### 基于深度图的渐进式模糊算法详细步骤与完整 Python 代码实现 #### 1. 算法概述 基于深度图的渐进式模糊旨在模拟真实世界的景深效果。其核心思想是利用深度图中的距离信息，根据不同像素点相对于焦点平面的距离差异施加不同强度的模糊处理[^2]。这种方法不仅增强了图像的真实感，还广泛应用于计算机视觉、影视后期制作以及游戏开发领域。 --- #### 2. 完整流程描述 ##### (a) 输入准备 - **输入图像**：一张 RGB 图像。 - **深度图**：对应输入图像的深度信息，通常是一个灰度图，其中较亮的部分代表靠近摄像机的对象，较暗的部分则远离摄像机。 ##### (b) 参数设置 定义以下几个关键参数： - `focus_distance`：焦点所在的深度值（单位取决于深度图的范围）。 - `max_blur_radius`：最大模糊半径，控制最远对象的模糊程度。 - `focus_range`：焦点前后可接受清晰区域的深度范围。 ##### (c) 模糊半径计算 根据每个像素的深度值及其与焦点的关系，动态计算所需的模糊半径 \( r(x, y) \)，公式如下： \[ r(x, y) = |D(x, y) - focus\_distance| \cdot \frac{max\_blur\_radius}{focus\_range} \] 其中 \( D(x, y) \) 表示深度图中位置 \( (x, y) \) 的深度值。 ##### (d) 高斯模糊应用 针对每一层不同的模糊半径，采用高斯滤波器对原图像进行分层模糊处理。最终将各层叠加得到完整的虚化效果。 --- #### 3. Python 实现代码 以下是基于 OpenCV 和 NumPy 的完整 Python 实现代码： ```python import numpy as np import cv2 def apply_progressive_bokeh(image_path, depth_map_path, focus_distance=50, max_blur_radius=15, focus_range=20): """ 基于深度图的渐进式模糊算法 :param image_path: 输入图像路径 :param depth_map_path: 深度图路径 :param focus_distance: 焦点所在深度值 :param max_blur_radius: 最大模糊半径 :param focus_range: 可接受清晰区域的深度范围 :return: 处理后的图像 """ # 加载输入图像和深度图 image = cv2.imread(image_path) depth_map = cv2.imread(depth_map_path, cv2.IMREAD_GRAYSCALE).astype(float) # 归一化深度图到 [0, 100] 范围以便统一管理 normalized_depth = ((depth_map - np.min(depth_map)) / (np.max(depth_map) - np.min(depth_map))) * 100 # 初始化模糊半径矩阵 height, width = image.shape[:2] blur_radius_matrix = np.abs(normalized_depth - focus_distance) * (max_blur_radius / focus_range) # 创建输出图像缓冲区 output_image = np.zeros_like(image, dtype=np.float32) # 对每个颜色通道独立执行模糊操作 for channel in range(3): blurred_channel = cv2.GaussianBlur( image[:, :, channel], ksize=(0, 0), sigmaX=cv2.getGaussianKernel(int(blur_radius_matrix.max())*2+1, int(blur_radius_matrix.max())) ) # 动态调整每一点的模糊程度 for y in range(height): for x in range(width): kernel_size = int(blur_radius_matrix[y, x]) if kernel_size > 0: patch = cv2.GaussianBlur( image[max(y-kernel_size, 0):min(y+kernel_size+1, height), max(x-kernel_size, 0):min(x+kernel_size+1, width), channel], ksize=(0, 0), sigmaX=kernel_size ) output_image[y, x, channel] = patch[kernel_size//2, kernel_size//2] else: output_image[y, x, channel] = image[y, x, channel] # 返回结果图像 return np.clip(output_image, 0, 255).astype(np.uint8) if __name__ == "__main__": input_image_path = 'input_image.jpg' # 替换为实际文件名 depth_map_path = 'depth_map.png' # 替换为实际文件名 result = apply_progressive_bokeh(input_image_path, depth_map_path) cv2.imwrite('output_result.jpg', result) ``` --- #### 4. 关键说明 - **深度图归一化**：由于深度图可能具有任意数值范围，因此将其映射到固定区间（如 `[0, 100]` 或 `[0, 255]`）有助于简化后续计算逻辑[^3]。 - **动态模糊核大小**：通过逐像素调节高斯核的标准差 σ 来实现精确的空间变化模糊效果[^4]。 - **边界条件处理**：当模糊半径超出图像边缘时需特别注意裁剪策略以免引发越界错误。 --- ###