高斯模糊的介绍与原理

通常，图像处理软件会提供"模糊"（blur）滤镜，使图片产生模糊的效果。

"模糊"的算法有很多种，其中有一种叫做"高斯模糊"（Gaussian Blur）。它将正态分布（又名"高斯分布"）用于图像处理。

所谓"模糊"，可以理解成每一个像素都取周边像素的平均值。

上图中，2是中间点，周边点都是1。

"中间点"取"周围点"的平均值，就会变成1。在数值上，这是一种"平滑化"。在图形上，就相当于产生"模糊"效果，"中间点"失去细节。

显然，计算平均值时，取值范围越大，"模糊效果"越强烈。

上面分别是原图、模糊半径3像素、模糊半径10像素的效果。模糊半径越大，图像就越模糊。从数值角度看，就是数值越平滑。

接下来的问题就是，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？

如果使用简单平均，显然不是很合理，因为图像都是连续的，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，如果没有安装opencv的，可以用pip安装：

pip install python-opencv

想了解高斯模糊是什么的话，可以看wiki百科-高斯模糊。对于一般人，只要知道这个操作可以生成模糊图片就好了，一行代码即可搞定：

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

这个函数的第一个参数是原图像，第二个参数是高斯矩阵，要注意长和宽都必须为单数，第三个参数是标准差，如果写0，则函数会自行计算。

那怎么控制模糊程度呢？很简单，高斯矩阵的尺寸越大，标准差越大，处理过的图像模糊程度越大。

介绍完了简单的高斯模糊操作，我们加一个随机处理，来随机生成模糊程度不同的几张图像，其实也很简单，加一个随机函数来生成高斯矩阵的尺寸就可以了：

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)

这里利用了random库，来在一组数字中随机选择一个数，加到最小尺寸上，作为每次生成的模糊图片的高斯矩阵尺寸，这里我的尺寸最小值设为了11，大家可以根据需要自己尝试看效果来设定。

总结

到此这篇关于Python如何生成随机高斯模糊图片的文章就介绍到这了,更多相关python生成高斯模糊内容请搜索python博客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python博客！