视频打马赛克软件哪个最好用_视频马赛克去除工具

视频打马赛克软件哪个最好用_视频马赛克去除工具 上期文章，我们分享了如何给图片添加马赛克，但是很多时候，我们需要给视频添加马赛克。

当然你能想到的是通过后期软件处理的方法来进行，本文教你使用简单的几行代码便可以很方便的给视频添加马赛克添加马赛克步骤1、给定要添加的视频或者图片2、利用人工智能技术识别图片或者视频中的人脸3、创建屏蔽层4、给图片或者视频添加上屏蔽层5、显示最终的图片或者实时同步到视频 中创建屏蔽层给图片或者视频人脸添加马赛克，最主要步骤是创建屏蔽层，我们利用2种方式进行人脸的打码import numpy as npimport cv2def face_blur(image, factor=3.0):(h, w) = image.shape[:2]kW = int(w / factor)kH = int(h / factor) #高斯内核if kW % 2 == 0:kW -= 1if kH % 2 == 0:kH -= 1return cv2.GaussianBlur(image, (kW, kH), 0)以上便是很简单的创建屏蔽层的代码首先我们获取了图片的尺寸(h, w) = image.shape[:2]利用要使用高斯运算，我们要计算高斯内核的尺寸kW = int(w / factor)kH = int(h / factor)以上计算了高斯内核的基本尺寸，由于高斯内核的尺寸只要求是奇数，当我们检测到基数时，需要转成为奇数。

最后使用cv2.GaussianBlur(image, (kW, kH), 0)来创建屏蔽层高斯函数高斯滤波是一种线性平滑滤波，对于除去高斯噪声有很好的效果。

在图像处理中高斯滤波一般有两种实现方式：一种是用离散化窗口滑窗卷积，另一种是通过傅里叶变换。

最常见的就是第一种滑窗实现，只有当离散化的窗口非常大，用滑窗计算量非常大的情况下会考虑基于傅里叶变换的方法。

opencv提供了GaussianBlur()函数对图形进行高斯滤波，其原型如下：C++: void GaussianBlur(InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY=0, int borderType=BORDER_DEFAULT )参数解释：. InputArray src: 输入图像，可以是Mat类型，图像深度为CV_8U、CV_16U、CV_16S、CV_32F、CV_64F。

. OutputArray dst: 输出图像，与输入图像有相同的类型和尺寸。

. Size ksize: 高斯内核大小，这个尺寸与前面两个滤波kernel尺寸不同，ksize.width和ksize.height可以不相同但是这两个值必须为正奇数，如果这两个值为0，他们的值将由sigma计算。

. double sigmaX: 高斯核函数在X方向上的标准偏差. double sigmaY: 高斯核函数在Y方向上的标准偏差，如果sigmaY是0，则函数会自动将sigmaY的值设置为与sigmaX相同的值，如果sigmaX和sigmaY都是0，这两个值将由ksize.width和ksize.height计算而来。

具体可以参考getGaussianKernel()函数查看具体细节。

建议将size、sigmaX和sigmaY都指定出来。

. int borderType=BORDER_DEFAULT: 推断图像外部像素的某种便捷模式，有默认值BORDER_DEFAULT，如果没有特殊需要不用更改，具体可以参考borderInterpolate()函数。

高斯屏蔽自建马斯克图像高斯函数的马赛克十分平滑，但是这跟我们平时见到的马斯克有所区别，我们新建一个函数来创建自己的马斯克def face_blur(image, blocks=5):(h, w) = image.shape[:2]xSteps = np.linspace(0, w, blocks + 1, dtype=”int”)ySteps = np.linspace(0, h, blocks + 1, dtype=”int”)for i in range(1, len(ySteps)):for j in range(1, len(xSteps)):startX = xSteps[j – 1]startY = ySteps[i – 1]endX = xSteps[j]endY = ySteps[i]roi = image[startY:endY, startX:endX](B, G, R) = [int(x) for x in cv2.mean(roi)[:3]]cv2.rectangle(image, (startX, startY), (endX, endY),(B, G, R), -1)return image首先获取了图片的尺寸，把图片分成block*block的小方块计算每个小方块的初始位置与最终位置把每个小方块图片提取roi = image[startY:endY, startX:endX]opencv中封装了一个专门用于求解cv::Mat均值的函数，即cv::mean(&cv::Mat)，该函数会得到Mat中各个通道的均值，若要获取指定通道的均值，做进一步解析即可。

最后把获取的平均值画到原始图片中，来实现加马赛克的效果马赛克函数中的blocks定义了图片需要进行马赛克的小方块的数量,以上图片的马赛克跟我们见到的很是类似加载模型，开启摄像头prototxtFacePath = “model/deploy.prototxt”weightsFacePath = “model/res10_300x300_ssd_iter_140000.caffemodel”faceNet = cv2.dnn.readNet(prototxtFacePath, weightsFacePath)capture = cv2.VideoCapture(0)time.sleep(2.0)首先我们加载需要的人脸检测模型使用cv2.dnn.readNet(prototxtFacePath, weightsFacePath)函数初始化一个人脸检测神经网络VideoCapture()中参数是0，表示打开笔记本的内置摄像头，参数是视频文件路径则打开视频，如cap = cv2.VideoCapture(“../高清.avi”)默认打开摄像头，然后遍历视频，实时添加马赛克读取视频帧，实时检测人脸while True:ret, frame = capture.read()frame = cv2.resize(frame, (600,400))(h, w) = frame.shape[:2]blob = cv2.dnn.blobFromImage(frame, 1.0, (300, 300),(104.0, 177.0, 123.0))faceNet.setInput(blob)detections = faceNet.forward()cap.read()按帧读取视频，ret,frame是获cap.read()方法的两个返回值。

其中ret是布尔值，如果读取帧是正确的则返回True，如果文件读取到结尾，它的返回值就为False。

frame就是每一帧的图像，是个三维矩阵。

获取图片的尺寸大小，然后进行图片blob值的计算blob = cv2.dnn.blobFromImage(image, 1.0, (300, 300),(104.0, 177.0, 123.0))最后进行人脸神经网络的预测faceNet.setInput(blob)detections = faceNet.forward()当检测到人脸后，对人脸进行分析识别for i in range(0, detections.shape[2]):confidence = detections[0, 0, i, 2]if confidence > 0.5:box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])(startX, startY, endX, endY) = box.astype(“int”)face = frame[startY:endY, startX:endX]face = face_blur(face, factor=4.0)frame[startY:endY, startX:endX] = face当检测到人脸后，提取所有人脸的置信度，我们判断大于0.5的人脸置信度为可靠人脸.计算人脸在图片中的位置(startX, startY, endX, endY) = box.astype(“int”)获取人脸图片ROI：face = frame[startY:endY, startX:endX]根据人脸的ROI图片来进行高斯模糊，以便达到添加马赛克的效果然后把添加马赛克的图片实时反馈到视频帧中显示视频cv2.imshow(“Frame”, frame)key = cv2.waitKey(1) & 0xFFif key == ord(“q”):breakcv2.stop()cv2.destroyAllWindows()最后实时显示视频。