如何使用Python检测图像中被像素化模糊处理的区域位置

你之前使用边缘检测方案无效，核心原因是单纯的边缘检测只能提取全局的边缘像素位置，无法对比不同区域的清晰程度差异，因此无法直接定位模糊块。以下是几种可直接落地的检测方案：

方法1：拉普拉斯方差检测（最适配你的测试场景） #

核心原理是清晰区域的高频边缘信息丰富，拉普拉斯算子响应的方差更高；而均匀模糊区域的高频信息被抑制，拉普拉斯响应的方差会明显低于周围清晰区域。
参考实现代码：

import cv2
import numpy as np

# 读取你处理后的输出图像
img = cv2.imread("your_output_img.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 计算拉普拉斯响应
laplacian = cv2.Laplacian(gray, cv2.CV_64F, ksize=3)
# 滑动窗口计算局部方差，窗口大小建议和你使用的模糊核尺寸接近（你用了21的模糊核，此处设21即可）
window_size = 21
var_map = cv2.blur(laplacian**2, (window_size, window_size)) - (cv2.blur(laplacian, (window_size, window_size))) ** 2

# 自适应阈值取方差最低的10%区域作为模糊候选，也可根据实际效果调整百分位
threshold = np.percentile(var_map, 10)
binary_mask = (var_map < threshold).astype(np.uint8) * 255

# 形态学操作去噪，过滤孤立小噪点
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
binary_mask = cv2.morphologyEx(binary_mask, cv2.MORPH_CLOSE, kernel)
binary_mask = cv2.morphologyEx(binary_mask, cv2.MORPH_OPEN, kernel)

# 提取连通域定位模糊区域
contours, _ = cv2.findContours(binary_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for cnt in contours:
    # 过滤面积过小的误检区域
    if cv2.contourArea(cnt) < 100:
        continue
    # 矩形边界框输出
    x, y, w, h = cv2.boundingRect(cnt)
    print(f"模糊区域矩形边界：左上角({x},{y})，宽{w}，高{h}")
    # 圆形拟合输出（适配你的测试场景）
    (cx, cy), radius = cv2.minEnclosingCircle(cnt)
    print(f"模糊区域圆形拟合：圆心({int(cx)},{int(cy)})，半径{int(radius)}")

针对你的测试案例，该方法基本可以100%还原你设置的圆心和半径参数。

方法2：梯度幅度检测（实现更简单） #

核心逻辑和拉普拉斯方法类似，通过计算局部区域的梯度幅度均值判断清晰程度，模糊区域的梯度幅度会明显偏小：

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 计算梯度幅度
sobel_x = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)
grad_mag = np.sqrt(sobel_x ** 2 + sobel_y ** 2)
# 计算局部梯度均值
grad_map = cv2.blur(grad_mag, (21, 21))
# 后续二值化、形态学操作、连通域提取步骤和方法1完全一致

方法3：分块频域检测（适配复杂模糊场景） #

如果后续需要检测像素化、高斯模糊、运动模糊等多种模糊类型，可以对图像做分块傅里叶变换，统计每个块的高频能量占比，占比低于阈值的即为模糊区域，鲁棒性更高。

调参注意事项 #

• 滑动窗口大小建议设置为和模糊核大小相近或者略大，检测精度会更高
• 阈值优先使用百分位自适应计算，不要用固定值，适配不同图像的亮度、对比度差异
• 连通域提取时可根据实际场景调整面积过滤阈值，减少误检

内容的提问来源于stack exchange，提问作者EntropicFox