布景

  工作中遇到事务诉求是经过OpenCV对图片进行一些判断操作和优化，这里是看了部分不错的文章，期望总结一个自己的学习过程，温故而知新，有不对的地方能够评论区指出，小白学习海涵。

基础知识

Mat在OpenCV中是非常重要的存在，后续各个API都是在Mat的基础上去做文章，Mat 是Matrix（矩阵）的缩写

...
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中其实保存着关于图片的图画信息，包含像素、宽、高、类型大小深度等属性。

主要Api – 加载图片

  由于我这里运用的集团的二方库，读者大佬能够直接在github查找 OpenCV对应版别，在gradle中增加依赖即可，由于自己是运用的Java代码经过jni调用底层C++代码，大部分api其实是互通的（网上Python教程居多，这也是我想把这个过程总结下来的原因）

imread

  该办法主要是获取图片的Mat信息的 默认通道为BGR（Blue, Green, Red），能够有许多flags供咱们选择以此达到不同的作用。

public static Mat imread(String filename, int flags) {
       return new Mat(imread_0(filename, flags));
}
// 调用比如
eg:
Mat bgr = Imgcodecs.imread(filePath, Imgcodecs.IMREAD_UNCHANGED);
Imgproc.cvtColor(bgr, srcMat, Imgproc.COLOR_BGR2RGB);
//Imgcodecs flags 常用参数意义
public static final int IMREAD_UNCHANGED = -1;  // 无改动
public static final int IMREAD_GRAYSCALE = 0;  // 单通道灰色
public static final int IMREAD_COLOR = 1;  //三通道BGR图画

Utils.bitmapToMat

  经过Utils.bitmapToMat办法获取Mat对象。


Bitmap bitmap = BitmapFactory.decodeResource(res, R.drawable.icon);
Mat mat = Mat()
// bitmap : 支撑ARGB_8888和RGB_565两种格局
// mat : 类型为CV_8UC4，通道次序为RGBA
Utils.bitmapToMat(bitmap, mat);

主要API – 写入图片

   咱们能够经过 imwrite办法将Mat对象保存至指定文件

File file = new File(Environment.getExternalStorageDirectory().getPath() + File.separator + "${System.currentTimeMillis()}.jpg");
 if (!file.exists()) {
        file.createNewFile();
 }
// 文件路径  ,  待输出mat对象
Imgcodecs.imwrite(file.getPath(), srcMat);

端侧常用剖析办法

亮度检测

  核算图片在灰度图上的均值和方差，当存在亮度异常时，均值会违背均值点(能够取0-255中心值 128)，方差也会偏小；经过核算灰度图的均值和方差，就可评价图画是否存在过曝光或曝光缺乏。

//亮度检测
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++) {
                //在核算过程中，考虑128为亮度均值点
                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", "过亮");
            } else {
                Log.e("ymc", "过暗");
            }
        } else {
            Log.e("ymc", "亮度：正常");
        }
        return cast;
    }

清晰度检测

  利用拉普拉斯算子核算图片的二阶导数，反映图片的边缘信息，同样事物的图片，清晰度高的，相对应的经过拉普拉斯算子滤波后的图片的方差也就越大。

//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);
        //后续可根据事务设置阈值
        Log.e("ymc", "清晰度：" + clarity);
        laplacianDstImage.release();
        return clarity;
    }

最终

  2022年触摸了许多新东西，在工作中也看到了许多大佬的闪光点，后续还会有更深入的OpenCV运用案例博文，图片剖析方面还是菜鸟，这篇文章也看了许多Python大佬的文章，正所谓三人行必有我师，继续学习。