如何用Python案例实现批量模糊图片？

wen python案例 2026-06-16 2

用Python案例实现批量模糊图片的完整指南

目录导读

为什么需要批量模糊图片？
核心技术：OpenCV与PIL的对比
基于OpenCV的批量高斯模糊
基于PIL的批量像素化模糊
进阶技巧：多进程加速与自适应模糊
常见问题与避坑指南

为什么需要批量模糊图片？

在日常工作或开发中，我们经常遇到需要批量处理图片隐私的场景：比如导出用户头像前模糊背景、自动化处理数据集时隐藏敏感信息、或对产品图样进行去背景边缘柔化，手动用Photoshop一张张处理效率极低，而Python脚本能实现“一次运行，全部搞定”。

如何用Python案例实现批量模糊图片？

问答环节
Q：批量模糊图片能用其他语言实现吗？
A：可以，但Python拥有最丰富的图像处理库（如OpenCV、PIL），且代码简洁、跨平台,是首选。

核心技术：OpenCV与PIL的对比

库	核心函数	适用场景	性能
OpenCV	`cv2.GaussianBlur()`	需精确控制核大小、边缘保留	快（C++后端）
PIL（Pillow）	`ImageFilter.GaussianBlur()`	简单模糊或结合图像格式处理	适中

推荐OpenCV处理大批量图片,PIL适合质量优先的小规模模糊。

案例一：基于OpenCV的批量高斯模糊

需求：将文件夹内所有JPG图片模糊,替换原图或输出到新目录。

import cv2
import os
import glob
def batch_blur_opencv(input_dir, output_dir, blur_ksize=(15,15)):
    # 创建输出目录
    os.makedirs(output_dir, exist_ok=True)
    # 获取所有图片文件
    images = glob.glob(os.path.join(input_dir, "*.jpg")) + glob.glob(os.path.join(input_dir, "*.png"))
    for img_path in images:
        img = cv2.imread(img_path)
        if img is None:
            print(f"跳过：{img_path}")
            continue
        # 高斯模糊
        blurred = cv2.GaussianBlur(img, blur_ksize, 0)
        # 保存到新目录（保持原文件名）
        filename = os.path.basename(img_path)
        output_path = os.path.join(output_dir, filename)
        cv2.imwrite(output_path, blurred)
    print(f"完成！共处理 {len(images)} 张图片")
# 使用示例
batch_blur_opencv("./raw_images", "./blurred_output", blur_ksize=(21,21))

关键参数说明：

blur_ksize：模糊核大小，必须为奇数，核越大模糊越强（推荐3~21）。
若需模糊程度自适应，可提取图片尺寸动态计算核大小：w//100 * 2 + 1

案例二：基于PIL的批量像素化模糊

当需要“马赛克”效果时，PIL的Pixelate更直接。

from PIL import Image, ImageFilter
import glob, os
def batch_pixelate_blur(input_dir, output_dir, pixel_size=10):
    os.makedirs(output_dir, exist_ok=True)
    for img_path in glob.glob(input_dir + "/*.*"):
        try:
            img = Image.open(img_path)
            # 先缩小小图再放大，实现像素化
            small = img.resize(
                (img.width // pixel_size, img.height // pixel_size),
                resample=Image.NEAREST
            )
            pixelated = small.resize(img.size, Image.NEAREST)
            output_path = os.path.join(output_dir, os.path.basename(img_path))
            pixelated.save(output_path)
        except:
            print(f"处理失败：{img_path}")

原理：先降低分辨率（缩小），再暴力放大,形成方块状像素化效果。

进阶技巧：多进程加速与自适应模糊

当图片数量超1000张时，单线程处理缓慢，使用concurrent.futures加速：

from concurrent.futures import ProcessPoolExecutor
import cv2, os
def process_one_img(args):
    img_path, output_dir, ksize = args
    img = cv2.imread(img_path)
    blurred = cv2.GaussianBlur(img, ksize, 0)
    out_path = os.path.join(output_dir, os.path.basename(img_path))
    cv2.imwrite(out_path, blurred)
    return img_path
# 主函数使用多进程
def batch_multi_process(input_dir, output_dir):
    files = [(path, output_dir, (15,15)) for path in glob.glob(input_dir + "/*")]
    with ProcessPoolExecutor(max_workers=4) as executor:
        results = executor.map(process_one_img, files)
    print(f"完成{len(list(results))}张")

自适应模糊技巧：结合人脸检测库（如face_recognition）,只模糊背景保留人脸清晰。