如果您知道算法和设置，或者通过反复试验，是否可以“去模糊”图像？

在这里，我假设我们只考虑使用应用于图像的过滤器模糊的图像，而不是由于捕捉不良（运动/光学模糊）而导致的。

去模糊绝对是可能的，你会在许多图像处理工具中看到支持。然而，模糊会故意减少图像中的信息量，因此要真正恢复原始图像可能需要“蛮力”，从而生成（巨大）大量候选图像，它们都“模糊”到相同的最终图像图片。

不同类型的模糊具有不同的损失，但可以逆转所有损失（尽管代价高昂）。去模糊的成本和可能结果的数量取决于模糊过滤器的通过次数，以及模糊时考虑的邻居数量。一旦去模糊，许多工具和服务应该能够根据知道它是什么类型的图像自动删除许多结果。

例如，这篇博客文章讨论了为什么用少量熵（例如支票簿）模糊内容比模糊人脸等内容更不安全。

简而言之，确实有可能取回如果“模糊”将导致您提供的图像相同的图像。但是您不能保证去模糊图像是唯一有效的去模糊版本（您将需要一些领域知识和图像分析，例如匹配边缘、具有语义意义的对象）。

对于肉眼来说，可能很难找出模糊的内容。但是模糊是否可以“逆向工程”以显示原始图像，或者至少是可识别的东西？

模糊可能不会从根本上改变图像的“特征”，从而使直方图相似并允许匹配。在您的情况下，人眼实际上可以看出这可能是 Google 徽标（熟悉的颜色），但直方图完全不同。谷歌本身无法识别图像，您可以使用此在线工具研究直方图和颜色集群——图像完全不同。

如果您选择屏蔽敏感内容可能会更安全（请参阅此处的帖子）

我希望这些事情是不可能的（例如，我曾经尝试在速度陷阱附近尽可能快地行驶，以便运动模糊会隐藏我的车牌，但它不再起作用了）。去模糊的工具现在相当普遍（例如Blurity），尽管它们在处理小型计算机生成的图像（信息较少）时不如处理照片（参见我恢复的样本）。

在更多参考资料方面，Per Christian Hansen、James G. Nagy 和 Dianne P. O'Leary 所著的Deblurring Images: Matrices, Spectra, and Filtering 的第一章是一个非常好的介绍。它谈到了噪声和其他因素如何使精确的原始图像无法恢复：不幸的是，我们没有希望能够精确地恢复原始图像！然后继续描述如何获得近距离匹配。

这项调查比较了法医图像重建中使用的不同技术（它已有近 20 年的历史，因此它侧重于基础知识）。

最后，一个指向 Schneier 博客的链接，其中对此进行了一些详细的讨论。

是的，模糊是审查图像数据的不安全方式。

有些软件可以轻松地将算法模糊（如高斯模糊）反转为相当清晰的结果。通常足以识别对象/阅读文本。

它取决于两件事：图像本身（信息量）和使用的模糊（类型+数量）。

您提到的高斯模糊将对比度（信息）从最集中或最不集中的位置重新分配到对比度周围的漫射圆中；越靠近中心，越靠近圆的边缘（又名模糊半径），越靠近中心。

考虑一下摇摇晃晃的桌子上棋盘格的沙画图像，而不是数字图像。如果你用拳头敲击桌子，你就会模仿高斯模糊，它应该使正方形变圆，留下连接的重叠圆圈。看着那张乱七八糟的桌子，你可能仍然可以得出结论，这是重组前的棋盘。

另一方面，如果您敲击桌子的一侧，则模拟了运动模糊。如果沙粒的摇晃/惯性距离超过棋盘格的宽度，桌子就会被沙子均匀地覆盖，并且无法说预摇设计是棋盘格、条纹还是棋盘格。已经均匀分布。

如果您只有可用的高斯模糊，并且想要模糊文本，那么您应该模糊两倍的行高，然后对图像进行姿势化。模糊将大细节展开为精细细节，而装腔作势则丢弃精细细节。您还可以使用更戏剧化的东西来丢弃精细的细节来模糊模糊的图像、降低颜色深度、处理级别、过度压缩等。

简而言之，如果细节被分散，然后精细的细节被丢弃，那么就没有足够的信息来可靠地恢复图像。

我的经验表明，GIMP 中的高斯模糊不足以完全混淆信息。事实上，高斯模糊后的大部分图像数据都可以使用反卷积来恢复。