图像识别、图像模糊检测

一时失言乱红尘 2022-04-23 00:14 749阅读 0赞

#### 最近有个项目，需要对图片进行模糊检测， 人脸识别等比较复杂的图像处理。经过一番尝试，决定好好研究一下OpenCV的原理和使用。 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JhaXlpY2FuZ2dvdV93dWppZQ_size_16_color_FFFFFF_t_70]  
[OpenCV官网][OpenCV]

#### 现在，项目中有个需求——需要对用户操作编辑以后的图片进行质量评估，做模糊检测。我采用了Tenengrad梯度和Laplacian梯度算法。 ####

**1. 算法**  
**- Tenengrad 梯度函数**

> **Tenengrad 梯度函数采用Sobel算子分别提取水平和垂直方向的梯度值，基与Tenengrad 梯度函数的图像清晰度定义如下：**  
> ![在这里插入图片描述][2019012202120873.png]  
> **G(x,y) 的形式如下：**  
> ![在这里插入图片描述][20190122021242215.png]  
> **其中：T是给定的边缘检测阈值，Gx和Gy分别是像素点(x,y)处Sobel水平和垂直方向边缘检测算子的卷积，建议使用以下的Sobel算子模板来检测边缘：**  
> ![在这里插入图片描述][20190122021326733.png]  
> \*\*

**- Laplacian 梯度函数**

> **Laplacian 梯度函数与Tenengrad梯度函数基本一致，用Laplacian算子替代Sobel算子即可，该算子定义如下：**  
> ![在这里插入图片描述][20190122021417240.png]  
> **基于Laplacian 梯度函数的图像星清晰度的定义如下：**  
> ![在这里插入图片描述][2019012202145727.png]  
> **其中G(x,y)是像素点(x,y)处Laplacian算子的卷积。**

**2. 编码**  
以安卓为例：[OpenCV-3.1.0-android-sdk下载地址][OpenCV-3.1.0-android-sdk]（python版本可以去官网下载，最新已经是4.x了）  
写个图像处理得工具类

/** * <pre> * 作者：wujie on 2019/1/21 15:59 * 邮箱：705030268@qq.com * 功能：图像模糊检测 * 最直接的方法就是计算图片的快速傅里叶变换，然后查看高低频的分布。如果图片有少量的高频成分，那么该图片就可以被认为是模糊的 * </pre> */
    
    public class OpenCVUtils { 
    
        /** * tenengrad梯度 {@link Imgproc} * @descrption: tenengrad梯度方法利用Sobel算子分别计算水平和垂直方向的梯度，同一场景下梯度值越高，图像越清晰。 * @param: image: bitmap * @return: 返回Sobel算子计算的tenengrad梯度的均值 * 算法：先对原图像进行灰度化 => 根据Tenengrad梯度函数，采用Sobel算子分别提取水平和垂直方向的梯度值 */
        public static double calcBlurByTenengrad(Bitmap image) { 
            LogUtils.i("image.w=" + image.getWidth() + ",image.h=" + image.getHeight());
    
            //将图片信息读取到Mat图像矩阵
            Mat matImage = new Mat();
            Utils.bitmapToMat(image, matImage);
    
            // 图像灰度化
            Mat matImageGrey = new Mat();
    
            if (matImage.channels() != 1) {  //1表示单通道
                //进行灰度化
                Imgproc.cvtColor(matImage, matImageGrey, Imgproc.COLOR_BGR2GRAY);
            } else { 
                //如果==1，说明本来就是单通道灰度图片，无须再度灰度
                matImageGrey = matImage.clone();
            }
    
    
            Mat imageSobel = new Mat();
    
            //Sobel算子计算tenengrad梯度
            Imgproc.Sobel(matImageGrey, imageSobel, CvType.CV_16U, 1, 1);
    
            //图像的平均灰度
            double meanValue;
            Scalar mean = Core.mean(imageSobel);
    // LogUtils.i("scalar:" + mean.toString());
            meanValue = mean.val[0]; //第一个是均值
            LogUtils.i("tenengrad梯度 均值 meanValue:" + meanValue);
    
            return meanValue;
        }
    
        /** * 拉普拉斯梯度 {@link Imgproc} * @descrption: Laplacian梯度是另一种求图像梯度的方法,用Laplacian算子替代Sobel算子 * @param: image: bitmap * @return: 返回计算的Laplacian梯度的均值 * 算法：先对原图像进行灰度化 => 然后用3x3的拉普拉斯算子进行滤波处理 => 再计算处理后图像的梯度均值 */
        public static double calcBlurByLaplacian(Bitmap image) { 
            LogUtils.i("image.w=" + image.getWidth() + ",image.h=" + image.getHeight());
    
            //将图片信息读取到Mat图像矩阵
            Mat matImage = new Mat();
            Utils.bitmapToMat(image, matImage);
    
            // 图像灰度化
            Mat matImageGrey = new Mat();
    
            if (matImage.channels() != 1) {  //1表示单通道
                //进行灰度化
                Imgproc.cvtColor(matImage, matImageGrey, Imgproc.COLOR_BGR2GRAY);
            } else { 
                //如果==1，说明本来就是单通道灰度图片，无须再度灰度
                matImageGrey = matImage.clone();
            }
    
    
            Mat imageSobel = new Mat();
    
            //再计算一下拉普拉斯
            Imgproc.Laplacian(matImageGrey, imageSobel, CvType.CV_16U, 3, 1, 0);
    
            //图像的平均灰度
            double meanValue;
            Scalar mean = Core.mean(imageSobel);
    // LogUtils.i("scalar:" + mean.toString());
            meanValue =  mean.val[0];
            LogUtils.i("拉普拉斯梯度 均值 meanValue:" + meanValue);
    
            return meanValue;
        }
     }

**3. 测试**\*\*

>  *  准备6张做过不同程度模糊处理的图片。  
>     ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JhaXlpY2FuZ2dvdV93dWppZQ_size_16_color_FFFFFF_t_70 1]

#### 测试效果如下 ####

<table> 
 <thead> 
  <tr> 
   <th>算法</th> 
   <th>原图</th> 
   <th>20%高斯模糊</th> 
   <th>40%高斯模糊</th> 
   <th>60%高斯模糊</th> 
   <th>80%高斯模糊</th> 
   <th>100%高斯模糊</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>Tenengrad梯度</td> 
   <td>4.672268</td> 
   <td>0.8224229166666667</td> 
   <td>0.5335</td> 
   <td>0.4327958333333334</td> 
   <td>0.37921458333333335</td> 
   <td>0.2528916666666667</td> 
  </tr> 
  <tr> 
   <td>拉普拉斯梯（Laplacian）梯度</td> 
   <td>18.481472</td> 
   <td>3.1599833333333334</td> 
   <td>2.2233875000000003</td> 
   <td>1.8840750000000002</td> 
   <td>1.7024541666666668</td> 
   <td>1.3291458333333335</td> 
  </tr> 
 </tbody> 
</table>

#### 吻合度还是比较高的：同一场景下梯度值越高，图像越清晰。 ####

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JhaXlpY2FuZ2dvdV93dWppZQ_size_16_color_FFFFFF_t_70]: /images/20220325/e0594610d97b411f8b0afbaff46a603a.png
[OpenCV]: https://opencv.org/
[2019012202120873.png]: /images/20220325/a46c0f35a1e548a3aa0e80a01367a031.png
[20190122021242215.png]: /images/20220325/0c542c8264a04ad6b98c53dc6128f384.png
[20190122021326733.png]: /images/20220325/64e21d688ecb4f939bc9c6d03cf9415e.png
[20190122021417240.png]: /images/20220325/2285ef65c7d9462c8fa3cd9b10d91986.png
[2019012202145727.png]: /images/20220325/a80e7b4d8b8a440392810baa056f8689.png
[OpenCV-3.1.0-android-sdk]: https://pan.baidu.com/s/1v9vhF0ayWt5ZXrShk_kyAQ
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JhaXlpY2FuZ2dvdV93dWppZQ_size_16_color_FFFFFF_t_70 1]: /images/20220325/8c102b3c8457498e98d060566dc1d9ca.png