-1)/2)**2+(y-(size-1)/2)**2))/(2*sigma**2)), (size, size))

然后将其转换为normalise，只需将每个element除以：

kernel /= np.sum(kernel)

其中（* 例如 *）将size作为5，将sigma作为1，将给予kernel为：

array([[ 0.00296902,  0.01330621,  0.02193823,  0.01330621,  0.00296902],
       [ 0.01330621,  0.0596343 ,  0.09832033,  0.0596343 ,  0.01330621],
       [ 0.02193823,  0.09832033,  0.16210282,  0.09832033,  0.02193823],
       [ 0.01330621,  0.0596343 ,  0.09832033,  0.0596343 ,  0.01330621],
       [ 0.00296902,  0.01330621,  0.02193823,  0.01330621,  0.00296902]])

你可以看到一个很好的对称的bell-curve在2d中，从中间升起。
你可以看到这个gaussianfilter用matplotlib可视化：

在Python中使用openCV

示例：Sigma=1.0的5x5内核：
第一种方法：使用中间有一个1的矩阵：
第一个
第二种方法：使用cv2.getGaussianKernel：
第一个
结果是一样的。
注意，在Python中，内核大小必须是奇数。因此，所使用的函数不支持使用例如4x4内核。

如果你正在寻找一个“python“ian的方式来创建一个2D高斯过滤器，你可以通过两个1D高斯过滤器的点积来创建它。
创建单个1x5高斯滤波器

x = np.linspace(0, 5, 5, endpoint=False)
y = multivariate_normal.pdf(x, mean=2, cov=0.5)

然后将其更改为二维数组

import numpy as np
y = y.reshape(1,5)

将y与其自身进行点积，以创建对称的2D高斯过滤器

GF = np.dot(y.T,y)

这个函数在OpenCV中并不存在，但是OpenCV提供了创建它的基本函数，这个函数叫做cv::getGaussianKernel。因为我不熟悉python，所以我用c++写了我的程序，但是我知道把这个代码转换成python很简单。

Mat xdirectionGauss = getGaussianKernel(4,  //Size of kernel in x direction
                                        1.4);  // Sigma in x direction

Mat kernel =xdirectionGauss*xdirectionGauss.t();  //kernel * transpose(kernel)

kernels的输出将如下所示：

[0.035183571, 0.058602851, 0.058602851, 0.035183571;
0.058602851, 0.097610727, 0.097610727, 0.058602851;
0.058602851, 0.097610727, 0.097610727, 0.058602851;
0.035183571, 0.058602851, 0.058602851, 0.035183571]

如果将结果与生成2D内核的MATLAB进行比较，则输出将与opencv相同。

>> h = fspecial('gaussian',[4 4], 1.4)

h =

0.0352    0.0586    0.0586    0.0352
0.0586    0.0976    0.0976    0.0586
0.0586    0.0976    0.0976    0.0586
0.0352    0.0586    0.0586    0.0352