输出将保持不变，与上一个没有任何区别。步骤4：为阈值图像添加颜色。现在我们完成了二值化，是时候将灰度图像转换为RGB图像了。mapping ＝ cv2．cvtColor（thresholded＿img， cv2．COLOR＿GRAY2RGB）
np．unique（mapping）
在输出中，将颜色应用于图像后，它包含两个唯一的像素值，即0，255。我们将在接下来的步骤中应用背景模糊。4．1：对原始图像应用模糊处理。接下来，让我们将背景模糊效果应用于原始输入图像。blurred＿original＿image ＝ cv2．GaussianBlur（orig＿imginal，
（251，251），0）
plt．imshow（blurred＿original＿image）
4．2：获得背景模糊。在这个步骤中，我们使用简单的代码片段对输入图像的背景进行模糊处理。layered＿image ＝ np．where（mapping ！＝ （0，0，0），
orig＿imginal，
blurred＿original＿image）
plt．imshow（layered＿image）
在上面的代码片段中，我们所做的只是简单地填充像素强度值为0的模糊图像，即填充所有黑色像素和填充像素强度值为255（白色像素）的原始图像，这产生了一个漂亮的散景效果，如下图所示。
4．3：最后保存图像。现在剩下要做的就是保存散景图像了！im＿rgb ＝ cv2．cvtColor（layered＿image， cv2．COLOR＿BGR2RGB）
cv2．imwrite（＂Potrait＿Image．jpg＂， im＿rgb）
5． 得分
本文是参考Bhavesh Bhatt的视频而写的，在 GitHub 页面上提供了带有逐行注释的完整代码。
6 . 结论
总而言之，获得背景模糊只是深度学习可以做的事情之一，随着技术的进步，深度学习模型从分类到生成深层伪造的模型做的越来越好了，在不久的未来，相信会有更大的发展。
