Android OpenCV (一) 基礎API 清晰度亮度識別
背景
工作中遇到業務訴求是通過OpenCV對圖片進行一些判斷操作和優化，這裏是看了部分不錯的文章，希望總結一個自己的學習過程，温故而知新，有不對的地方可以評論區指出，小白學習海涵。
基礎知識
Mat在OpenCV中是非常重要的存在，後續各個API都是在Mat的基礎上去做文章，Mat 是Matrix（矩陣）的縮寫
```c++ ... inline Mat::Mat(int _rows, int _cols, int _type) : flags(MAGIC_VAL), dims(0), rows(0), cols(0), data(0), datastart(0), dataend(0), datalimit(0), allocator(0), u(0), size(&rows), step(0) { create(_rows, _cols, _type); }
inline void Mat::create(int _rows, int _cols, int _type) { _type &= TYPE_MASK; if( dims <= 2 && rows == _rows && cols == _cols && type() == _type && data ) return; int sz[] = {_rows, _cols}; create(2, sz, _type); }
...
``` Mat中其實保存着關於圖片的圖像信息，包括像素、寬、高、類型大小深度等屬性。
主要Api - 加載圖片
由於我這裏使用的集團的二方庫，讀者大佬可以直接在github搜索 OpenCV對應版本，在gradle中添加依賴即可，由於本人是使用的Java代碼通過jni調用底層C++代碼，大部分api其實是互通的（網上Python教程居多，這也是我想把這個過程總結下來的原因）
imread
該方法主要是獲取圖片的Mat信息的 默認通道為BGR（Blue, Green, Red），可以有很多flags供我們選擇以此達到不同的效果。 ``` public static Mat imread(String filename, int flags) { return new Mat(imread_0(filename, flags)); }
// 調用例子 eg: Mat bgr = Imgcodecs.imread(filePath, Imgcodecs.IMREAD_UNCHANGED); Imgproc.cvtColor(bgr, srcMat, Imgproc.COLOR_BGR2RGB);
//Imgcodecs flags 常用參數含義 public static final int IMREAD_UNCHANGED = -1; // 無改動 public static final int IMREAD_GRAYSCALE = 0; // 單通道灰色 public static final int IMREAD_COLOR = 1; //三通道BGR圖像
```
Utils.bitmapToMat
通過Utils.bitmapToMat方法獲取Mat對象。 ```
Bitmap bitmap = BitmapFactory.decodeResource(res, R.drawable.icon); Mat mat = Mat() // bitmap : 支持ARGB_8888和RGB_565兩種格式 // mat : 類型為CV_8UC4，通道順序為RGBA Utils.bitmapToMat(bitmap, mat); ```
主要API - 寫入圖片
我們可以通過 imwrite方法將Mat對象保存至指定文件
java
File file = new File(Environment.getExternalStorageDirectory().getPath() + File.separator + "${System.currentTimeMillis()}.jpg");
if (!file.exists()) {
file.createNewFile();
}
// 文件路徑 , 待輸出mat對象
Imgcodecs.imwrite(file.getPath(), srcMat);
端側常用分析方法
亮度檢測
計算圖片在灰度圖上的均值和方差，當存在亮度異常時，均值會偏離均值點(可以取0-255中間值 128)，方差也會偏小；通過計算灰度圖的均值和方差，就可評估圖像是否存在過曝光或曝光不足。
//亮度檢測
private static float brightness(Mat grayImage) {
float a = 0;
int Hist[] = new int[256];
for (int i = 0; i < 256; i++) {
Hist[i] = 0;
}
for (int i = 0; i < grayImage.rows(); i++) {
for (int j = 0; j < grayImage.cols(); j++) {
//在計算過程中，考慮128為亮度均值點
a += (float) (grayImage.get(i, j)[0] - 128);
int x = (int) grayImage.get(i, j)[0];
Hist[x]++;
}
}
float da = a / (float) (grayImage.rows() * grayImage.cols());
float D = Math.abs(da);
float Ma = 0;
for (int i = 0; i < 256; i++) {
Ma += Math.abs(i - 128 - da) * Hist[i];
}
Ma /= (float) ((grayImage.rows() * grayImage.cols()));
float M = Math.abs(Ma);
float K = D / M;
float cast = K;
if (cast >= 1) {
if (da > 0) {
Log.e("ymc", "過亮");
} else {
Log.e("ymc", "過暗");
}
} else {
Log.e("ymc", "亮度：正常");
}
return cast;
}
清晰度檢測
利用拉普拉斯算子計算圖片的二階導數，反映圖片的邊緣信息，同樣事物的圖片，清晰度高的，相對應的經過拉普拉斯算子濾波後的圖片的方差也就越大。
//清晰度
private static double clarity(Mat grayImage) {
Mat laplacianDstImage = new Mat();
Imgproc.Laplacian(grayImage, laplacianDstImage, CvType.CV_64F);
MatOfDouble median = new MatOfDouble();
MatOfDouble std = new MatOfDouble();
Core.meanStdDev(laplacianDstImage, median, std);
double clarity = Math.pow(std.get(0, 0)[0], 2);
//後續可根據業務設置閾值
Log.e("ymc", "清晰度：" + clarity);
laplacianDstImage.release();
return clarity;
}
最後
2022年接觸了很多新東西，在工作中也看到了很多大佬的閃光點，後續還會有更深入的OpenCV使用案例博文，圖片分析方面還是菜鳥，這篇文章也看了很多Python大佬的文章，正所謂三人行必有我師，繼續學習。