当前位置：首页 > news >正文

计算机视觉（五）：blur

news 2025/9/2 12:22:05

计算机视觉中的图像模糊（blur）是一种常见的图像处理技术，其核心是减少图像中高频细节信息，使图像变得平滑。高频信息通常代表图像中的边缘、纹理和噪声，而低频信息则代表图像的平滑区域。通过模糊处理，我们可以有效地降低这些高频信息的强度，从而达到各种目的。

图像模糊的原理

图像模糊的本质是卷积（convolution）运算。简单来说，卷积就是用一个小的、预先定义的矩阵（称为卷积核或滤波器）在图像上滑动，对每个像素及其邻域内的像素进行加权平均。这个加权平均的结果就是新的像素值。

卷积核（Convolution Kernel）: 这是一个小的矩阵，定义了模糊操作的权重。不同的模糊算法使用不同的卷积核。
加权平均（Weighted Averaging）: 在卷积过程中，卷积核中的每个值都对应于图像中相应位置的像素，将这些像素值乘以对应的权重，然后求和。这个和就是新的中心像素值。由于卷积核中的权重通常是归一化的（总和为1），这个过程实际上是一种加权平均。

几种常见的图像模糊算法

高斯模糊（Gaussian Blur）

高斯模糊是应用最广泛、效果最自然的一种模糊算法。它的核心是使用高斯函数来生成卷积核。高斯函数是一种钟形曲线，其中心值最高，向四周逐渐衰减。这意味着距离中心像素越近的像素，在加权平均中占的权重越大；而距离越远的像素，权重越小。

原理: 使用一个服从高斯分布的卷积核与图像进行卷积。这个卷积核中的权重是根据高斯函数计算得出的，距离中心点越近，权重越大。
效果: 产生一种平滑、自然的模糊效果，类似于从远处看物体。它能有效地去除图像中的随机噪声。
参数: 主要参数是标准差（σ）。σ 越大，高斯分布越平坦，卷积核的尺寸也越大，模糊效果越明显。

均值模糊（Mean Blur）

均值模糊，也称为盒式模糊（Box Blur），是最简单的一种模糊算法。

原理: 使用一个所有元素都相等的卷积核（例如一个所有值都为1的矩阵）与图像进行卷积。这意味着每个新像素的值是其邻域内所有像素的简单平均值。
效果: 产生一种比较生硬的模糊效果，因为所有邻域像素的权重都相同。这会导致图像边缘出现“块状”的感觉。
参数: 主要参数是卷积核的大小，如 3×3 或 5×5。

中值模糊（Median Blur）

中值模糊与前两种基于加权平均的模糊不同，它是一种非线性滤波。

原理: 在卷积核滑动的每个位置，它不是计算加权平均，而是找到该邻域内所有像素的中值（Median），然后用这个中值来替换中心像素的值。
效果: 非常擅长去除椒盐噪声（Salt-and-pepper noise）。椒盐噪声通常是图像中的一些随机黑点或白点。由于中值滤波会用周围的正常像素来替换这些异常值，因此对这类噪声有很好的抑制作用，同时能保留大部分图像边缘的清晰度。
应用: 主要用于去除图像中的脉冲噪声，而不是用于产生一般的模糊效果。

opencv实现blur

使用 cv2.blur()实现均值模糊

import cv2
import numpy as np# 创建一个示例图像（一个蓝色的正方形）
image = np.zeros((300, 300, 3), dtype='uint8')
cv2.rectangle(image, (50, 50), (250, 250), (255, 0, 0), -1)# 定义模糊核的大小，例如 5x5
kernel_size = (5, 5)# 应用均值模糊
blurred_image = cv2.blur(image, kernel_size)# 显示原始图像和模糊后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Blurred Image (Mean Blur)', blurred_image)cv2.waitKey(0)
cv2.destroyAllWindows()

实现效果：

在这里插入图片描述

使用 cv2.GaussianBlur()实现高斯模糊

import cv2
import numpy as np# 创建一个示例图像
image = np.zeros((300, 300, 3), dtype='uint8')
cv2.putText(image, "OpenCV", (60, 160), cv2.FONT_HERSHEY_SIMPLEX, 2, (255, 255, 255), 5)# 定义高斯核的大小
ksize = (21, 21)# 定义标准差，越大模糊效果越明显
sigma = 5# 应用高斯模糊
gaussian_blurred_image = cv2.GaussianBlur(image, ksize, sigma)# 显示原始图像和高斯模糊后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Gaussian Blurred Image', gaussian_blurred_image)cv2.waitKey(0)
cv2.destroyAllWindows()

实现效果：

在这里插入图片描述

使用 cv2.medianBlur() 实现中值模糊

import cv2
import numpy as np# 创建一个带有椒盐噪声的示例图像
image = np.zeros((300, 300), dtype='uint8')
cv2.putText(image, "Noise", (60, 160), cv2.FONT_HERSHEY_SIMPLEX, 2, (255, 255, 255), 5)# 随机添加一些椒盐噪声（黑点和白点）
rows, cols = image.shape
for i in range(1000):y = np.random.randint(0, rows)x = np.random.randint(0, cols)image[y, x] = np.random.choice([0, 255])# 定义中值滤波的核大小（必须是奇数）
kernel_size = 5# 应用中值模糊
median_blurred_image = cv2.medianBlur(image, kernel_size)# 显示原始图像和中值模糊后的图像
cv2.imshow('Original Image with Noise', image)
cv2.imshow('Median Blurred Image', median_blurred_image)cv2.waitKey(0)
cv2.destroyAllWindows()