影像平滑與模糊化（Image Smoothing / Blurring）是影像處理中常見的操作，
主要用於降低影像中的雜訊（Noise）、柔化影像邊緣，以及產生特效。

OpenCV 提供多種模糊方式，其中常用的有：

• cv2.blur()：均值模糊（Average Blur）
• cv2.GaussianBlur()：高斯模糊（Gaussian Blur）
• cv2.medianBlur()：中值模糊（Median Blur）

🖼 測試圖片準備

準備一張圖片 image.jpg，放在與程式同一個資料夾中。

import cv2

img = cv2.imread("image.jpg")

cv2.imshow("Original", img)

# 放最後面
cv2.waitKey()
cv2.destroyAllWindows()

🔹 1. 均值模糊（Average Blur）

cv2.blur(src, ksize)
將影像中每個像素的值替換為鄰域（Kernel）中所有像素的平均值。
這種方式簡單快速，但可能會造成邊緣細節的明顯喪失。

• ksize：模糊核大小（如 (5,5) 表示 5x5 區域取平均）

# 均值模糊
blur_img1 = cv2.blur(img, (5, 5))
blur_img2 = cv2.blur(img, (10, 50))
blur_img3 = cv2.blur(img, (50, 10))
blur_img4 = cv2.blur(img, (100, 100))

cv2.imshow("Average Blur 1", blur_img1)
cv2.imshow("Average Blur 2", blur_img2)
cv2.imshow("Average Blur 3", blur_img3)
cv2.imshow("Average Blur 4", blur_img4)

顯示的圖片如下：

均質模糊 5x5

均質模糊 10x50 與 50x10（可觀察水平與垂直方向差異）

均質模糊 100x100

📌 觀察：模糊盒越大，影像越模糊。

🔹 2. 高斯模糊（Gaussian Blur）

cv2.GaussianBlur(src, ksize, sigmaX)
與均值模糊不同，高斯模糊的權重遵循高斯分佈，越靠近中心的像素權重越大，
因此在保留邊緣細節的同時能更有效地去除雜訊。

• sigmaX：高斯核在 X 方向的標準差（設為 0 時，OpenCV 會根據 ksize 自動計算）

# 高斯模糊
gaussian_img1 = cv2.GaussianBlur(img, (3, 3), 0)
gaussian_img2 = cv2.GaussianBlur(img, (5, 5), 0)
gaussian_img3 = cv2.GaussianBlur(img, (7, 7), 0)

gaussian_img4 = cv2.GaussianBlur(img, (3, 3), 5)
gaussian_img5 = cv2.GaussianBlur(img, (5, 5), 5)
gaussian_img6 = cv2.GaussianBlur(img, (7, 7), 5)

cv2.imshow("Gaussian Blur 1 | (3, 3) sigmaX = 0", gaussian_img1)
cv2.imshow("Gaussian Blur 2 | (5, 5) sigmaX = 0", gaussian_img2)
cv2.imshow("Gaussian Blur 3 | (7, 7) sigmaX = 0", gaussian_img3)
cv2.imshow("Gaussian Blur 4 | (3, 3) sigmaX = 5", gaussian_img4)
cv2.imshow("Gaussian Blur 5 | (5, 5) sigmaX = 5", gaussian_img5)
cv2.imshow("Gaussian Blur 6 | (7, 7) sigmaX = 5", gaussian_img6)

顯示的圖片如下：

📌 參數詳解

在 cv2.GaussianBlur(img, (5, 5), 0) 中：

• (5, 5) → 高斯核（Gaussian Kernel）大小，必須是奇數（3、5、7…）
• 核越大，模糊範圍越廣
• (5, 3) → 水平方向核寬 5，垂直方向核高 3
• sigmaX = 0 → 自動根據核大小計算標準差
• 調整 sigmaX 可加強或減弱模糊效果

常用核大小：

• (3, 3) → 輕微模糊
• (5, 5) → 中等模糊
• (7, 7) → 模糊更明顯

🔹 3. 中值模糊（Median Blur）

cv2.medianBlur(src, ksize)
將鄰域像素排序後取中間值作為新的像素值，
對於去除「椒鹽雜訊（Salt & Pepper Noise）」特別有效。

• ksize：必須是正奇數（3、5、7…）

# 中值模糊
median_img = cv2.medianBlur(img, 5)
cv2.imshow("Median Blur", median_img)

顯示的圖片如下：

🔄 三種模糊效果比較

# 一次比較三種模糊效果
blur_img = cv2.blur(img, (5, 5))
gaussian_img = cv2.GaussianBlur(img, (5, 5), 0)
median_img = cv2.medianBlur(img, 5)

cv2.imshow("Original", img)
cv2.imshow("Average Blur", blur_img)
cv2.imshow("Gaussian Blur", gaussian_img)
cv2.imshow("Median Blur", median_img)

cv2.waitKey()
cv2.destroyAllWindows()

顯示的圖片如下：

📌 今日結語

• 均值模糊：取平均值，簡單但邊緣容易糊掉
• 高斯模糊：加權平均，效果自然，邊緣保留較好
• 中值模糊：取中位數，去除椒鹽雜訊效果最佳

在影像前處理與特效製作中，選擇合適的模糊方法能達到不同的效果。