函數原型:
void GaussianBlur(InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY=0, int borderType=BORDER_DEFAULT);
參數詳解如下：
src，輸入圖像，即源圖像，填Mat類的對象即可。它可以是單獨的任意通道數的圖片，但需要注意，圖片深度應該為CV_8U,CV_16U, CV_16S, CV_32F 以及 CV_64F之一。
dst，即目標圖像，需要和源圖片有一樣的尺寸和類型。比如可以用Mat::Clone，以源圖片為模板，來初始化得到如假包換的目標圖。
ksize，高斯內核的大小。其中ksize.width和ksize.height可以不同，但他們都必須為正數和奇數（並不能理解）。或者，它們可以是零的，它們都是由sigma計算而來。
sigmaX，表示高斯核函數在X方向的的標准偏差。
sigmaY，表示高斯核函數在Y方向的的標准偏差。若sigmaY為零，就將它設為sigmaX，如果sigmaX和sigmaY都是0，那么就由ksize.width和ksize.height計算出來。
為了結果的正確性着想，最好是把第三個參數Size，第四個參數sigmaX和第五個參數sigmaY全部指定到。
borderType，用於推斷圖像外部像素的某種邊界模式。注意它有默認值BORDER_DEFAULT。
ps:
高斯核函數：自己找找看，其實看上去就是普通的正態分布函數形式。
我猜ksize是模糊半徑的意思，水平方向和豎直方向的半徑不一樣，需要指定。
標准偏差就是標准偏差……
英文：
Parameters:
src – input image; the image can have any number of channels, which are processed independently, but the depth should be CV_8U, CV_16U, CV_16S, CV_32F or CV_64F.
dst – output image of the same size and type as src.
ksize – Gaussian kernel size. ksize.width and ksize.height can differ but they both must be positive and odd. Or, they can be zero’s and then they are computed from sigma* .
sigmaX – Gaussian kernel standard deviation in X direction.
sigmaY – Gaussian kernel standard deviation in Y direction; if sigmaY is zero, it is set to be equal to sigmaX, if both sigmas are zeros, they are computed from ksize.width and ksize.height , respectively (see getGaussianKernel() for details); to fully control the result regardless of possible future modifications of all this semantics, it is recommended to specify all of ksize, sigmaX, and sigmaY.
borderType – pixel extrapolation method (see borderInterpolate() for details).
Demo:
#include "cv.h"
#include "highgui.h"
using namespace cv;
int main(int argc, char** argv) {
Mat img, gray, edges;
img = imread(argv[1]);
cvtColor(img, gray, CV_BGR2GRAY);
GaussianBlur(gray, gray, Size(13, 13), 2, 2);
imshow("gray", gray);
waitKey(0);
return 0;
}
運行方法：
> g++ demo.cpp -o demo `pkg-config --cflags --libs opencv`
> ./demo 1.png
結果：
當ksize：(5, 5) -> (9, 9) -> (13, 13)時，
后兩者差別已經很小了。
當sigmaX, sigmaY由(1, 1) -> (2, 2) -> (3, 3)時，
變化會明顯很多～