Python如何生成隨機(jī)高斯模糊圖片詳解

更新時(shí)間：2021年05月19日 09:13:38 作者：Cloudox_

這篇文章主要給大家介紹了關(guān)于高斯模糊的原理以及python實(shí)現(xiàn)的相關(guān)資料，Python使用opencv庫生成模糊圖像還是很方便的，需要的朋友可以參考下

高斯模糊的介紹與原理

通常，圖像處理軟件會(huì)提供"模糊"（blur）濾鏡，使圖片產(chǎn)生模糊的效果。

"模糊"的算法有很多種，其中有一種叫做"高斯模糊"（Gaussian Blur）。它將正態(tài)分布（又名"高斯分布"）用于圖像處理。

所謂"模糊"，可以理解成每一個(gè)像素都取周邊像素的平均值。

上圖中，2是中間點(diǎn)，周邊點(diǎn)都是1。

"中間點(diǎn)"取"周圍點(diǎn)"的平均值，就會(huì)變成1。在數(shù)值上，這是一種"平滑化"。在圖形上，就相當(dāng)于產(chǎn)生"模糊"效果，"中間點(diǎn)"失去細(xì)節(jié)。

顯然，計(jì)算平均值時(shí)，取值范圍越大，"模糊效果"越強(qiáng)烈。

上面分別是原圖、模糊半徑3像素、模糊半徑10像素的效果。模糊半徑越大，圖像就越模糊。從數(shù)值角度看，就是數(shù)值越平滑。

接下來的問題就是，既然每個(gè)點(diǎn)都要取周邊像素的平均值，那么應(yīng)該如何分配權(quán)重呢？

如果使用簡(jiǎn)單平均，顯然不是很合理，因?yàn)閳D像都是連續(xù)的，越靠近的點(diǎn)關(guān)系越密切，越遠(yuǎn)離的點(diǎn)關(guān)系越疏遠(yuǎn)。因此，加權(quán)平均更合理，距離越近的點(diǎn)權(quán)重越大，距離越遠(yuǎn)的點(diǎn)權(quán)重越小。

python生成高斯模糊

Python可以使用opencv庫很方便地生成模糊圖像，如果沒有安裝opencv的，可以用pip安裝：

pip install python-opencv

想了解高斯模糊是什么的話，可以看wiki百科-高斯模糊。對(duì)于一般人，只要知道這個(gè)操作可以生成模糊圖片就好了，一行代碼即可搞定：

import cv2
img = cv2.GaussianBlur(ori_img, (9, 9), 0)

這個(gè)函數(shù)的第一個(gè)參數(shù)是原圖像，第二個(gè)參數(shù)是高斯矩陣，要注意長(zhǎng)和寬都必須為單數(shù)，第三個(gè)參數(shù)是標(biāo)準(zhǔn)差，如果寫0，則函數(shù)會(huì)自行計(jì)算。

那怎么控制模糊程度呢？很簡(jiǎn)單，高斯矩陣的尺寸越大，標(biāo)準(zhǔn)差越大，處理過的圖像模糊程度越大。

介紹完了簡(jiǎn)單的高斯模糊操作，我們加一個(gè)隨機(jī)處理，來隨機(jī)生成模糊程度不同的幾張圖像，其實(shí)也很簡(jiǎn)單，加一個(gè)隨機(jī)函數(shù)來生成高斯矩陣的尺寸就可以了：

import cv2
import random

imgName = "img.png"
min_size = 11

ori_img = cv2.imread(imgName)

for i in range(3):
    addition = random.choice((0, 2, 4, 6, 8, 10, 12))
    size = min_size + addition
    kernel_size = (size, size)
    img = cv2.GaussianBlur(ori_img, kernel_size, 0)
    new_imgName = "New_" + str(i) + "_" + str(kernel_size[0])  + "_" + imgName
    cv2.imwrite(new_imgName, img)

這里利用了random庫，來在一組數(shù)字中隨機(jī)選擇一個(gè)數(shù)，加到最小尺寸上，作為每次生成的模糊圖片的高斯矩陣尺寸，這里我的尺寸最小值設(shè)為了11，大家可以根據(jù)需要自己嘗試看效果來設(shè)定。