在數字圖像處理中，模糊（Blurring）和銳化（Sharpening）是最基礎也最常用的濾鏡效果。模糊可以去除圖像噪聲、平滑細節，讓圖像看起來更柔和；銳化則相反，能增強圖像邊緣和細節，讓圖像更清晰。本文將用 Python 和 OpenCV 從零開始學習這兩種基礎操作，適合圖像處理初學者快速上手。
一、環境準備：安裝與導入¶
首先確保安裝了 OpenCV 和 NumPy（用於數值計算）。如果還沒安裝，在命令行執行：
pip install opencv-python numpy
然後在 Python 中導入庫：
import cv2
import numpy as np
二、圖像模糊：讓圖像“變柔和”¶
模糊處理的核心是降低圖像細節的對比度，常用方法包括均值濾波、高斯濾波、中值濾波和雙邊濾波。
1. 圖像模糊的原理¶
模糊可以理解爲“讓圖像像素值更接近周圍鄰居”。數學上，模糊是通過卷積核（即一個小矩陣）與圖像矩陣逐個像素計算加權和實現的。卷積核的作用是“平均”或“加權平均”周圍像素的值。
2. 常用模糊方法與代碼¶
（1）均值濾波（簡單平均）¶
原理：將卷積核內的所有像素值取平均，替換中心像素。
適用場景：快速去噪（但會模糊細節）。
代碼示例：
# 讀取圖像（默認讀取爲BGR格式）
img = cv2.imread("test.jpg") # 替換爲你的圖像路徑
# 均值濾波：(5,5)是卷積核大小（必須爲奇數）
blur = cv2.blur(img, ksize=(5, 5))
# 顯示原圖和模糊圖
cv2.imshow("Original", img)
cv2.imshow("Mean Blur", blur)
cv2.waitKey(0) # 按任意鍵關閉窗口
cv2.destroyAllWindows()
（2）高斯濾波（加權平均）¶
原理：卷積核中中心像素權重最高，周圍像素按高斯分佈（距離中心越遠，權重越低）。
適用場景：比均值濾波更自然，適合去除高斯噪聲（高頻噪聲）。
代碼示例：
# 高斯濾波：ksize=(5,5)，sigmaX=0（自動計算標準差）
gaussian_blur = cv2.GaussianBlur(img, ksize=(5, 5), sigmaX=0)
cv2.imshow("Gaussian Blur", gaussian_blur)
cv2.waitKey(0)
（3）中值濾波（中值替代）¶
原理：取卷積核內像素的中值（排序後中間的值），替換中心像素。
適用場景：對椒鹽噪聲（黑白點噪聲）效果極佳，且能保留邊緣。
代碼示例：
# 中值濾波：ksize=3（必須爲奇數）
median_blur = cv2.medianBlur(img, ksize=3)
cv2.imshow("Median Blur", median_blur)
cv2.waitKey(0)
（4）雙邊濾波（保邊模糊）¶
原理：同時考慮像素值差異和空間距離，既模糊噪聲又保留邊緣。
適用場景：人像美顏、細節保留的模糊（如去除皮膚紋理但保留輪廓）。
代碼示例：
# 雙邊濾波：參數越大，模糊越強但細節保留越好
bilateral_blur = cv2.bilateralFilter(img, d=9, sigmaColor=75, sigmaSpace=75)
cv2.imshow("Bilateral Blur", bilateral_blur)
cv2.waitKey(0)
三、圖像銳化：讓圖像“更清晰”¶
銳化處理的核心是增強圖像邊緣和細節，常用方法包括拉普拉斯算子、Sobel算子和簡單像素疊加。
1. 圖像銳化的原理¶
銳化通過增強像素值的差異實現，本質是“突出邊緣”。例如，拉普拉斯算子是二階導數（邊緣處像素值變化劇烈，二階導數爲0時是邊緣點），通過計算圖像的二階導數可以增強邊緣。
2. 常用銳化方法與代碼¶
（1）拉普拉斯算子（二階導數銳化）¶
原理：直接對圖像做拉普拉斯變換，增強邊緣（圖像變“銳”）。
代碼示例：
# 轉爲灰度圖（拉普拉斯通常在單通道處理）
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 拉普拉斯算子：ksize=3，delta=0（無偏移）
laplacian = cv2.Laplacian(gray, cv2.CV_64F, ksize=3)
# 轉換爲無符號整數（避免負數值導致的黑色背景）
laplacian = np.uint8(np.absolute(laplacian))
# 銳化效果 = 原圖（灰度） - 拉普拉斯結果（邊緣）
sharpened = cv2.addWeighted(gray, 1.5, laplacian, 0.5, 0)
# 顯示結果
cv2.imshow("Original Gray", gray)
cv2.imshow("Laplacian Sharpened", sharpened)
cv2.waitKey(0)
（2）簡單銳化（原圖 + 邊緣增強）¶
原理：直接將原圖與“原圖 - 模糊圖”疊加，突出邊緣（簡單有效）。
代碼示例：
# 生成模糊圖（作爲邊緣參考）
blur_img = cv2.GaussianBlur(img, (5,5), 0)
# 原圖 - 模糊圖 = 邊緣信息（高頻分量）
edge = cv2.subtract(img, blur_img)
# 疊加回原圖（增強對比度）
sharp = cv2.add(img, edge)
cv2.imshow("Simple Sharp", sharp)
cv2.waitKey(0)
（3）Sobel算子（梯度銳化）¶
原理：計算圖像的水平和垂直梯度，疊加後增強邊緣。
代碼示例：
# 提取水平梯度（Sobel X）和垂直梯度（Sobel Y）
sobelx = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3) # X方向梯度
sobely = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3) # Y方向梯度
# 合併梯度（絕對值相加）
sobel_combined = cv2.addWeighted(np.absolute(sobelx), 0.5, np.absolute(sobely), 0.5, 0)
# 疊加回原圖
sharp_sobel = cv2.addWeighted(gray, 1.2, sobel_combined, 0.8, 0)
cv2.imshow("Sobel Sharp", sharp_sobel)
cv2.waitKey(0)
四、總結與練習¶
核心對比表¶
| 處理類型 | 方法 | 特點 | 適用場景 |
|---|---|---|---|
| 模糊 | 均值濾波 | 快速去噪，模糊細節 | 簡單噪聲去除 |
| 模糊 | 高斯濾波 | 自然模糊，保留細節 | 高斯噪聲去除 |
| 模糊 | 中值濾波 | 抗椒鹽噪聲，邊緣清晰 | 黑白斑點噪聲去除 |
| 模糊 | 雙邊濾波 | 保邊模糊，美顏效果 | 人像處理 |
| 銳化 | 拉普拉斯 | 二階導數，邊緣增強 | 通用銳化 |
| 銳化 | 簡單疊加 | 效果直接，計算快 | 快速突出邊緣 |
練習建議¶
- 嘗試不同卷積核大小（如3x3、5x5、7x7）觀察效果差異；
- 對比不同模糊方法對同一張圖像的處理結果（用手機拍攝一張含噪圖像測試）；
- 嘗試“原圖 - 雙邊模糊圖”疊加，看是否能實現簡單美顏效果。
通過本文，你已經掌握了圖像模糊與銳化的基礎原理和 OpenCV 實現方法。這些技術是圖像處理的基石，後續可以嘗試更復雜的濾鏡（如浮雕、油畫效果）或結合機器學習進行智能增強。