OpenCV实现以指定焦点为中心的渐进式模糊效果技术咨询

核心逻辑 #

要实现连续平滑的渐进模糊，核心是让每个像素的模糊程度与它到指定焦点的距离正相关，避免生硬的区域划分。通过生成多级模糊图像+平滑权重融合的方式，既能保证效率，又能实现无断层的模糊过渡。

具体步骤 #

• 计算距离映射：以焦点坐标为中心，计算图像每个像素到焦点的欧氏距离，再将距离归一化后映射到模糊核的尺寸范围（注意OpenCV高斯模糊核必须是奇数）。这里用平滑的线性映射，也可以根据需求调整映射曲线（比如平方曲线让模糊递增更快）。
• 生成多级模糊图：对原图做不同程度的高斯模糊，核大小从1（原图）到设定的最大核尺寸，步长为2（保证奇数），得到一组模糊程度依次递增的图像。
• 构建平滑权重图：根据每个像素的距离对应的核尺寸，计算它在相邻两级模糊图之间的权重比例，确保模糊过渡无断层。
• 融合模糊图像：按照权重图将多级模糊图像加权融合，得到最终的渐进模糊效果。

代码示例（Python + OpenCV） #

import cv2
import numpy as np

def progressive_blur(img, focus_x, focus_y, max_kernel_size=31):
    # 确保最大模糊核为奇数
    if max_kernel_size % 2 == 0:
        max_kernel_size += 1
    
    h, w = img.shape[:2]
    # 生成每个像素到焦点的欧氏距离图
    y_grid, x_grid = np.mgrid[:h, :w]
    distances = np.sqrt((x_grid - focus_x)**2 + (y_grid - focus_y)**2)
    
    # 归一化距离并映射到模糊核的半长（核大小=2*k+1）
    max_dist = np.max(distances)
    normalized_dist = distances / max_dist
    k_values = normalized_dist * ((max_kernel_size - 1) // 2)
    
    # 生成不同模糊级别的图像
    blur_imgs = []
    kernel_sizes = range(1, max_kernel_size + 1, 2)
    for k in kernel_sizes:
        blur_imgs.append(cv2.GaussianBlur(img, (k, k), 0))
    
    # 初始化结果图像
    result = np.zeros_like(img, dtype=np.float32)
    
    # 融合相邻模糊级别
    for i in range(len(kernel_sizes) - 1):
        current_k = (kernel_sizes[i] - 1) // 2
        next_k = (kernel_sizes[i+1] - 1) // 2
        # 筛选当前区间内的像素
        mask = (k_values >= current_k) & (k_values < next_k)
        if not np.any(mask):
            continue
        # 计算融合权重
        weight = (k_values[mask] - current_k) / (next_k - current_k)
        # 适配彩色图像的通道维度
        if img.ndim == 3:
            weight = np.expand_dims(weight, axis=-1)
        # 加权融合
        result[mask] = (1 - weight) * blur_imgs[i][mask] + weight * blur_imgs[i+1][mask]
    
    # 处理最大模糊级别的区域
    mask = k_values >= ((max_kernel_size - 1) // 2)
    result[mask] = blur_imgs[-1][mask]
    
    return result.astype(np.uint8)

# 测试用法
if __name__ == "__main__":
    img = cv2.imread("test.jpg")
    # 假设焦点在图像中心
    focus_x = img.shape[1] // 2
    focus_y = img.shape[0] // 2
    blurred_img = progressive_blur(img, focus_x, focus_y, max_kernel_size=31)
    cv2.imwrite("progressive_blur.jpg", blurred_img)

优化建议 #

• 效率优化：如果处理大尺寸图像，可以先对图像降采样，处理后再升采样，减少计算量。
• 模糊类型调整：用cv2.bilateralFilter代替高斯模糊，能在模糊的同时保留图像边缘，效果更自然。
• 映射曲线调整：修改距离到核尺寸的映射方式，比如用k_values = np.square(normalized_dist) * ...让模糊递增速率先慢后快，或者用平方根曲线让速率先快后慢，适配不同视觉需求。

内容的提问来源于stack exchange，提问作者Thomas