Python使用OpenCV生成随机高斯模糊图片

高斯模糊的介绍与原理

常见的图像处理软件通常提供“模糊”滤镜，用于让图片产生视觉上的模糊效果。

实现“模糊”的算法有多种，其中一种被称为“高斯模糊”（Gaussian Blur）。该算法利用正态分布（即高斯分布）来处理图像像素。

所谓“模糊”，在数值上可以理解为每个像素点取其周围邻近像素的平均值。

如上图所示，假设中间点的值为2，周围点的值均为1。

当“中间点”取“周围点”的平均值时，其值变为1。在数值层面，这体现为“平滑化”；在视觉层面，则表现为“模糊”效果，即“中间点”失去了原有的细节特征。

显然，计算平均值时，所取的像素范围（模糊半径）越大，“模糊效果”就越强烈。

上图分别展示了原图、模糊半径为3像素以及模糊半径为10像素的效果。可以看出，模糊半径越大，图像越模糊。从数值角度看，这意味着数值的变化更加平滑。

接下来的问题是，既然每个点都要取周边像素的平均值，那么应该如何分配权重呢？

如果使用简单的平均法，显然不够合理，因为图像是连续的，越靠近的点关系越密切，越远离的点关系越疏远。因此，加权平均更为合理：距离越近的点权重越大，距离越远的点权重越小。

Python生成高斯模糊

Python可以使用OpenCV库很方便地生成模糊图像。如果尚未安装OpenCV，可以通过pip进行安装：

pip install python-opencv

若想深入了解高斯模糊的原理，可参考维基百科“高斯模糊”词条。对于一般应用，只需知道该操作可生成模糊图片即可，一行代码即可完成：

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

该函数的第一个参数是原图像，第二个参数是高斯矩阵（注意长和宽必须为奇数），第三个参数是标准差。如果标准差设为0，函数会自动计算。

如何控制模糊程度呢？很简单：高斯矩阵的尺寸越大，标准差越大，处理后的图像模糊程度就越高。

介绍完简单的高斯模糊操作后，我们加入随机处理，以随机生成几张模糊程度不同的图像。实现也很简单，只需添加一个随机函数来生成高斯矩阵的尺寸即可：

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)

这里利用了random库，从一组数字中随机选择一个数，加到最小尺寸上，作为每次生成模糊图片的高斯矩阵尺寸。此处最小尺寸设为11，用户可根据需要自行尝试设定不同效果。

总结

到此，关于Python如何生成随机高斯模糊图片的介绍就到这里。更多相关Python生成高斯模糊的内容，请搜索本站以前的文章或继续浏览下面的相关文章。希望大家以后多多支持本站！