图像基本处理算法的简单实现(一)
来源:互联网 发布:网络配置方案 编辑:程序博客网 时间:2024/05/02 06:46
转自 http://vaero.blog.51cto.com/4350852/822997
一、引言
图像处理基本算法整理。
拿来举例的实现代码是在JNI方法内直接实现的,且传入参数为int[]颜色值,返回为新的int[]颜色值,可能头上还包括了长宽。(很丑,见谅T^T)
2.2的NDK提供了Bitmap.h,这种方式可参考《Android NDK基础样例》的样例3,灰度化图像(Bitmap作为参数)。
二、目录
1)缩放算法
据说有最邻近插值、双线性内插值、高阶插值、三次卷积法等等。(我已经晕了~)
缩放是从原图像->目标图像的过程。目标图像的新颜色值,由图像长宽比反向计算在原图像的位置,从而获得。反向计算得到的坐标一般为浮点坐标,表示为(i+u,j+v)(i,j整数整数、u,v小数部分)。
1)最邻近插值:取(i,j)的颜色值即可,效果不咋的==
2)双线性内插值:由(i,j)、(i+1,j)、(i,j+1)、(i+1,j+1)四点距(i+u,j+v)远近计算比例求得(四领域乘以相应的权重)。效果不错了哈==
公式:f(i+u,j+v)=(1-u)(1-v)*f(i,j)+(1-u)v*f(i,j+1)+u(1-v)*f(i+1,j)+uv*f(i+1,j+1)
复制:双线性内插值具有低通滤波器性质,使高频风量受损,可能会使图像轮廓在一定程度上变得模糊。尤其放大处理,影响将更为明显。
3)高阶插值、三次卷积法等:说是双线性使细节柔化、会有锯齿什么的。这些算法就是能够更好的修正这些不足,但计算量更大==。(高阶插值没搜索到具体算法啊,是指一类概念么?双三次插值属于高阶插值这类的意思?)
双线性内插值的实现:int min(int x, int y) { return (x <= y) ? x : y; } int alpha(int color) { return (color >> 24) & 0xFF; } int red(int color) { return (color >> 16) & 0xFF; } int green(int color) { return (color >> 8) & 0xFF; } int blue(int color) { return color & 0xFF; } int ARGB(int alpha, int red, int green, int blue) { return (alpha << 24) | (red << 16) | (green << 8) | blue; } /** * 按双线性内插值算法将对应源图像四点颜色某一颜色值混合 * * int(*fun)(int)指向从color中获取某一颜色值的方法 */ int mixARGB(int *color, int i, int j, float u, float v, int(*fun)(int)) { // f(i+u,j+v)=(1-u)(1-v)*f(i,j)+(1-u)v*f(i,j+1)+u(1-v)*f(i+1,j)+uv*f(i+1,j+1) return (1 - u) * (1 - v) * (*fun)(color[0]) + (1 - u) * v * (*fun)(color[1]) + u * (1 - v) * (*fun)(color[2]) + u * v * (*fun)(color[3]); } /** * 按双线性内插值算法将对应源图像四点颜色值混合 * * color[]需要有四个颜色值,避免越界 */ int mixColor(int *color, int i, int j, float u, float v) { int a = mixARGB(color, i, j, u, v, alpha); // 获取alpha混合值 int r = mixARGB(color, i, j, u, v, red); // 获取red混合值 int g = mixARGB(color, i, j, u, v, green); // 获取green混合值 int b = mixARGB(color, i, j, u, v, blue); // 获取blue混合值 return ARGB(a, r, g, b); } /** * 将Bitmap缩放后返回(双线性内插值算法) * * JNIEnv* jni环境(jni必要参数) * jobject java对象(jni必要参数) * jintArray Bitmap所有像素值 * int Bitmap宽度 * int Bitmap高度 * int Bitmap新宽度 * int Bitmap新高度 */ JNIEXPORT jintArray JNICALL Java_org_join_image_util_JoinImage_stretch( JNIEnv* env, jobject obj, jintArray buf, int srcW, int srcH, int dstW, int dstH) { LOGE("==stretch=="); jint * cbuf; cbuf = (*env)->GetIntArrayElements(env, buf, 0); // 获取int数组元素 int newSize = dstW * dstH; jint rbuf[newSize]; // 新图像像素值 float rateH = (float) srcH / dstH; // 高度缩放比例 float rateW = (float) srcW / dstW; // 宽度缩放比例 int dstX, dstY; // 目标图像XY坐标 float srcX, srcY; // 目标图像对应源图像XY坐标 int i, j; // 对应源图像XY坐标整数部分 int i1, j1; // 对应源图像XY坐标整数部分+1 float u, v; // 对应源图像XY坐标小数部分 int color[4]; // f(i+u,j+v)对应源图像(i,j)、(i+1,j)、(i,j+1)、(i+1,j+1)的像素值 for (dstY = 0; dstY <= dstH - 1; dstY++) { srcY = dstY * rateH; // 对应源图像Y坐标 j = (int) srcY; // 对应源图像Y坐标整数部分 j1 = min(j + 1, srcH - 1); // 对应源图像Y坐标整数部分+1 v = srcY - j; // 对应源图像Y坐标小数部分 for (dstX = 0; dstX <= dstW - 1; dstX++) { srcX = dstX * rateW; // 对应源图像X坐标 i = (int) srcX; // 对应源图像X坐标整数部分 i1 = min(i + 1, srcW - 1); // 对应源图像X坐标整数部分+1 u = srcX - i; // 对应源图像X坐标小数部分 // 双线性内插值算法(注意ARGB时,需要分别由插值算法求得后重组): // f(i+u,j+v)=(1-u)(1-v)*f(i,j)+(1-u)v*f(i,j+1)+u(1-v)*f(i+1,j)+uv*f(i+1,j+1) color[0] = cbuf[j * srcW + i]; // f(i,j)颜色值 color[1] = cbuf[j1 * srcW + i]; // f(i,j+1)颜色值 color[2] = cbuf[j * srcW + i1]; // f(i+1,j)颜色值 color[3] = cbuf[j1 * srcW + i1]; // f(i+1,j+1)颜色值 // 给目标图像赋值为双线性内插值求得的混合色 rbuf[dstY * dstW + dstX] = mixColor(color, i, j, u, v); } } jintArray result = (*env)->NewIntArray(env, newSize); // 新建一个jintArray (*env)->SetIntArrayRegion(env, result, 0, newSize, rbuf); // 将rbuf转存入result (*env)->ReleaseIntArrayElements(env, buf, cbuf, 0); // 释放int数组元素 return result; }
2)灰度化
把图像变灰,有好些方法,求RGB平均值啊,RGB最大值啊什么的。不过还是建议按规范的标准来。
彩色转灰度的著名心理学公式:Gray = R*0.299 + G*0.587 + B*0.114(话说我心理学与生活一本书都看完了也没提到这公式啊==)
实际应用中为了避免浮点运算,然后就有了移位运算代替了。
2至20位精度的系数:
Gray = (R*1 + G*2 + B*1) >> 2 Gray = (R*2 + G*5 + B*1) >> 3 Gray = (R*4 + G*10 + B*2) >> 4 Gray = (R*9 + G*19 + B*4) >> 5 Gray = (R*19 + G*37 + B*8) >> 6 Gray = (R*38 + G*75 + B*15) >> 7 Gray = (R*76 + G*150 + B*30) >> 8 Gray = (R*153 + G*300 + B*59) >> 9 Gray = (R*306 + G*601 + B*117) >> 10 Gray = (R*612 + G*1202 + B*234) >> 11 Gray = (R*1224 + G*2405 + B*467) >> 12 Gray = (R*2449 + G*4809 + B*934) >> 13 Gray = (R*4898 + G*9618 + B*1868) >> 14 Gray = (R*9797 + G*19235 + B*3736) >> 15 Gray = (R*19595 + G*38469 + B*7472) >> 16 Gray = (R*39190 + G*76939 + B*14943) >> 17 Gray = (R*78381 + G*153878 + B*29885) >> 18 Gray = (R*156762 + G*307757 + B*59769) >> 19 Gray = (R*313524 + G*615514 + B*119538) >> 20
3与4、7与8、10与11、13与14、19与20的精度说是一样的==。16位运算下最好的计算公式是使用7位精度。而游戏由于场景经常变化,用户感觉不到,最常用2位精度。
灰度化实现:
JNIEXPORT jintArray JNICALL Java_org_join_image_util_JoinImage_imgToGray( JNIEnv* env, jobject obj, jintArray buf, int w, int h) { LOGE("==imgToGray=="); jint * cbuf; cbuf = (*env)->GetIntArrayElements(env, buf, 0); // 获取int数组元素 int alpha = 0xFF; // 不透明值 int i, j, color, red, green, blue; for (i = 0; i < h; i++) { for (j = 0; j < w; j++) { color = cbuf[w * i + j]; // 获得color值 red = (color >> 16) & 0xFF; // 获得red值 green = (color >> 8) & 0xFF; // 获得green值 blue = color & 0xFF; // 获得blue值 color = (red * 38 + green * 75 + blue * 15) >> 7; // 灰度算法(16位运算下7位精度) color = (alpha << 24) | (color << 16) | (color << 8) | color; // 由ARGB组成新的color值 cbuf[w * i + j] = color; // 设置新color值 } } int size = w * h; jintArray result = (*env)->NewIntArray(env, size); // 新建一个jintArray (*env)->SetIntArrayRegion(env, result, 0, size, cbuf); // 将cbuf转存入result (*env)->ReleaseIntArrayElements(env, buf, cbuf, 0); // 释放int数组元素 return result; }
3)二值化
灰度值[0,255]和一阈值比较,变成0或255,要么纯黑要么纯白==。但是阈值的获取就牵扯算法了。只知道有Otsu、Bernsen…,具体算法查下就好^^
Otsu:最大类间方差法,整体算出一个阈值。计算次数少但抗干扰性差,适合光照均匀的图像。
Bernsen:局部阈值法,在一点周围一定范围内(相当于一窗口)计算出一阈值。计算次数多但抗干扰性强,用于非均匀光照的图像。
二值化(Otsu)的实现:
/** * 将灰度化Bitmap各像素值二值化后返回 * * JNIEnv* jni环境(jni必要参数) * jobject java对象(jni必要参数) * jintArray Bitmap所有像素值 * int Bitmap宽度 * int Bitmap高度 */ JNIEXPORT jintArray JNICALL Java_org_join_image_util_JoinImage_binarization( JNIEnv* env, jobject obj, jintArray buf, int w, int h) { LOGE("==binarization=="); jint * cbuf; cbuf = (*env)->GetIntArrayElements(env, buf, 0); // 获取int数组元素 int white = 0xFFFFFFFF; // 不透明白色 int black = 0xFF000000; // 不透明黑色 int thresh = otsu(cbuf, w, h); // OTSU获取分割阀值 LOGE("==[阀值=%d]==", thresh); int i, j, gray; for (i = 0; i < h; i++) { for (j = 0; j < w; j++) { gray = (cbuf[w * i + j]) & 0xFF; // 获得灰度值(red=green=blue) if (gray < thresh) { cbuf[w * i + j] = white; // 小于阀值设置为白色(前景) } else { cbuf[w * i + j] = black; // 否则设置为黑色(背景) } } } int size = w * h; jintArray result = (*env)->NewIntArray(env, size); // 新建一个jintArray (*env)->SetIntArrayRegion(env, result, 0, size, cbuf); // 将cbuf转存入result (*env)->ReleaseIntArrayElements(env, buf, cbuf, 0); // 释放int数组元素 return result; } /** * OTSU算法求最适分割阈值 */ int otsu(jint* colors, int w, int h) { unsigned int pixelNum[256]; // 图象灰度直方图[0, 255] int color; // 灰度值 int n, n0, n1; // 图像总点数,前景点数, 后景点数(n0 + n1 = n) int w0, w1; // 前景所占比例, 后景所占比例(w0 = n0 / n, w0 + w1 = 1) double u, u0, u1; // 总平均灰度,前景平均灰度,后景平均灰度(u = w0 * u0 + w1 * u1) double g, gMax; // 图像类间方差,最大类间方差(g = w0*(u0-u)^2+w1*(u1-u)^2 = w0*w1*(u0-u1)^2) double sum_u, sum_u0, sum_u1; // 图像灰度总和,前景灰度总和, 后景平均总和(sum_u = n * u) int thresh; // 阈值 memset(pixelNum, 0, 256 * sizeof(unsigned int)); // 数组置0 // 统计各灰度数目 int i, j; for (i = 0; i < h; i++) { for (j = 0; j < w; j++) { color = (colors[w * i + j]) & 0xFF; // 获得灰度值 pixelNum[color]++; // 相应灰度数目加1 } } // 图像总点数 n = w * h; // 计算总灰度 int k; for (k = 0; k <= 255; k++) { sum_u += k * pixelNum[k]; } // 遍历判断最大类间方差,得到最佳阈值 for (k = 0; k <= 255; k++) { n0 += pixelNum[k]; // 图像前景点数 if (0 == n0) { // 未获取前景,直接继续增加前景点数 continue; } if (n == n0) { // 前景点数包括了全部时,不可能再增加,退出循环 break; } n1 = n - n0; // 图像后景点数 sum_u0 += k * pixelNum[k]; // 前景灰度总和 u0 = sum_u0 / n0; // 前景平均灰度 u1 = (sum_u - sum_u0) / n1; // 后景平均灰度 g = n0 * n1 * (u0 - u1) * (u0 - u1); // 类间方差(少除了n^2) if (g > gMax) { // 大于最大类间方差时 gMax = g; // 设置最大类间方差 thresh = k; // 取最大类间方差时对应的灰度的k就是最佳阈值 } } return thresh; }
0 0
- 图像基本处理算法的简单实现(一)
- 图像基本处理算法的简单实现(一)
- 图像基本处理算法的简单实现(一)
- 图像基本处理算法的简单实现(一)
- 图像基本处理算法的简单实现(二)
- 图像基本处理算法的简单实现(三)
- 图像基本处理算法的简单实现(二)
- 图像基本处理算法的简单实现(三)
- 图像处理的基本算法
- 图像处理的基本算法
- 图像处理的基本算法
- 图像处理基本算法(汇总)以及实现
- 图像处理基本算法
- 图像处理基本算法
- 图像处理基本算法
- 图像处理基本算法
- MATLAB数字图像处理(一)图像的基本操作
- Python图像处理的基本操作(一)
- [Xamarin]测试账号申请与到期后如何续用
- 谈谈asp,php,jsp的优缺点
- Linux常用命令大全
- com.mysql.jdbc.exceptions.jdbc4.CommunicationsException: The last packet successfully received from
- php-fpm(PHP-FPM是一个PHPFastCGI管理器)
- 图像基本处理算法的简单实现(一)
- 如何高效地判断数组中是否包含某特定值
- ibatis 开发中的经验 (二)ibatis 命名空间配置以及左中右连接查询
- visual studio 2010 快捷键大全
- 看懂Gradle脚本(2)- Groovy语言的闭包语法
- Gameloft游戏开发面试题
- Yii的重写规则与URL的管理
- 中频电炉安全操作流程
- linux共享内存与信号量的使用