如果有人想知道如何使skimage.gaussian_filter（）与Matlab的imgaussfilt（）相匹配（这也是我提出这个问题的原因），请将参数'truncate=2'传递给skimage.gaussian_filter（）。skimage和Matlab都将内核大小作为sigma的函数来计算。Matlab的默认值是2。Skimage的默认值是4，默认情况下会产生一个明显更大的内核。

对于GaussianBlur，您使用了一个相当大的内核（大小=33），这会导致大量的平滑。平滑将在很大程度上取决于您的内核大小。使用您的参数，每个新的像素值将在一个33*33像素的“窗口”中“平均”。
有关cv2.GaussianBlur的定义，请访问http://docs.opencv.org/3.1.0/d4/d13/tutorial_py_filtering.html#gsc.tab=0
相比之下，skimage.filters.gaussian似乎可以在更小的内核上工作。在skimage中，“大小”由sigma定义，sigma与内核大小相关，如下所述：https://en.wikipedia.org/wiki/Gaussian_filter
定义可在此处找到：http://scikit-image.org/docs/dev/api/skimage.filters.html#skimage.filters.gaussian
为了获得相应的结果，您必须使用较小的OpenCV内核。
此外，对于这两个库，我强烈建议使用最新的库版本。

这两者是相等的：

gau_img = cv2.GaussianBlur(img, (5,5), 10.0) # 5*5 kernal, 2 on each side. 2 = 1/5 * 10 = 1/5 * sigma
gau_img = skimage.filters.gaussian(img, sigma=10, truncate=1/5)

整个高斯核只由sigma定义，但是你用高斯核的哪一部分来模糊图像是由truncate（在skimage中）还是ksize（在opencv中）定义。

根据[Scipy0.15.1 API][1]：

scipy.ndimage.filters(img, sigma=sigma, truncate = 4.0)

它将高斯滤波器的核大小设置为truncate * sigma。在这种理解下，下面两个函数将在灰度图像上给予相同的结果：

trunc_val = 3
sigma_val = 3
k_size = int(sigma_val * trunc_val)
gau_img1 = cv2.GaussianBlur(img, (k_size,k_size), sigma_val)
gau_img2 = gaussian_filter(img, sigma = sigma_val, truncate = trunc_val) 

cv2.imshow("cv2 res", gau_img1)
cv2.imshow("scipy res", gau_img2)
cv2.waitKey(-1)

部分测试结果：截断瓦尔= 3;西格玛瓦尔= 3 x1c 0d1x
截断瓦尔= 3;西格玛瓦尔= 1

截断瓦尔= 3;西格玛值= 9

opencv和scipy都允许指定sigma，它在两个库中具有相同的含义。内核大小的确定方式不同：

• 在scipy中，它是从truncate参数派生的，即int(truncate * sigma + 0.5)
• 在opencv中，它可以独立于sigma指定（如果省略，它的计算方式与sigma = 0.3*((ksize-1)*0.5 - 1) + 0.8不同。

因此，要获得相同的结果，您需要显式指定内核大小和sigma：

import cv2
from skimage.filters import gaussian
import matplotlib.pyplot as plt

img = cv2.imread('bg4dZ.png', cv2.IMREAD_GRAYSCALE)

truncate = 4
sigma = 2
radius = int(truncate * sigma + 0.5)
ksize = 2 * radius + 1

opencv = cv2.GaussianBlur(img, (ksize, ksize), sigma, borderType=cv2.BORDER_REFLECT)
scipy = gaussian(img, sigma, truncate=truncate, preserve_range=True, mode='reflect')

fig, axs = plt.subplots(ncols=4, layout='constrained', figsize=(16, 4))
axs[0].imshow(img, cmap='gray')
axs[1].imshow(opencv, cmap='gray')
axs[2].imshow(scipy, cmap='gray')
diff = opencv - scipy
diff = axs[3].imshow(diff, cmap='seismic', vmin=diff.min(), vmax=-diff.min())
fig.colorbar(diff, shrink=.95)
for ax in axs:
    ax.set_axis_off()

其余差异（参见第4个图）是由浮点计算和不同的结果数据类型（uint8与float64）引起的。