Écrire flou(img) , qui remplace chaque pixel intérieur par la moyenne…

def flou(img):
    """Moyenne 3x3 sur les pixels interieurs ; les bords sont recopies.

    Precondition : img a au moins 3 lignes et 3 colonnes.
    """
    assert len(img) >= 3 and len(img[0]) >= 3
    L, C = len(img), len(img[0])
    r = [list(ligne) for ligne in img]      # copie PROFONDE : les bords
    for i in range(1, L - 1):
        for j in range(1, C - 1):
            s = 0
            for di in (-1, 0, 1):
                for dj in (-1, 0, 1):
                    s = s + img[i + di][j + dj]     # on LIT dans img
            r[i][j] = s // 9                        # on ECRIT dans r
    return r

Pourquoi une nouvelle matrice est indispensable. La nouvelle valeur du pixel $(i,j)$ dépend des anciennes valeurs de ses huit voisins. Si l'on écrivait dans img au fur et à mesure, le calcul du pixel $(i,j+1)$ utiliserait la valeur déjà floutée de $(i,j)$ : le flou se propagerait de gauche à droite et de haut en bas, laissant une image dissymétrique. Le résultat ne serait pas seulement inexact — il dépendrait de l'ordre de parcours, ce qu'aucune spécification ne devrait tolérer.

Et la copie doit être profonde. r = list(img) partagerait les lignes : écrire dans r[i][j] modifierait img, et l'on retomberait exactement dans le défaut qu'on voulait éviter. C'est ici que l'exercice sur les copies prend tout son sens.

Vérification.

uni = [[100] * 5 for _ in range(5)]
assert flou(uni) == uni                 # une image uniforme reste uniforme

pic = [[0] * 5 for _ in range(5)]
pic[2][2] = 90
res = flou(pic)
print(res[2][2], res[1][1], res[0][0])  # 10 10 0

Deux contrôles bien choisis. L'image uniforme doit être invariante : la moyenne de neuf fois $100$ vaut $100$. Le pic isolé de $90$ se répand en neuf cases valant chacune $90/9=10$ — et le coin, hors du voisinage, reste à $0$. Le total est conservé, ce qui est la signature d'une moyenne.

Hors programme : cette opération s'appelle une convolution, et changer les neuf coefficients change l'effet — flou, netteté, détection de contours. C'est le mécanisme de base du traitement d'images, et celui des réseaux de neurones convolutifs.