图像识别、图像模糊检测

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。

OpenCV官网

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：

G(x,y) 的形式如下：

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：

**

- 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：

基于Laplacian 梯度函数的图像星清晰度的定义如下：

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（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

/**
 * 
 * 作者：wujie on 2019/1/21 15:59
 * 邮箱：[email protected]
 * 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
 * 
 */

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。
  

测试效果如下

算法	原图	20%高斯模糊	40%高斯模糊	60%高斯模糊	80%高斯模糊	100%高斯模糊
Tenengrad梯度	4.672268	0.8224229166666667	0.5335	0.4327958333333334	0.37921458333333335	0.2528916666666667
拉普拉斯梯（Laplacian）梯度	18.481472	3.1599833333333334	2.2233875000000003	1.8840750000000002	1.7024541666666668	1.3291458333333335

吻合度还是比较高的：同一场景下梯度值越高，图像越清晰。