在影像處理中，模糊化圖像是一項最基本且重要的技巧。
本文將簡單示範如何透過 OpenCV 使用 Convolution 技巧對圖片進行模糊化處理。

Convolution 模糊化圖片概念:

• 當一群顏色相近的像素聚在一起時，則難以辨別出 "Edge"，因此我們可以知道 Edge 附近的像素值會有劇烈變化。
  
• 將每個像素附近的值和該像素進行平均後取代掉該像素，即可減緩 Edge 附近像素值的劇烈變化➡️用來區分色塊和區域的 Edge 表徵就會變得較為柔和，圖像就會漸漸變得模糊，如下圖所示。
  
• 上述將每個像素附近的值依照"權重"相加後取得新的值替代的技巧被稱做 "捲積(Convolution)"，而記錄權重的正方形 matrix，被稱作 Kernel，或叫做 Convolution matrix，也有人口語上習慣叫做 window，該矩陣的邊長被稱做(window) size，例如上方的 kernel 的 size 是 3。

接下來將示範如何簡單用 OpenCV Custormize Kernel 對圖片進行 convolution，將其模糊化。

程式碼(Python):

import cv2
import numpy as np

dog_pic = '../images/dog.png' # 圖片位址
dog_img = cv2.imread(dog_pic)

window_sizes = [3, 5, 10] # 捲積的 Window Size
imgs = [dog_img]

for k in window_sizes:

    blurring_kernel = np.ones((k, k))/(k*k)
    # 可以將註解拿掉觀察 kernel 的樣子
    # print(blurring_kernel) 
    blurred_img = cv2.filter2D(src=dog_img, ddepth = -1, kernel = blurring_kernel)
    cv2.putText(blurred_img, f'k={k}', (10,50), cv2.FONT_ITALIC, 1.5, (0,0,0), 2,  cv2.FILLED) # 將 window size 的文字描述放入適當位置

    imgs.append(blurred_img)

cv2.imshow('original pic with different window sizes', np.hstack(imgs))
 
cv2.waitKey()
cv2.destroyAllWindows()

Result:

Note:

• 可以觀察到隨著 Window size 的遞增，每一像素和周圍越來越多的像素進行平均，導致圖片會變得越來越模糊。
• Kernel 內的權重不見得要全部相等，也不見得所有權重值總和要等於1(eg:Gaussian Kernel、Sharpen Kernel)。

以上就是使用 kernel 對圖像進行模糊化的相關介紹， 謝謝~