如何使用深度學習生成模糊背景？
輸出將保持不變，與上一個沒有任何區(qū)別。步驟4：為閾值圖像添加顏色。現在我們完成了二值化，是時候將灰度圖像轉換為RGB圖像了。mapping ＝ cv2．cvtColor（thresholded＿img， cv2．COLOR＿GRAY2RGB）
np．unique（mapping）
在輸出中，將顏色應用于圖像后，它包含兩個唯一的像素值，即0，255。我們將在接下來的步驟中應用背景模糊。4．1：對原始圖像應用模糊處理。接下來，讓我們將背景模糊效果應用于原始輸入圖像。blurred＿original＿image ＝ cv2．GaussianBlur（orig＿imginal，
（251，251），0）
plt．imshow（blurred＿original＿image）
4．2：獲得背景模糊。在這個步驟中，我們使用簡單的代碼片段對輸入圖像的背景進行模糊處理。layered＿image ＝ np．where（mapping �。� （0，0，0），
orig＿imginal，
blurred＿original＿image）
plt．imshow（layered＿image）
在上面的代碼片段中，我們所做的只是簡單地填充像素強度值為0的模糊圖像，即填充所有黑色像素和填充像素強度值為255（白色像素）的原始圖像，這產生了一個漂亮的散景效果，如下圖所示。
4．3：最后保存圖像�，F在剩下要做的就是保存散景圖像了！im＿rgb ＝ cv2．cvtColor（layered＿image， cv2．COLOR＿BGR2RGB）
cv2．imwrite（＂Potrait＿Image．jpg＂， im＿rgb）
5． 得分
本文是參考Bhavesh Bhatt的視頻而寫的，在 GitHub 頁面上提供了帶有逐行注釋的完整代碼。
6 . 結論
總而言之，獲得背景模糊只是深度學習可以做的事情之一，隨著技術的進步，深度學習模型從分類到生成深層偽造的模型做的越來越好了，在不久的未來，相信會有更大的發(fā)展。
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
