仅对图像中抛射体添加运动模糊而非整图的高效实现问询

我是图像分析新手，现有一张含静止抛射体的图像，已获取其轮廓数组，格式如下：

contour = [[x1 x2 x3,..., xn]
[y1 y2 y3,..., yn]]

其中(x1,y1),(x2,y2),...,(xn,yn)是抛射体轮廓的像素坐标。

我想给抛射体添加水平运动模糊，模拟它相对背景运动的效果。最初直接对整图应用水平模糊核：

# 创建水平模糊核
kernel_h = np.zeros((kernel_size, kernel_size))
# 填充中间行为1
kernel_h[int((kernel_size - 1)/2), :] = np.ones(kernel_size)
# 归一化
kernel_h /= kernel_size

然后用卷积实现：

horizonal_blurred_image = cv2.filter2D(src=img, ddepth=-1, kernel=kernel_h)

结果虽然有运动模糊，但背景也被模糊了——这是因为整图都做了水平均值计算，相当于模拟相机运动，而非抛射体相对背景运动。

之后我尝试用cv2.pointPolygonTest判断像素是否在轮廓内或边缘，想给轮廓外像素用单位核（不模糊），轮廓内/边缘用水平核，写了个函数：

def Motion_Blur_Kernel(img, kernel_size,x,y, contour):
    # img：原始未模糊图像
    # kernel_size：核大小，越大模糊效果越强
    # contour：轮廓点数组，格式[[x1...xn],[y1...yn]]
    
    # 判断像素位置
    result = cv2.pointPolygonTest(np.column_stack(contour_x_values, contour_y_values), (x,y), False)
    if result == 1 or result == 0:
        # 创建水平核
        kernel_h = np.zeros((kernel_size, kernel_size))
        kernel_h[int((kernel_size - 1)/2), :] = np.ones(kernel_size)
        kernel_h /= kernel_size
    else:
        # 单位核，不改变像素
        kernel_h = [[0, 0, 0], [0, 1, 0], [0, 0, 0]]
    return kernel_h

但不知道怎么高效把这个核和原图卷积，因为要处理100张图，效率很重要。

高效实现方案 #

核心思路 #

不用逐像素判断并应用不同核，而是先分别生成模糊后的抛射体区域和原始背景区域，再通过掩码合并两者，所有操作基于OpenCV/numpy的底层优化实现，速度远快于Python循环。

步骤代码 #

1. 生成抛射体掩码
   用cv2.drawContours快速生成二值掩码，轮廓内/边缘为白色（255），背景为黑色（0）：

   import cv2
   import numpy as np
   
   # 转换轮廓为OpenCV要求的格式：(N,1,2)的int32数组
   contour_opencv = np.column_stack((contour[0], contour[1])).reshape(-1, 1, 2).astype(np.int32)
   # 创建与原图尺寸一致的单通道掩码
   mask = np.zeros_like(img[:, :, 0])
   # 填充轮廓内部
   cv2.drawContours(mask, [contour_opencv], 0, 255, thickness=cv2.FILLED)
   

2. 对整图应用水平模糊
   生成水平核并模糊整张图：

   kernel_size = 15  # 可根据需求调整，建议用奇数
   kernel_h = np.zeros((kernel_size, kernel_size))
   kernel_h[int((kernel_size - 1)/2), :] = np.ones(kernel_size)
   kernel_h /= kernel_size
   blurred_img = cv2.filter2D(img, ddepth=-1, kernel=kernel_h)
   

3. 合并模糊目标与原始背景
   通过掩码拼接两个区域，两种方法任选：

   # 方法1：numpy索引（简洁高效）
   result_img = img.copy()
   result_img[mask == 255] = blurred_img[mask == 255]
   
   # 方法2：位运算（适合复杂掩码场景）
   blurred_object = cv2.bitwise_and(blurred_img, blurred_img, mask=mask)
   original_background = cv2.bitwise_and(img, img, mask=cv2.bitwise_not(mask))
   result_img = cv2.add(blurred_object, original_background)
   

效率说明 #

• 所有操作都是OpenCV/numpy的C++底层实现，避免了Python级别的逐像素循环，单张图处理时间与整图卷积相当。
• 处理100张图的总耗时仅为逐像素方法的几十分之一，完全满足效率需求。

注意事项 #

• 确保轮廓格式转换正确，OpenCV的drawContours要求输入轮廓为(N,1,2)的int32类型数组。
• 彩色图像无需生成多通道掩码，单通道掩码即可作用于所有颜色通道。
• kernel_size选奇数时，中间行的索引计算更直观（如size=15时，中间行索引为7）。

内容的提问来源于stack exchange，提问作者MOOSE