### 运动模糊 在 OpenCV 中可以通过定义一个线性核矩阵并应用卷积操作来模拟运动模糊效果。以下是具体实现： ```python import cv2 import numpy as np def motion_blur(image, size=10, angle=45): # 创建运动模糊的核 kernel = np.zeros((size, size)) center = (size - 1) / 2 radians = np.deg2rad(angle) for i in range(size): for j in range(size): x = i - center y = j - center if abs(np.sin(radians)*x + np.cos(radians)*y) <= 1: kernel[i][j] = 1 # 归一化核 kernel /= kernel.sum() # 应用滤波器 blurred_image = cv2.filter2D(image, -1, kernel) return blurred_image # 加载图像 img = cv2.imread('example.png') blurred_img = motion_blur(img) cv2.imshow('Motion Blurred Image', blurred_img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 上述代码通过 `filter2D` 方法实现了自定义的运动模糊效果[^3]。 --- ### 双边模糊 双边模糊是一种保留边缘的同时平滑噪声的方法，在 OpenCV 中可以直接调用 `bilateralFilter` 函数完成此功能。以下是其实现方式： ```python import cv2 def bilateral_blur(image, d=9, sigmaColor=75, sigmaSpace=75): # 使用双边滤波函数 blurred_image = cv2.bilateralFilter(image, d=d, sigmaColor=sigmaColor, sigmaSpace=sigmaSpace) return blurred_image # 加载图像 img = cv2.imread('example.png') blurred_img = bilateral_blur(img) cv2.imshow('Bilateral Blurred Image', blurred_img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 在此代码中，`d` 参数控制邻域大小，而 `sigmaColor` 和 `sigmaSpace` 则分别影响颜色差异和平滑程度的影响权重[^2]。 --- ### 结合 PIL 的实现 虽然 OpenCV 是首选工具之一，但在某些情况下也可以借助 PIL 来实现类似的模糊效果。对于运动模糊和双边模糊，PIL 提供的功能有限，因此通常推荐使用 OpenCV 完成这些高级过滤任务。然而，如果需要结合 PIL，则可以先将其转换为 NumPy 数组再利用 OpenCV 处理: ```python from PIL import Image import numpy as np import cv2 # 打开图片并通过 PIL 转换到 NumPy 格式 pil_image = Image.open('example.png').convert('RGB') numpy_image = np.array(pil_image) # 将 RGB 转 BGR（因为 OpenCV 默认读取的是 BGR） opencv_image = cv2.cvtColor(numpy_image, cv2.COLOR_RGB2BGR) # 对图像执行双边模糊 blurred_opencv = cv2.bilateralFilter(opencv_image, d=9, sigmaColor=75, sigmaSpace=75) # 如果需要再次转回 PIL 图像格式 blurred_pil = Image.fromarray(cv2.cvtColor(blurred_opencv, cv2.COLOR_BGR2RGB)) blurred_pil.show() ``` 这里展示了如何将 PIL 图片对象与 OpenCV 配合起来工作。 --- #### 注意事项 当保存带有特殊字符或者中文路径下的文件时需要注意编码问题以及兼容性，可考虑使用 `imencode()` 解决相关难题[^4]。 ---