Android OpenCV基础API清晰度亮度识别检测

背景

工作中遇到业务诉求是通过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，希望总结一个自己的学习过程，温故而知新，有不对的地方可以评论区指出，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像信息，包括像素、宽、高、类型大小深度等属性。

主要Api - 加载图片

由于我这里使用的集团的二方库，读者大佬可以直接在github搜索 OpenCV对应版本，在gradle中添加依赖即可，由于本人是使用的Java代码通过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

该方法主要是获取图片的Mat信息的 默认通道为BGR（Blue, Green, Red），可以有很多flags供我们选择以此达到不同的效果。

public static Mat imread(String filename, int flags) {
      return new Mat(imread_0(filename, flags));
}
// 调用例子
eg:
Mat bgr = Imgcodecs.imread(filePath, Imgcodecs.IMREAD_UNCHANGED);
Imgproc.cvtColor(bgr, srcMat, Imgproc.COLOR_BGR2RGB);
//Imgcodecs flags 常用参数含义
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图像

Utils.bitmapToMat

通过Utils.bitmapToMat方法获取Mat对象。

Bitmap bitmap = BitmapFactory.decodeResource(res, R.drawable.icon);
Mat mat = Mat()
// bitmap : 支持ARGB_8888和RGB_565两种格式
// mat : 类型为CV_8UC4，通道顺序为RGBA
Utils.bitmapToMat(bitmap, mat);

主要API - 写入图片

&emsp;&emsp; 我们可以通过 imwrite方法将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);

端侧常用分析方法

亮度检测

计算图片在灰度图上的均值和方差，当存在亮度异常时，均值会偏离均值点(可以取0-255中间值 128)，方差也会偏小；通过计算灰度图的均值和方差，就可评估图像是否存在过曝光或曝光不足。

//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++) {
               //在计算过程中，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

利用拉普拉斯算子计算图片的二阶导数，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);
       //后续可根据业务设置阈值
       Log.e("ymc", "清晰度：" + clarity);
       laplacianDstImage.release();
       return clarity;
   }

最后

2022年接触了很多新东西，在工作中也看到了很多大佬的闪光点，后续还会有更深入的OpenCV使用案例博文，图片分析方面还是菜鸟，这篇文章也看了很多Python大佬的文章，正所谓三人行必有我师，继续学习。

来源：https://juejin.cn/post/7189818918033162277