OpenCV (cv2) पायथन में इमेज प्रोसेसिंग के लिए शक्तिशाली लाइब्रेरी है। इमेज ब्लरिंग (स्मूथिंग) नॉइज़ कम करने और डिटेल कम करने के लिए उपयोगी है।
गौसियन ब्लर (Gaussian Blur)
सबसे आम ब्लरिंग तकनीक - गौसियन कर्नेल का उपयोग करके एजेस को स्मूथ करता है जबकि अत्यधिक ब्लर से बचाता है।
सिंटैक्स
cv2.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]])
- src: इनपुट इमेज
- ksize: कर्नेल आकार (चौड़ाई, ऊंचाई) - दोनों ऑड (odd) होने चाहिए, जैसे (3,3), (5,5), (13,13)
- sigmaX: X-दिशा में स्टैंडर्ड डेविएशन
- sigmaY: Y-दिशा में स्टैंडर्ड डेविएशन (डिफ़ॉल्ट: sigmaX)
- borderType: बॉर्डर हैंडलिंग (डिफ़ॉल्ट: BORDER_DEFAULT)
बेसिक उदाहरण
import cv2
import numpy as np
# इमेज पढ़ें
src = cv2.imread('LionKing.jpeg', cv2.IMREAD_UNCHANGED)
# गौसियन ब्लर लागू करें
dst = cv2.GaussianBlur(src, (3, 3), cv2.BORDER_DEFAULT)
# साइड-बाय-साइड दिखाएं
combined = np.hstack((src, dst))
cv2.imshow("Gaussian Blur: Original vs Blurred", combined)
cv2.waitKey(0)
cv2.destroyAllWindows()
परिणाम
कर्नेल (3,3) के साथ अंतर मामूली होता है।
कर्नेल आकार का प्रभाव
import cv2
import numpy as np
src = cv2.imread('LionKing.jpeg')
# विभिन्न कर्नेल आकार
kernel_sizes = [(3,3), (7,7), (13,13), (21,21)]
blurred_images = []
for ksize in kernel_sizes:
blurred = cv2.GaussianBlur(src, ksize, 0)
blurred_images.append(blurred)
# सभी तुलना
comparison = np.hstack([src] + blurred_images)
cv2.imshow("Kernel Size Comparison", comparison)
cv2.waitKey(0)
cv2.destroyAllWindows()
अवलोकन
- (3,3): हल्का ब्लर, एजेस संरक्षित
- (7,7): मध्यम ब्लर
- (13,13): स्पष्ट ब्लर, डिटेल्स खो जाते हैं
- (21,21): भारी ब्लर, केवल बड़े आकार दिखते हैं
अन्य ब्लरिंग तकनीकें
1. एवरेज ब्लर (Box Filter)
# सरल औसत - तेज लेकिन कम गुणवत्ता avg_blur = cv2.blur(src, (5, 5)) # या box_blur = cv2.boxFilter(src, -1, (5, 5), normalize=True)
2. मीडियन ब्लर (नॉइज़ रिमूवल के लिए सर्वश्रेष्ठ)
# साल्ट-एंड-पेपर नॉइज़ हटाने के लिए उत्कृष्ट median_blur = cv2.medianBlur(src, 5) # कर्नेल आकार (odd int)
3. बाइलेटरल फिल्टर (एज-प्रिजर्विंग)
# एजेस बरकरार रखते हुए स्मूथ करता है - सबसे अच्छा लेकिन धीमा bilateral = cv2.bilateralFilter(src, d=9, sigmaColor=75, sigmaSpace=75) # d: नेबरहुड डायमीटर # sigmaColor: कलर स्पेस में फिल्टर सिग्मा # sigmaSpace: कोऑर्डिनेट स्पेस में फिल्टर सिग्मा
तुलना: सभी ब्लर टाइप्स
import cv2
import numpy as np
src = cv2.imread('noisy_image.jpg')
# विभिन्न ब्लर
avg = cv2.blur(src, (5,5))
gaussian = cv2.GaussianBlur(src, (5,5), 0)
median = cv2.medianBlur(src, 5)
bilateral = cv2.bilateralFilter(src, 9, 75, 75)
# तुलना ग्रिड
top = np.hstack((src, avg, gaussian))
bottom = np.hstack((median, bilateral, np.zeros_like(src)))
comparison = np.vstack((top, bottom))
cv2.imshow("Blur Comparison", comparison)
cv2.waitKey(0)
कब कौन सा उपयोग करें?
| ब्लर टाइप | उपयोग केस | गति | एज प्रिजर्वेशन |
|---|---|---|---|
| एवरेज/बॉक्स | सामान्य स्मूथिंग, तेज प्रोसेसिंग | तेज | खराब |
| गौसियन | सामान्य उद्देश्य, प्री-प्रोसेसिंग | मध्यम | मध्यम |
| मीडियन | साल्ट-पेपर नॉइज़, इम्पल्स नॉइज़ | मध्यम | अच्छा |
| बाइलेटरल | एज-प्रिजर्विंग स्मूथिंग, फोटो एडिटिंग | धीमा | उत्कृष्ट |
वीडियो/रियल-टाइम ब्लरिंग
import cv2
cap = cv2.VideoCapture(0) # वेबकैम
while True:
ret, frame = cap.read()
if not ret:
break
# फेस डिटेक्शन के लिए ब्लर (उदाहरण)
blurred = cv2.GaussianBlur(frame, (21, 21), 0)
cv2.imshow('Original', frame)
cv2.imshow('Blurred', blurred)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cap.release()
cv2.destroyAllWindows()
इंस्टॉलेशन
pip install opencv-python numpy