前言

通常，图画处理软件会供给”含糊”（blur）滤镜，使图片发生含糊的作用。

高斯模糊

“含糊”的算法不只一种，高斯含糊仅仅其中一种，甚至它仅仅其中功率很差的一种。

在Android中运用高斯含糊，需求运用到 JNI 技术，Android Studio开发之 JNI 篇已详细讨论JNI的用法等。本文首要讲述高斯含糊原理及编码等。

高斯含糊原理

所谓”含糊”，能够理解成每一个像素都取周边像素的均匀值。

高斯模糊

如图所示，2是中心点，周围点都是1。中心点取周围点均匀值，就会变成1。在数值上，这是一种”平滑化”。在图形上，就相当于发生”含糊”作用，”中心点”失掉细节。

显然，核算均匀值时，取值规模越大，”含糊作用”越激烈。

假如运用简略均匀，显然不是很合理，由于图画都是接连的，越挨近的点联系越密切，越远离的点联系越疏远。因而，加权均匀更合理，距离越近的点权重越大，距离越远的点权重越小。

高斯含糊依据正态分布，决定周围点的权重值。

高斯模糊

正态分布是一种钟形曲线，越挨近中心，取值越大，越远离中心，取值越小。

核算均匀值的时分，咱们只需求将”中心点”作为原点，其他点依照其在正态曲线上的方位，分配权重，就能够得到一个加权均匀值。

正态分布的一维公式为：

高斯模糊

由于每次核算都是以中心点为原点，所以u为标准差，即为0。所以公式进一步进化为：

高斯模糊

由于图画是二维的，需求依据二维正态分布函数来核算权重值，它的公式以及曲线如下：

高斯模糊

不过为了代码功率问题，不会选用二维正态分布的核算办法，而是分别对 X 轴和 Y 轴进行两次高斯含糊，也能到达作用（即通过一维正态分布核算权重）。

高斯含糊代码

先分别核算正态分布各参数，sigma与高斯含糊半径有联系，2.57既是1除以根号2 PI得来。

float sigma = 1.0 * radius / 2.57;
float deno = 1.0 / sigma * sqrt(2.0 * PI);
float nume = -1.0 / (2.0 * sigma * sigma);

由于对于每一个像素点来说，周围点在正态分布中所占的权重值都是相同的，所以正态分布核算一次即可。

float *gaussMatrix = (float *) malloc(sizeof(float) * (radius + radius + 1));
float gaussSum = 0.0;
for (int i = 0, x = -radius; x <= radius; ++x, ++i) {
    float g = deno * exp(1.0 * nume * x * x);
    gaussMatrix[i] = g;
    gaussSum += g;
}

由于是以中心点自身为原点，所以 x 的取值规模是从 -radius 到 radius，核算结果存储的数组中。请留意周围点权重值与数组的对应联系，x 等于 -radius 时，而 i 等于0，后文会用到。

由于并没有核算所有的周围点，所以权重总合必然不为1，所以需求归一化，设法使权重值为一。

int len = radius + radius + 1;
for (int i = 0; i < len; ++i) {
    gaussMatrix[i] /= gaussSum;
}

先进行 x 轴的含糊。

  for (int y = 0; y < h; ++y) {
    //取一行像素数据，留意像素总数组的拜访办法是  x + y * w
    memcpy(rowData, pix + y * w, sizeof(int) * w);
    for (int x = 0; x < w; ++x) {
        float r = 0, g = 0, b = 0;
        gaussSum = 0;
        //以当时坐标点 x、y 为中心，查看前后一个含糊半径的周围点，依据正态分布
        //重新核算像素点的色彩值
        for (int i = -radius; i <= radius; ++i) {
            // k 表明周围点的真实坐标
            int k = x + i;
            // 边界上的像素点，它的周围点只有正常的一半，所以要确保 k 的取值规模
            if (k >= 0 && k <= w) {
                // 取到周围点的像素，并依据 argb 的摆放办法，核算 r、g、b重量
                int color = rowData[k];
                int cr = (color & 0x00ff0000) >> 16;
                int cg = (color & 0x0000ff00) >> 8;
                int cb = (color & 0x000000ff);
                //真实点坐标为 k，与它对应的权重数组下标是 i + radius
                //前文中核算正态分布权重时现已说明相关的对应联系。
                //依据正态分布的权重联系，核算中心点的 r g b各重量
                int index = i + radius;
                r += cr * gaussMatrix[index];
                g += cg * gaussMatrix[index];
                b += cb * gaussMatrix[index];
                gaussSum += gaussMatrix[index];
            }
        }
        //由于边界点的存在，gaussSum值纷歧定为1，所以需求除以gaussSum，归一化。
        int cr = (int) (r / gaussSum);
        int cg = (int) (g / gaussSum);
        int cb = (int) (b / gaussSum);
        //依据权重值与各周围点像素相乘之和，得到新的中心点像素。
        pix[y * w + x] = cr << 16 | cg << 8 | cb | 0xff000000;
    }
}

y轴的含糊原理和x轴根本相同，这儿就不再重复说明晰。

JNI图片接口

JNI中处理图片，需求引用 bitmap.h，头文件中首要界说三个办法。

  int AndroidBitmap_getInfo(JNIEnv* env, jobject jbitmap,
                      AndroidBitmapInfo* info);
  int AndroidBitmap_lockPixels(JNIEnv* env, jobject jbitmap, void** addrPtr);
  int AndroidBitmap_unlockPixels(JNIEnv* env, jobject jbitmap);

AndroidBitmap_getInfo：获取图片信息，比如宽、高、图片格式等 AndroidBitmap_lockPixels：望文生义，确定像素 AndroidBitmap_unlockPixels：解锁。

AndroidBitmap_lockPixels 和 AndroidBitmap_unlockPixels 成对调用，在两个办法之间可对图片像素进行相应处理，解锁像素今后，对图片的调整作用能够立即看到，并不需求再重新生成图片了。

ps：有时并不知道 JNI 有哪些接口能够调用，最好的办法就是看源码，有哪些接口，一目了然。

其它含糊办法

除了高斯含糊之外，还有其它含糊办法，比如说 fastblur，不过这个算法还没看理解，此处不再胪陈，详细代码自己的github上都有，欢迎拜访。