Python中不使用opencv实现Gaussian blur（高斯模糊）是否可行？

完全可以不依赖OpenCV实现高斯模糊，对应你原有的参数配置（sigmaX=2、sigmaY=2、核大小自动计算、边界使用默认填充），以下是几种常用实现方案：

Pillow是Python生态最常用的轻量图像处理库，替换成本极低，默认边界填充逻辑和OpenCV的BORDER_DEFAULT完全一致，最终效果几乎无差异。
示例代码（假设输入a为numpy数组格式的图像）：

from PIL import Image, ImageFilter
import numpy as np

# numpy数组转PIL图像
img = Image.fromarray(a)
# radius参数对应高斯sigma值
blurred_img = img.filter(ImageFilter.GaussianBlur(radius=2))
# 转回numpy数组，和原OpenCV返回结果格式一致
res = np.array(blurred_img)

如果你的项目本身已经引入了Scipy做数值计算，可以直接用ndimage模块的内置高斯滤波，不需要额外做图像格式转换：

from scipy.ndimage import gaussian_filter

# mode设为reflect对应OpenCV BORDER_DEFAULT的反射填充逻辑，multichannel=True表示对多通道图像每个通道单独滤波
res = gaussian_filter(a, sigma=2, mode='reflect', multichannel=True)

如果你完全不想引入除了Numpy之外的第三方依赖，可以手动实现高斯模糊逻辑，和OpenCV原调用逻辑完全对齐，仅适合小尺寸图像处理：

import numpy as np

def gaussian_blur_np(img, sigma=2):
    # 和OpenCV逻辑一致，自动计算卷积核大小：ksize = 2*round(3*sigma) + 1
    ksize = int(2 * round(3 * sigma) + 1)
    half_ksize = ksize // 2
    # 生成1维高斯核
    x = np.linspace(-half_ksize, half_ksize, ksize)
    gauss_1d = np.exp(-x ** 2 / (2 * sigma ** 2))
    gauss_1d /= gauss_1d.sum()
    # 扩展为2维高斯核
    gauss_2d = np.outer(gauss_1d, gauss_1d)
    gauss_2d /= gauss_2d.sum()

    # 边界反射填充
    if len(img.shape) == 3:
        # 多通道图像
        padded = np.pad(img, ((half_ksize, half_ksize), (half_ksize, half_ksize), (0, 0)), mode='reflect')
        res = np.zeros_like(img)
        for c in range(img.shape[2]):
            for i in range(img.shape[0]):
                for j in range(img.shape[1]):
                    res[i, j, c] = (padded[i:i+ksize, j:j+ksize, c] * gauss_2d).sum()
    else:
        # 单通道灰度图
        padded = np.pad(img, half_ksize, mode='reflect')
        res = np.zeros_like(img)
        for i in range(img.shape[0]):
            for j in range(img.shape[1]):
                res[i, j] = (padded[i:i+ksize, j:j+ksize] * gauss_2d).sum()
    return res

# 调用方法
res = gaussian_blur_np(a, sigma=2)

内容的提问来源于stack exchange，提问作者azal