python 模糊滤镜实现

叶子陪你玩

发布于 2022-04-04 16:23:55

9120

发布于 2022-04-04 16:23:55

文章被收录于专栏：叶子陪你玩编程叶子陪你玩编程

很早之前写过pillow中的滤镜处理，当时主要还是利用滤镜公式实现的，今天用矩阵试一下模糊滤镜。

python图像处理-滤镜处理

python图像处理-滤镜的算法原理实现

直接调用pillow的库实现非常简单。

效果：

查看pillow库滤镜的源代码，可以看见核心就是一个数字矩阵，

那这个矩阵数字是如何产生模糊效果的呢？

下面这边文章讲了高斯模糊的原理，里面说了图片模糊本质上是一种数据平滑技术，所谓模糊，可以简单理解成每一个像素都去周边像素的平均值。

传送门：
https://www.ruanyifeng.com/blog/2012/11/gaussian_blur.html

现在有一个如下的图像数字矩阵（图像的数字化）：

为了让它模糊，我们可以用一个3*3的矩阵与其元素对应相乘再相加（这里都是0.1，接近和的平均数），这样就会得到一个模糊后的数值。

不好理解的话可以看下面这张图。

从左到右，从上到下，依次滑动计算，就可以得到全部模糊计算后的数据。

上面的计算过程就叫做卷积。

细心的你可能会发现，经过卷积后，模糊图片变小了，从6*6变成4*4了。为了解决这个问题，我们可以将原图扩充一圈在卷积，这个操作叫做填充，padding。

具体该填什么呢？这里有很多种填法，我们就直接填充 0，没影响。

比如将4*4的扩充1圈就可以得到6*6的效果。

用numpy的方法可以这样实现扩充。

现在我们就有一个卷积核以及一个扩充后的图片数据矩阵。

接下来就可以计算了。

# new_img 保存处理后的结果，img 表示扩充后的图片矩阵，kernel表示卷积核矩阵
new_img = np.zeros((4,4))
for y in range(len(img)-2):
    for x in range(len(img[0])-2):
        print(img[y:y+3,x:x+3])
        new_img[y,x] = np.sum(kernel * img[y:y + 3, x:x + 3])

封装成函数：

def my_filter(kernel,src):
    src = np.pad(src, ((1, 1), (1, 1)), 'constant', constant_values=((0, 0)))
    new_img = np.zeros((len(src)-2, len(src[0])-2))
    for y in range(len(src) - 2):
        for x in range(len(src[0]) - 2):
            new_img[y, x] = np.sum(kernel * src[y:y + 3, x:x + 3])
    return new_img

调用，传入一张图片试试。