zhang-kaiyv-FmyIBz2JDHU-unsplash3.jpg

一. 前言：

当年在武大电信院做毕业设计的时候，我的导师希望我用C代码完成彩色图像的雾霾程度评价，如果时间允许，能够开发出一款APP完成移动端的实现。很可惜，当时我对于iOS开发一无所知，时间不允许我完成移动端的实现，但是完成了Windows端的实现，利用MFC做了一个毕业设计展示。还记得当时花了很多时间研究图像处理，一步一步实现每一个算法细节，辛苦却可以感受到满满的收获。

花了很长时间利用下班时间自学iOS,技术还是很渣，希望大家能够勉强看得下去我的文章。

图像中雾霾程度的评价是图像增强处理的第一步，从方法上可以分为主观评价方法和客观评价方法，前者凭感知者主观感受评价;后者依据模型给出的量化指标或参数衡量。客观评价的目标使得评价模型准确地反映人眼视觉感知的主观评价。本课题研究基于自然场景统计特征(NSS)和其他感知特征的雾霾浓度评价研究，使得对于输入的图像，准确输出评价值。

先给展示一下demo

demo.gif

操作步骤：
1.选取图片，然后可以从手机相册中选择一张图片，也可以拍照
2.可以修改尺寸大小，点击完成
3.点击雾霾程度分析的button，就可以看到给出这张图片的雾霾程度的客观评价值

二. 前期准备

考虑到 OpenCV 是基于 C/C++ 可跨平台的通用 Lib，为了降低学习成本，便将整个学习和实验集成到 iOS 的开发环境里了。前期要做如下几方面的准备工作：

直接到OpenCV官网下载你想要的OpenCV的framework；
将 OpenCV.framework 导入 iOS 项目工程中；
因为 OpenCV 中的 MIN 宏和 UIKit 的 MIN 宏有冲突，所以需要在 .pch 文件中，先定义 OpenCV 的头文件，否则会有编译错误；
将需要混编 C++ 和 Objective-C 的文件后缀改为 .mm;
为 UIImage 添加 Category，方便与OpenCV 图象格式的数据 cv::Mat 相互转换。
因这些繁琐的配置问题不是本文写作重点，而且网上不乏一些详细说明，推荐参考唐巧大神的在MacOS和iOS系统中使用OpenCV 一文，这里就不再赘述。

三. 算法：基于自然场景统计特征（NSS）和其他的雾感统计特征的雾霾程度分析

下面是算法的实现流程图：

image

简单介绍下个这个算法：

空域 NSS 模型即计算自然图像上的局部差值均值和对比度归一化(MSCN) 系数。雾感统计特征包括 MSCN 系数，局部平均和局部系数的锐利度方差，对比能，图像熵，像素暗通道先验，色彩饱和度和色彩丰富度等，总共 12个雾感知统计特征，利用这些雾感统计特征去计算每一个已经被分割为 P×P 大小的图像块，然后得到图像的多元高斯(MVG)模型，利用 Mahalanobis 类距离测量方法，测量图像的雾感知统计特征的 MVG 模型分别与自然雾霾图像库的 MVG模型和自然无雾图像库的 MVG 模型之间的距离，最后计算得到感知雾霾程度。

四.算法具体实现细节和主要代码

这里仅贴一下部分我认为比较重要的代码，具体实现细节请参考我的github：https://github.com/echooj/FogDetect
当然，懒得看代码的同学可以直接跳到测试结果部分，就是有一张可爱的小蘑菇图的位置

基础过程

图像尺寸的测量和 RGB 值的获取

先提取图像的尺寸，然后修改图像尺寸，使得图像的宽和高能够被8整除，最后提取修改后的图像的R、G、B值和灰度值Ig。

vector channels;
Mat Ig;
Mat Blue;
Mat Green;
Mat Red;
cvtColor(I2, Ig, CV_BGR2GRAY);
split(I2, channels);
Blue = channels.at(0);
Green = channels.at(1);
Red = channels.at(2);

HSV 空间的转换
将图像转换到HSV空间，并获取s(饱和度)的值。

Mat I_hsv;
Mat Is;
vector channels2;
cvtColor(I2, I_hsv, CV_BGR2HSV);
split(I_hsv, channels2);
Is = channels2.at(1);
Is.convertTo(Is,CV_64F);
Is=Is/255;

暗通道先验
利用了何凯明的暗通道先验的实现过程。首先先将R,G,B格式转换从uchar到double，然后进行归一化处理，使得取值范围在0-1之间，最后利用两个min得到Id。

Mat blue = Mat_(Blue);
Mat green = Mat_(Green);
Mat red = Mat_(Red);
Mat Irn = red / 255;
Mat Ign = green / 255;
Mat Ibn = blue / 255;
Mat Id;
min(Irn, Ign, Id);
min(Id, Ibn, Id);

MSCN 系数的获得以及 rg 和 by 通道的获得
获得MSCN系数和cv。先制作MSCN_window的模板，然后对Ig和 MSCN_window进行实现线性空间滤波函数中的相关运算得到mu;同样利用Ig.*Ig和 MSCN_window的滤波运算再和mu_sq进行做差，最后开方得到sigma;利用(Ig- mu)./(sigma+1)得到MSCN系数。rg和by通道获得是利用OpenCV函数进行常规的矩阵运算即可。

// MSCN
Mat Ignew;
Ig.convertTo(Ignew, CV_64F);
Mat mu = Mat::zeros(Ig.rows, Ig.cols, CV_64FC1);
mu = conv2(Ignew, MSCN_window, CONVOLUTION_SAME);
Mat DIg = Ignew.mul(Ignew);
Mat Mattemp = conv2(DIg, MSCN_window, CONVOLUTION_SAME);
Mat sigma;
Mat Mattemp1;
Mat mu_sq = Mat::zeros(mu.rows, mu.cols, CV_64FC1);
mu_sq = mu.mul(mu);
absdiff(Mattemp, mu_sq, Mattemp1);
sqrt(Mattemp1, sigma);
Mat temp1 = Ignew - mu;
Mat temp2 = sigma + 1;
Mat MSCN;
MSCN = temp1 / temp2;
Mat cv = sigma / mu;
// rg 和 by 通道
Mat R, G, B;
Red.convertTo(R, CV_64F);
Green.convertTo(G, CV_64F);
Blue.convertTo(B, CV_64F);
Mat rg = R - G;
Mat by = 0.5*(R + G) - B;

雾感知统计特征的提取

f1,f2...f12共12个雾感统计特征，具体功能可以参考表格2.1

image.png

(1)概述:f1的提取，f1的功能可以参考表格2.1。

Mat tempbb = im2col(MSCN, ps);
Mat tempcc = var(tempbb);//
Mat MSCN_var = NewReshape(tempcc, row / ps);

(2)im2col的功能:重排矩阵列;

Mat im2col(Mat &InputMat, int ps)
{ int row = InputMat.rows / ps;
int col = InputMat.cols / ps;
Mat **t = new Mat *[row];
for (int i = 0; i(i, j) = t2[j].at(i, 0);
return outputMat;}

(3)nanvar的功能:忽视掉NaN的方差的计算，注意分母是n-1;

(4)reshape的功能:重新调整矩阵的行数、列数。

Mat NewReshape(Mat &InputMat, int ps)
{ int row = 1;
int col = InputMat.cols / ps;
Mat *t = new Mat[col];
Mat *t1 = new Mat[col];
Mat *xin = new Mat[col];
for (int i = 0; i < col; I++)
{ xin[i] = InputMat(Rect(i*ps, 0, ps, 1));
t[i] = xin[i].clone();
t1[i] = t[i].reshape(0, ps);}
Mat outputMat = Mat::zeros(ps, row*col, CV_64F);
for (int i = 0; i < outputMat.rows; I++)
for (int j = 0; j < outputMat.cols; j++)
outputMat.at(i, j) = t1[j].at(i, 0);
return outputMat;}

雾感知统计特征中 f2 和 f3 的提取

(1)概述:f2和f3的提取，详情请参考以下代码。

Mat temp_vertical = circshift(MSCN, 1);
Mat temp_vertical2 = MSCN.mul(temp_vertical);
Mat MSCN_V_pair_col = im2col(temp_vertical2, ps);
Mat MSCN_V_pair_col_temp1 = MSCN_V_pair_col.clone();
for (int i = 0; i < MSCN_V_pair_col_temp1.rows; I++)
for (int j = 0; j < MSCN_V_pair_col_temp1.cols; j++)
if (MSCN_V_pair_col_temp1.at(i, j)>0)
MSCN_V_pair_col_temp1.at(i, j) = 0;
Mat MSCN_V_pair_col_temp2 = MSCN_V_pair_col.clone();
for (int i = 0; i < MSCN_V_pair_col_temp2.rows; I++)
for (int j = 0; j < MSCN_V_pair_col_temp2.cols; j++)
if (MSCN_V_pair_col_temp2.at(i, j)<0)
MSCN_V_pair_col_temp2.at(i, j) = 0;
Mat MSCN_V_pair_L_var=NewReshape(nanvar(MSCN_V_pair_col_temp1),row/ps);
Mat MSCN_V_pair_R_var=NewReshape(nanvar(MSCN_V_pair_col_temp2),row/ ps);

(2)cirshift: 矩阵循环平移。因为整个项目只用到了一次循环移位，所以该函数是特殊的循环移位，也就是按列方向循环向下移动一位的函数。

雾感知统计特征的 f4 和 f5 的提取
(1)概述:f4和f5的提取，使用的算法和f2、f3相似。即reshape配合mean和 im2col的函数。
(2)mean:获取矩阵中每一列的平均值。
雾感知统计特征的 f6、f7 和 f8 的提取
(1)概述:本模块包括CE的编写，CE中又使用了border_in和border_out函数。
(2)CE:感知对比能，获取灰度、蓝黄、红绿颜色通道。
(3)border_in: 边界增加图像。
(4)border_out:边界平衡图像。
雾感知统计特征的 f9 、f10 和 f11 的提取
(1)概述:f9、f10、f11的提取。
(2)Entropy:实现图像熵的功能。
Entropy的即图像熵-sum(p.*log2(p))的实现算法:
a. 利用temp[256]数组做一个类似统计表的功能，统计图像对应的0-255灰度值对应的像素个数;
b. 计算每一个个像素的概率;
c. 根据定义计算图像熵。

double Entropy(Mat img)
{ double temp[256];
for (int i = 0; i<256; I++)
temp[i] = 0.0;
// 计算每个像素的累积值
for (int m = 0; m(m);
for (int n = 0; n

 
 (3)num2cell:将矩阵中的数据转成一个一个的孢元。
 (4)cellfun:对每个孢元单独计算. 
  
  雾感知统计特征的 f12 的提取
 功能
 概述:对以上f1—f12所有的特征进行重排矩阵列，然后放到一个矩阵feat中, 最后对feat进行变化得所要的值。 
  
 MVG 模型的距离计算 
 概述:MVG模型Df的计算和Dff的计算，下面将主要介绍Df的计算，Dff的计算 除了数据不同外，基本上就是Df的重复。 
  
  自然无雾图像特征的提取和块的测试参数提取
 自然无雾图像特征的提取:载入两个矩阵，cov_fogfreeparam和 mu_fogfreeparam块的测试参数提取:对之前的feat进行一些信息的提取。 
  距离计算
 (1)概述:实现距离计算，包括了很多中间步骤 
  雾霾等级计算
 (1)概述:Df和Df_map的获得，这个部分的完结。 
  
 Mat** distance_patch_t1 = new Mat *[mu_matrix.rows];
for (int i = 0; i(i,j)=distance_patch_t2[i][0].at(0,j);
}
sqrt(distance_patch, distance_patch);
Mat Df = NewMean(distance_patch);
Mat distance_patch_t = distance_patch.t();
Mat Df_map = NewReshape(distance_patch_t, row / ps);
 
 雾霾程度的获取 
 概述:首先获取雾霾密度值，然后根据雾霾密度值计算雾霾程度。即先利用D = Df / (Dff + 1)获取雾霾密度值，然后根据雾霾密度值D在0 ≤ D < 1为低，1 < D ≤ 3为中，雾霾密度值D在D > 3为高，进行雾霾程度输出。 
 五. 测试结果 
  
   首先我们载入一张雾霾程度比较低的图片
 
 
    
     
       
      
     
    
      0FC0084E60774D5FF1CC0F5D46650C8B.jpg 
     
   
  
   再载入一张雾霾程度较高的图片
 
 
    
     
       
      
     
    
      D875521A9C5C3638B3CE2B1B35A02C5B.jpg 
     
   
 
 通过以上分析，我们可以判断这个算法输出的客观评价和人的主观评价相符，大家也可下载demo载入一些其他的图片测试，雾霾程度客观评价值越高，说明雾霾程度越严重。
  
  
 六. 遇到的坑以及处理方法 
  
  Xcode和Visual Studio毕竟是不同平台，iOS对于OpenCV的支持不如VS那么简单，不能做到一行代码调用多个函数 
  
 //像下面这种代码VS中可以运行，但是Xcode就不行，需要将一个函数拆分为多个函数
Mat MSCN_V_pair_L_var=NewReshape(nanvar(MSCN_V_pair_col_temp1),row/ps);
 
 //举个例子，Xcode中需要一步一步
temp=nanvar(MSCN_V_pair_col_temp1)；
Mat MSCN_V_pair_L_var=NewReshape（temp，row/ps）；
 
  
  VS中很多函数调用using namespace cv就可以了，但是Xcode的对这个的支持似乎不好，很多函数都要加上cv:: 
  
 //Xcode需要以下的写法，VS的rect不需要加cv了
Mat outputMat = InputMat(cv::Rect(0, 0, patch_col_num * ps, patch_row_num * ps));
 
  
  iOS 真机测试中，iOS的机器在载入图片的时候容易报内存不足导致闪退，这个在模拟器上不会出现这个问题。这个问题原因存在于，iOS照相保存的图片文件过大，导致这个算法需要运行耗的内存过多，所以我对于这个解决办法是先压缩图片，然后在将图片进行之后的处理。之后在iPhone 5s和7上测试后都可以完美运行了。 
  
 //图像压缩
cv::resize(inputMat, tmp, cv::Size(inputMat.rows / 2, inputMat.cols/ 2));
 
  
  运行算法的时候需要一些时间，导致app有点卡
 解决方法是利用了GCD处理多线程，将处理算法的程序运行在线程中，在运行完成后再回到主线程中更新UI. 
  
  dispatch_queue_t queue = dispatch_get_global_queue(DISPATCH_QUEUE_PRIORITY_DEFAULT, 0);
    // 获取主队列
    dispatch_queue_t mainQueue = dispatch_get_main_queue();
    dispatch_async(queue, ^{
        // 异步追加任务
        //耗时操作放在这里
        //算法利用
        uint64_t time = dispatch_benchmark(1, ^{
            self.fogValue=[Fogdetect Fogdetecting:self.imageView.image];
        });
        NSLog(@"%lf",self.fogValue);
        NSLog(@"耗时 ---> %llu ns",time);
        
        // 回到主线程
        dispatch_async(mainQueue, ^{
            // 追加在主线程中执行的任务
            self.value.text=[NSString stringWithFormat:@"%lf",self.fogValue]  ;
            if (self.fogValue > 3)
            self.Degree.text = @"高";
            else if (self.fogValue > 1 && self.fogValue <= 3)
            self.Degree.text = @"中";
            else
            self.Degree.text = @"低";
            NSLog(@"回到主线程");
        });
    });
 
 总结 
 客观评价的目标使得评价模型准确地反映人眼视觉感知的主观评价。本课题研究基于自然场景统计特征(NSS)和其他感知特征的雾霾浓度评价研究，使得对于输入的图像，准确输出评价值。测试表明，客观评价的值符合人的主观评价，客观评价值越高，雾霾程度越高。 
 源代码不包含 opencv2.framework，请自行下载后添加进项目中。
 最后，附上demo地址https://github.com/echooj/FogDetect，希望大家帮忙点个赞
 该demo目前没有做屏幕适配，原因是本人有点懒-_-，请大家用4.7寸的设备运行，有任何问题可以私戳我，谢谢大家。 
  
  本文算法的主要参考文章
 [1] Lark Kwon Choi, Jaehee You, and Alan Conrad Bovik, Referenceless Prediction of Perceptual Fog Density. TIP, 2015.
 [2] and Perceptual Image DefoggingAnish Mittal, Anush Krishna Moorthy, and Alan Conrad Bovik. No-Reference Image Quality Assessment in the Spatial Domain. TIP, 2012.
 [3] Rafael C.Gonzalez，Richard E.Woods，Steven L.Eddins 著，阮秋琦等译.数字图像处 理(MATLAB 版)[M].北京:电子工业出版社，2005:58-60.
 [4]基于 OpenCV 的 iOS 客户端答题卡识别算法https://www.jianshu.com/p/eed90371a3a6

基于OpenCV的iOS端的雾霾程度分析

一. 前言：

二. 前期准备

三. 算法：基于自然场景统计特征（NSS）和其他的雾感统计特征的雾霾程度分析

四.算法具体实现细节和主要代码

基础过程

雾感知统计特征的提取

MVG 模型的距离计算

雾霾程度的获取

五. 测试结果

六. 遇到的坑以及处理方法

总结

你可能感兴趣的:(基于OpenCV的iOS端的雾霾程度分析)