创新实训项目分析——第十篇

2021SC@SDUSC

---

前言

上几篇文章已经分析完了飞花令的项目，从这一篇开始分析camera的项目。开发人员的设计中，以手机相机为依托的camera项目不仅需要有基础的拍照功能，并且还需要对拍摄的照⽚进⾏⼀系列处理，包括但不仅限于图⽚抗扭曲，曝光度，聚焦等。具体可以整理为以下功能：
1. 相机预览功能
2. 拍照的偏好设置，如闪光灯，聚焦，曝光补偿
3. 相机可随设备旋转，拍摄横屏和竖屏的照⽚
4. 拍照后保存在⼿机的pictures⽂件夹
5. 可以预览拍摄的照⽚
6. 图⽚抗扭曲处理
这篇将分析相机的图片抗扭曲算法。

一、项目环境

android studio版本 4.1.2

sdk版本 Compile SDK version:30

Build Tools Version 30.0.3

gradle版本 6.8.3

二、代码分析

1.安装openCV

OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上。 它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
发现在OpenCV官网下载的安装包适用于Linux/Mac，因此需要使用CMake工具来进行编译安装，但是只适配于xcode6版本，所以采用homebrew来安装
命令：brew install opencv

为项目配置openCV：

这两个函数，以便opencv能正确启动

    if (!OpenCVLoader.initDebug()) {
        Log.d("OpenCV", "Internal OpenCV library not found. Using OpenCV Manager for initialization");
        OpenCVLoader.initAsync(OpenCVLoader.OPENCV_VERSION_3_0_0, this, mLoaderCallback);
    } else {
        Log.d("OpenCV", "OpenCV library found inside package. Using it!");
        //OpenCV库加载并初始化成功后的回调函数
       mLoaderCallback.onManagerConnected(LoaderCallbackInterface.SUCCESS);
    }
}
private BaseLoaderCallback mLoaderCallback = new BaseLoaderCallback(this) {
    @Override
    public void onManagerConnected(int status) {
        switch (status) {
            case LoaderCallbackInterface.SUCCESS:
            {
                Log.i("OpenCV", "OpenCV loaded successfully");
            } break;
            default:
            {
                super.onManagerConnected(status);
            } break;
        }
    }
};

2.算法思路

开发人员的算法思路是，对于发生畸变的图：

1.采⽤寻找轮廓的⽅法，⽤approxPolyDP函数，对图像轮廓点进⾏多边形拟合
2.把图像的四个顶点处的点归类，划分出四个区域{左上，右上，右下，左下}，利⽤opencv的寻找轮廓，得到最⼤轮廓，然后⽣成最⼩外接矩形，确定四个顶点的⼤致位置。设置⼀个阀值，与上图中的点集合求距离，⼤于阀值的舍弃，⼩于的保留。
3.所有的点集都落到了四个区域，利⽤矩形中，对⻆线距离最⼤，确定四个顶点的位置

4.根据输⼊和输出点获得图像透视变换的矩阵
5.透视变换。透视变换（Perspective Transformation)是指利用透视中心、像点、目标点三点共线的条件，按透视旋转定律使承影面（透视面）绕迹线（透视轴）旋转某一角度，破坏原有的投影光线束，仍能保持承影面上投影几何图形不变的变换。

3.算法实现

1）canny描边

利用canny算法进行边缘检测：
代码：

/**
* canny算法，边缘检测
*
* @param src
* @return
*/
public static Mat canny(Mat src) {
Mat mat = src.clone();
Imgproc.Canny(src, mat, 60, 200);
return mat; }

Mat类 (Matrix的缩写) 是OpenCV用于处理图像而引入的一个封装类。
Mat类可以分为两个部分：矩阵头和指向像素数据的矩阵指针。矩阵头 包括数字图像的矩阵尺寸、存储方法、存储地址和引用次数等，矩阵头的大小是一个常数，不会随着图像的大小而改变，但是保存图像像素数据的矩阵则会随着图像的大小而改变，OpenCV使用了引用次数，当进行图像复制和传递时，不再复制整个Mat数据，而只是复制矩阵头和指向像素矩阵的指针，并且修改引用次数。
这里可以明白，Mat实际上就是一个描述且指向图像像素数据的图像说明类，为什么这里使用src的clone（）方法，而不使用赋值或者copy？

这就和我们上学期的课程，oop的浅拷贝、深拷贝相关。正如上面所说，Mat中有一个指向像素数据的的矩阵指针

• 拷贝
  • “ = ”浅拷贝
    Mat a = imread(“1.jpg”);
    Mat b = a;
    Mat c(a);
    浅拷贝 ：不复制像素数据只创建矩阵头，数据共享，即两个指针指向同一个矩阵
  • clone()—— 完全深拷贝
    Mat A = Mat::ones(4,5,CV_32F);
    Mat B = A.clone()
    clone 是完全的深拷贝，在内存中申请新的空间，完全深拷贝后，B复制了A中的矩阵头，并且在新的空间，复制出了一个和A一样的矩阵，矩阵指针指向新的矩阵
  • copyTo() ——深拷贝
    Mat A = Mat::ones(4,5,CV_32F);
    Ｍat C;
    A.copyTo( C)
    此处的Ｃ矩阵大小与Ａ大小不一致，则申请新的内存空间，并完成拷贝，等同于clone()
    Mat D = A.col(１);
    A.col(0).copyTo(D)
    此处D矩阵大小与Ａ.col(0)大小一致，因此不会申请空间，而是直接进行拷贝，相当于把Ａ的第１列赋值给第二列
    copyTo 也是深拷贝，但是否申请新的内存空间，取决于dst矩阵头中的大小信息是否与src一至，若一致则只深拷贝并不申请新的空间，否则先申请空间后再进行拷贝．

            Canny参数解释
            src：输入图像
            mask：输出掩码
            lowThresh：低阈值
            ratio*lowThresh:高阈值
            kernel_size：卷积核大小：奇数
            */
            //Canny输出结果为掩码

Canny是双阈值筛选。通过非极大值抑制后，仍然有很多的可能边缘点，进一步的设置一个双阈值，即低阈值（low），高阈值（high）。灰度变化大于high的，设置为强边缘像素，低于low的，剔除。在low和high之间的设置为弱边缘。进一步判断，如果其领域内有强边缘像素，保留，如果没有，剔除。这样做的目的是只保留强边缘轮廓的话，有些边缘可能不闭合，需要从满足low和high之间的点进行补充，使得边缘尽可能的闭合，从而得到闭合图像
这样，mat中就保存了边缘检测后的图像输出

2）寻找最大轮廓

代码：

/**
* 利⽤函数approxPolyDP来对指定的点集进⾏逼近
*
* @param cannyMat
*/
public static Point[] useApproxPolyDPFindPoints(Mat cannyMat) {
List contours = new ArrayList();

MatOfPoint：2D点对象，通过x，y来确定点的位置

Mat hierarchy = new Mat();
// 寻找轮廓
 Imgproc.findContours(cannyMat, contours, hierarchy, Imgproc.RETR_EXTERNAL, Imgproc.CHAIN_APPROX_NONE,
            new Point(0, 0));
    // 找出匹配到的最大轮廓

Imgproc模块包含了一系列常用的图形处理算法，可以使用Imgproc直接调用这些方法，包含了：
线性滤波
形态学处理
Image Pyramids
Thresholding Operations
边缘检测
检测直线
仿射变换
findContours函数参数解析如下：
findContours( InputOutputArray image, OutputArrayOfArrays contours, OutputArray hierarchy, int mode, int method, Point offset=Point());

InputOutputArray image：单通道图像矩阵，常用的是二值图像，一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像；

OutputArrayOfArrays contours：定义为vector contours，是一个双重向量，向量内每个元素保存了一组由连续的Point点构成的点的集合的向量，每一组Point点集就是一个轮廓。
有多少轮廓，向量contours就有多少元素。

OutputArray hierarchy：vector> hierarchy
Vec定义了一个向量内每一个元素包含了4个int型变量的向量。vector>向量内每个元素保存了一个包含4个int整型的数组。hierarchy向量内每一个元素的4个int型变量——hierarchy[i][0] ~hierarchy[i][3]，分别表示第i个轮廓的后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号。如果当前轮廓没有对应的后一个轮廓、前一个轮廓、父轮廓或内嵌轮廓的话，则hierarchy[i][0] ~hierarchy[i][3]的相应位被设置为默认值-1。

int mode：定义轮廓的检索模式，有以下取值：
CV_RETR_EXTERNAL：只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略
CV_RETR_LIST ：检测所有的轮廓，包括内围、外围轮廓，但是检测到的轮廓不建立等级关系，彼此之间独立，没有等级关系，即这个检索模式下不存在父轮廓或内嵌轮廓， 所以hierarchy向量内所有元素的第3、第4个分量都会被置为-1
CV_RETR_CCOMP ：检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层，若外围内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层
CV_RETR_TREE：检测所有轮廓，所有轮廓建立一个等级树结构。外层轮廓包含内层轮廓，内层轮廓还可以继续包含内嵌轮廓。

int method：定义轮廓的近似方法，有以下取值：
CV_CHAIN_APPROX_NONE： 保存物体边界上所有连续的轮廓点到contours向量内
CV_CHAIN_APPROX_SIMPLE ：仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入contours，拐点与拐点之间直线段上的信息点不予保留
CV_CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS：使用teh-Chinl chain近似算法

Point offset=Point()偏移量，所有的轮廓信息相对于原始图像对应点的偏移量，相当于在每一个检测出的轮廓点上加上该偏移量，Point可以是负值。

开发人员使用到了：
Imgproc.findContours(cannyMat, contours, hierarchy, Imgproc.RETR_EXTERNAL, Imgproc.CHAIN_APPROX_NONE,
new Point(0, 0));
就是对cannyMat（我们之前得到的对图像进行边缘检测后得到的二值图像）进行轮廓寻找，寻找到符合的轮廓输出到contours中，第i个轮廓的后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号存储在hierarchy中；
轮廓的检索模式选择只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略，我们可以通过最外围轮廓来调整图像，简化工作量；
轮廓的近似方法选择CV_CHAIN_APPROX_NONE，保存物体边界上所有连续的轮廓点到contours向量内；
轮廓的偏移量设置为（0，0），不改变

三、总结

开始学习openCV相关内容，了解了canny算法，本篇分析了canny边缘检测的代码和寻找最大轮廓的部分代码，对openCV有了一定的了解，在接下来的时间坚持深入学习，下一篇将分析寻找最大轮廓的剩余代码并去获取四个顶点的参照点