图像基本处理算法的简单实现（一）

转自  http://vaero.blog.51cto.com/4350852/822997

图像基本处理算法的简单实现（一）

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; }