极限优化:Haar特征的另一种的快速计算方法—boxfilter

  这个项目大概是在2年前了,因为要用嵌入式编程,所以无法用opencv的库函数,一切算法纯靠手写(是不是很坑爹?),其中一部分程序需要计算Haar特征,于是就有了下面的故事:

  在模式识别领域,Haar特征是大家非常熟悉的一种图像特征了,它可以应用于许多目标检测的算法中。与Haar相似,图像的局部矩形内像素的和、平方和、均值、方差等特征也可以用类似Haar特征的计算方法来计算。这些特征有时会频繁的在某些算法中使用,因此对它的优化势在必行。Boxfilter就是这样一种优化方法,它可以使复杂度为O(MN)的求和,求方差等运算降低到O(1)或近似于O(1)的复杂度,它的缺点是不支持多尺度

极限优化:Haar特征的另一种的快速计算方法—boxfilter_第1张图片

  第一个提出Haar特征快速计算方法的是CVPR2001上的那篇经典论文Rapid Object Detection using a Boosted Cascade of Simple Features ,它提出了integral image的概念,这个方法使得图像的局部矩形求和运算的复杂度从O(MN)下降到了O(4)。它的原理很简单:首先建立一个数组A,宽高与原图像相等,然后对这个数组赋值,每个元素的值A[i]赋为该点与图像原点所构成的矩形中所有像素的和。初始化之后,想要计算某个矩形像素和的时候可以采用如下方法:如图D矩形的像素和就等于A[4] – A[2] – A[3] + A[1],共4次运算,即O(4)。Integral Image极大的提高了Haar特征的计算速度,它的优点在于能够快速计算任意大小的矩形求和运算

  Boxfilter的原理有点类似Integral Image,而且比它还要快,但是实现步骤比较复杂。在计算矩形特征之前,Boxfilter与Integral Image都需要对图像进行初始化(即对数组A赋值),不同于Integral Image, Boxfilter的数组A中的每个元素的值是该像素邻域内的像素和(或像素平方和),在需要求某个矩形内像素和的时候,直接访问数组中对应的位置就可以了。因此可以看出它的复杂度是O(1)。

 

Boxfilter的初始化过程如下:(此处较繁琐,如睡意来袭可以略过)

1、给定一张图像,宽高为(M,N),确定待求矩形模板的宽高(m,n),如图紫色矩形。图中每个黑色方块代表一个像素,红色方块是假想像素。

2、开辟一段大小为M的数组,记为buff, 用来存储计算过程的中间变量,用红色方块表示

3、将矩形模板(紫色)从左上角(0,0)开始,逐像素向右滑动,到达行末时,矩形移动到下一行的开头(0,1),如此反复,每移动到一个新位置时,计算矩形内的像素和,保存在数组A中。以(0,0)位置为例进行说明:首先将绿色矩形内的每一列像素求和,结果放在buff内(红色方块),再对蓝色矩形内的像素求和,结果即为紫色特征矩形内的像素和,把它存放到数组A中,如此便完成了第一次求和运算。

4、每次紫色矩形向右移动时,实际上就是求对应的蓝色矩形的像素和,此时只要把上一次的求和结果减去蓝色矩形内的第一个红色块,再加上它右面的一个红色块,就是当前位置的和了,用公式表示 sum[i] = sum[i-1] - buff[x-1] + buff[x+m-1]

5、当紫色矩形移动到行末时,需要对buff进行更新。因为整个绿色矩形下移了一个像素,所以对于每个buff[i], 需要加上一个新进来的像素,再减去一个出去的像素,然后便开始新的一行的计算了。

 

  Boxfilter的初始化过程非常快速,每个矩形的计算基本上只需要一加一减两次运算。从初始化的计算速度上来说,Boxfilter比Integral Image要快一些,大约25%。在具体求某个矩形特征时,Boxfilter比Integral Image快4倍,所谓的4倍其实就是从4次加减运算降低到1次,虽然这个优化非常渺小,但是把它放到几层大循环里面,还是能节省一些时间的。对于那些实时跟踪检测算法,一帧的处理时间要严格在40ms以下,正是这些细小的优化决定了程序的效率,积少成多,聚沙成塔。

 

下面的程序是Boxfilter的示例代码,谨供参考

.h

View Code
#pragma once

typedef unsigned char uchar;

class Boxfilter
{
public:
    Boxfilter(void);
    ~Boxfilter(void);

    void init(int width, int height, int mwidth=5, int mheight=5);
    void boxfilter(unsigned char* img);
public:
    float    getMean(int x, int y);    //以x,y为中心点,mwidth,mheight为直径的局部区域,下同
    float    getVar(int x, int y);
    int        getSum(int x, int y);
    int        getSquareSum(int x, int y);
    int        getLocalSize();

private:
    int mwidth ;
    int mheight ;
    unsigned char* img;
    int width;
    int height;
    int* f_sum;
    int* f_sum2;

};

.cpp

View Code
#include "Boxfilter.h"
#include 
#include <string>

int* buff = 0;
int* buff2 = 0;
int boxwidth;
int boxheight;

Boxfilter::Boxfilter(void)    
{    
    f_sum = 0;
    f_sum2 = 0;
}

Boxfilter::~Boxfilter(void)
{
    if(f_sum)    delete[] f_sum;
    if(f_sum2)    delete[] f_sum2;
    if(buff)    delete[] buff;
    if(buff2)    delete[] buff2;
}

void Boxfilter::init(int width, int height, int mwidth, int mheight)
{
    this->mwidth = mwidth;
    this->mheight = mheight;
    this->width = width;
    this->height = height;

    boxwidth = width - mwidth;
    boxheight = height - mheight;
    f_sum = new int[boxwidth *boxheight];
    f_sum2 = new int[boxwidth *boxheight];

    buff = new int[width];
    buff2= new int[width];
}

void Boxfilter::boxfilter (unsigned char* img)
{
    int j,x,y;

    memset(buff, 0, width *sizeof(int));
    memset(buff2, 0, width *sizeof(int));
    memset(f_sum, 0, boxwidth *boxheight);
    memset(f_sum2, 0, boxwidth *boxheight);

    for(y=0; y)
    {
        for(x=0; x)
        {
            uchar pixel = img[y *width + x];
            buff[x] += pixel;
            buff2[x] += pixel*pixel;
        }
    }

    for(y=0; y)
    {
        int Xsum=0;
        int Xsum2=0;

        for(j=0; j)
        {
            Xsum += buff[j];
            Xsum2 += buff2[j];
        }

        for(x=0; x)
        {
            if(x!=0)
            {
                Xsum = Xsum-buff[x-1]+buff[mwidth-1+x];
                Xsum2 = Xsum2-buff2[x-1]+buff2[mwidth-1+x];
            }
            f_sum[y*(width - mwidth)+x] = (float) Xsum ;
            f_sum2[y*(width - mwidth)+x] = Xsum2;            
        }

        for(x=0; x)
        {
            uchar pixel = img[y *width + x];    
            uchar pixel2 = img[(y+mheight) *width + x];    
            buff[x] = buff[x] - pixel + pixel2;    
            buff2[x] = buff2[x] - pixel*pixel +    pixel2*pixel2;    
        }
    }
}

float Boxfilter::getMean(int x, int y)
{
    return getSum(x,y) / (float)(mwidth*mheight);
}

float Boxfilter::getVar(int x, int y)
{
    float mean = getMean(x, y);
    return (float)getSquareSum(x, y)/(mwidth *mheight) - mean*mean;
}

int Boxfilter::getSquareSum(int x, int y)
{
    if(y>mheight/2 && y2 && x>mwidth/2 && x2)
        return f_sum2[(y - mheight/2) *boxwidth + (x - mwidth/2)];
    else
        return -1;
}

int    Boxfilter::getSum(int x, int y)
{
    if(y>mheight/2 && y2 && x>mwidth/2 && x2)
        return f_sum[(y - mheight/2) *boxwidth + (x - mwidth/2)];
    else
        return -1;
}

int    Boxfilter::getLocalSize()
{
    return mwidth > mheight ? mwidth : mheight;
}

测试用例

View Code
// cv2.4 test.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"
#include "opencv2/opencv.hpp"
#include "Boxfilter.h"
#include 
using namespace cv;
using namespace std;

int _tmain(int argc, _TCHAR* argv[])
{
    Mat src = imread("C:\\Documents and Settings\\Administrator\\桌面\\img1.png",0);

    Boxfilter box;
    box.init(src.cols, src.rows, 5, 5);
    box.boxfilter((uchar*)src.data);

    int x = 50, y = 50;
    float a = box.getMean(x, y);    //求出以(x,y)为中心的矩形的均值
    float b = box.getVar(x, y);
    int c = box.getSum(x, y);
    int d = box.getSquareSum(x, y);
    int e = box.getLocalSize();

    cout<<"mean: "        <endl;
    cout<<"var:    "        <endl;
    cout<<"sum:    "        <endl;
    cout<<"squaresum: "    <endl;
    cout<<"size:    "    <endl;

    getchar();
    return 0;
}

 

转载于:https://www.cnblogs.com/easymind223/archive/2012/11/13/2768680.html

你可能感兴趣的:(人工智能,嵌入式,测试)