目录背景基础知识主要api - 加载图片imreadUtils.bitmapToMat主要API - 写入图片端侧常用分析方法亮度检测清晰度检测最后背景 工作中遇到业务诉求是通过O
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。
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。
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)
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
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);
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);
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;
}
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;
}
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。
以上就是Android OpenCV基础API清晰度亮度识别检测的详细内容,更多关于Android OpenCV API清晰亮度的资料请关注编程网其它相关文章!
--结束END--
本文标题: Android OpenCV基础API清晰度亮度识别检测
本文链接: https://www.lsjlt.com/news/178103.html(转载时请注明来源链接)
有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341
2024-01-21
2023-10-28
2023-10-28
2023-10-27
2023-10-27
2023-10-27
2023-10-27
回答
回答
回答
回答
回答
回答
回答
回答
回答
回答
0