作者：晟沚          

毛玻璃效果

毛玻璃效果的原理，即遍歷每一個(gè)像素，隨機(jī)選取這個(gè)像素周圍的某一個(gè)像素，替換當(dāng)前像素?？梢允褂胦pencv實(shí)現(xiàn)，代碼如下：

#coding:utf-8import cv2import numpy as npimport random
img = cv2.imread('test.jpg',1)shape = img.shapeh = shape[0]w = shape[1]dst = np.zeros((h,w,3),np.uint8)mm = 8          for m in range(h-mm):                 for n in range(w-mm):        index = int(random.random()*8)        (b,g,r) = img[m+index,n+index]        dst[m,n] = (b,g,r)cv2.imwrite("result.jpg", dst)

整個(gè)過程即選擇周圍像素的范圍距離最大為8像素，運(yùn)行以上代碼前后如下圖：

識別毛玻璃等模糊效果

接下來介紹如何使用OpenCV、Python和Laplacian算子計(jì)算圖像中的模糊量，

如果有信號處理方面的背景，首先要考慮的方法是計(jì)算圖像的快速傅里葉變換，然后檢查低頻和高頻的分布：如果圖像只有少量的高頻，那么圖像就會(huì)被認(rèn)為是模糊的。然而，定義什么算低數(shù)量的高頻或者什么是高數(shù)量的高頻是相當(dāng)困難的。

本文介紹的方法可以計(jì)算一個(gè)單一的浮點(diǎn)值來表示一個(gè)給定圖像的模糊程度，只需采取一個(gè)圖像的單一通道(大概灰度)和卷積它與以下3 x 3的內(nèi)核，然后取響應(yīng)的方差(即標(biāo)準(zhǔn)差的平方)。如果方差低于預(yù)先定義的閾值，則認(rèn)為圖像模糊；否則，圖像不會(huì)模糊。

方法很簡單，如下一行代碼就可

cv2.Laplacian(image, cv2.CV_64F).var()

這種方法有效的原因是由于Laplacian算子本身的定義，它用于測量圖像的二階導(dǎo)數(shù)。拉普拉斯算子突出顯示圖像中包含快速梯度變化的區(qū)域，很像Sobel和Scharr算子。和這些算子一樣，Laplacian也經(jīng)常用于邊緣檢測。這里的假設(shè)是，如果一幅圖像的方差較高，那么就說明圖像有廣泛的響應(yīng)，包括類邊和非類邊，這是一幅正常的聚焦圖像的代表。但如果方差很低，那么就會(huì)有很小的響應(yīng)擴(kuò)散，這表明圖像中幾乎沒有邊緣。而圖像越模糊，邊緣就越少。所以可以用來檢測是否模糊。

顯然，這里的關(guān)鍵是設(shè)置正確的閾值，而閾值的設(shè)置與應(yīng)用到的圖像集相關(guān)。如果閾值過低，你就會(huì)錯(cuò)誤地將原本不模糊的圖像標(biāo)記為模糊。如果閾值過高，那么實(shí)際上模糊的圖像將不會(huì)被標(biāo)記為模糊。這種方法只有在非常穩(wěn)定的圖像集（同一類型）中應(yīng)用良好。

具體實(shí)現(xiàn)代碼如下，定義variance_of_laplacian函數(shù)。這個(gè)方法將我們想要計(jì)算焦距的圖像(假設(shè)為單個(gè)通道，例如灰度圖像)作為參數(shù), 先讀取輸入圖像圖像，再將其轉(zhuǎn)換為灰度，然后使用OpenCV應(yīng)用模糊檢測，通過自己設(shè)定的閾值即可區(qū)分出模糊圖片和不模糊圖片。

import cv2def variance_of_laplacian(image):  return cv2.Laplacian(image, cv2.CV_64F).var()
imagePath = “test.jpg”image = cv2.imread(imagePath)gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)fm = variance_of_laplacian(gray)if fm < 100:    print("Blurry")

END