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:
  1. int min(int x, int y) { 
  2.     return (x <= y) ? x : y; 
  3. int alpha(int color) { 
  4.     return (color >> 24) & 0xFF; 
  5. int red(int color) { 
  6.     return (color >> 16) & 0xFF; 
  7. int green(int color) { 
  8.     return (color >> 8) & 0xFF; 
  9. int blue(int color) { 
  10.     return color & 0xFF; 
  11. int ARGB(int alpha, int red, int green, int blue) { 
  12.     return (alpha << 24) | (red << 16) | (green << 8) | blue; 
  13.  
  14. /** 
  15.  * 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 
  16.  * 
  17.  * int(*fun)(int)指向从color中获取某一颜色值的方法 
  18.  */ 
  19. int mixARGB(int *color, int i, int j, float u, float v, int(*fun)(int)) { 
  20.     // 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) 
  21.     return (1 - u) * (1 - v) * (*fun)(color[0]) + (1 - u) * v * (*fun)(color[1]) 
  22.             + u * (1 - v) * (*fun)(color[2]) + u * v * (*fun)(color[3]); 
  23.  
  24. /** 
  25.  * 按双线性内插值算法将对应源图像四点颜色值混合 
  26.  * 
  27.  * color[]需要有四个颜色值,避免越界 
  28.  */ 
  29. int mixColor(int *color, int i, int j, float u, float v) { 
  30.     int a = mixARGB(color, i, j, u, v, alpha); // 获取alpha混合值 
  31.     int r = mixARGB(color, i, j, u, v, red); // 获取red混合值 
  32.     int g = mixARGB(color, i, j, u, v, green); // 获取green混合值 
  33.     int b = mixARGB(color, i, j, u, v, blue); // 获取blue混合值 
  34.     return ARGB(a, r, g, b); 
  35.  
  36. /** 
  37.  * 将Bitmap缩放后返回(双线性内插值算法) 
  38.  * 
  39.  * JNIEnv*  jni环境(jni必要参数) 
  40.  * jobject  java对象(jni必要参数) 
  41.  * jintArray    Bitmap所有像素值 
  42.  * int  Bitmap宽度 
  43.  * int  Bitmap高度 
  44.  * int  Bitmap新宽度 
  45.  * int  Bitmap新高度 
  46.  */ 
  47. JNIEXPORT jintArray JNICALL Java_org_join_image_util_JoinImage_stretch( 
  48.         JNIEnv* env, jobject obj, jintArray buf, int srcW, int srcH, int dstW, 
  49.         int dstH) { 
  50.     LOGE("==stretch=="); 
  51.  
  52.     jint * cbuf; 
  53.     cbuf = (*env)->GetIntArrayElements(env, buf, 0); // 获取int数组元素 
  54.  
  55.     int newSize = dstW * dstH; 
  56.     jint rbuf[newSize]; // 新图像像素值 
  57.  
  58.     float rateH = (float) srcH / dstH; // 高度缩放比例 
  59.     float rateW = (float) srcW / dstW; // 宽度缩放比例 
  60.  
  61.     int dstX, dstY; // 目标图像XY坐标 
  62.     float srcX, srcY; // 目标图像对应源图像XY坐标 
  63.     int i, j; // 对应源图像XY坐标整数部分 
  64.     int i1, j1; // 对应源图像XY坐标整数部分+1 
  65.     float u, v; // 对应源图像XY坐标小数部分 
  66.     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 
  67.  
  68.     for (dstY = 0; dstY <= dstH - 1; dstY++) { 
  69.  
  70.         srcY = dstY * rateH; // 对应源图像Y坐标 
  71.         j = (int) srcY; // 对应源图像Y坐标整数部分 
  72.         j1 = min(j + 1, srcH - 1); // 对应源图像Y坐标整数部分+1 
  73.         v = srcY - j; // 对应源图像Y坐标小数部分 
  74.  
  75.         for (dstX = 0; dstX <= dstW - 1; dstX++) { 
  76.  
  77.             srcX = dstX * rateW; // 对应源图像X坐标 
  78.             i = (int) srcX; // 对应源图像X坐标整数部分 
  79.             i1 = min(i + 1, srcW - 1); // 对应源图像X坐标整数部分+1 
  80.             u = srcX - i; // 对应源图像X坐标小数部分 
  81.  
  82.             // 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): 
  83.             // 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) 
  84.             color[0] = cbuf[j * srcW + i]; // f(i,j)颜色值 
  85.             color[1] = cbuf[j1 * srcW + i]; // f(i,j+1)颜色值 
  86.             color[2] = cbuf[j * srcW + i1]; // f(i+1,j)颜色值 
  87.             color[3] = cbuf[j1 * srcW + i1]; // f(i+1,j+1)颜色值 
  88.  
  89.             // 给目标图像赋值为双线性内插值求得的混合色 
  90.             rbuf[dstY * dstW + dstX] = mixColor(color, i, j, u, v); 
  91.         } 
  92.     } 
  93.  
  94.     jintArray result = (*env)->NewIntArray(env, newSize); // 新建一个jintArray 
  95.     (*env)->SetIntArrayRegion(env, result, 0, newSize, rbuf); // 将rbuf转存入result 
  96.     (*env)->ReleaseIntArrayElements(env, buf, cbuf, 0); // 释放int数组元素 
  97.     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:
  1. Gray = (R*1 + G*2 + B*1) >> 2 
  2. Gray = (R*2 + G*5 + B*1) >> 3 
  3. Gray = (R*4 + G*10 + B*2) >> 4 
  4. Gray = (R*9 + G*19 + B*4) >> 5 
  5. Gray = (R*19 + G*37 + B*8) >> 6 
  6. Gray = (R*38 + G*75 + B*15) >> 7 
  7. Gray = (R*76 + G*150 + B*30) >> 8 
  8. Gray = (R*153 + G*300 + B*59) >> 9 
  9. Gray = (R*306 + G*601 + B*117) >> 10 
  10. Gray = (R*612 + G*1202 + B*234) >> 11 
  11. Gray = (R*1224 + G*2405 + B*467) >> 12 
  12. Gray = (R*2449 + G*4809 + B*934) >> 13 
  13. Gray = (R*4898 + G*9618 + B*1868) >> 14 
  14. Gray = (R*9797 + G*19235 + B*3736) >> 15 
  15. Gray = (R*19595 + G*38469 + B*7472) >> 16 
  16. Gray = (R*39190 + G*76939 + B*14943) >> 17 
  17. Gray = (R*78381 + G*153878 + B*29885) >> 18 
  18. Gray = (R*156762 + G*307757 + B*59769) >> 19 
  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:
  1. JNIEXPORT jintArray JNICALL Java_org_join_image_util_JoinImage_imgToGray( 
  2.         JNIEnv* env, jobject obj, jintArray buf, int w, int h) { 
  3.     LOGE("==imgToGray=="); 
  4.  
  5.     jint * cbuf; 
  6.     cbuf = (*env)->GetIntArrayElements(env, buf, 0); // 获取int数组元素 
  7.  
  8.     int alpha = 0xFF; // 不透明值 
  9.     int i, j, color, red, green, blue; 
  10.     for (i = 0; i < h; i++) { 
  11.         for (j = 0; j < w; j++) { 
  12.             color = cbuf[w * i + j]; // 获得color值 
  13.             red = (color >> 16) & 0xFF; // 获得red值 
  14.             green = (color >> 8) & 0xFF; // 获得green值 
  15.             blue = color & 0xFF; // 获得blue值 
  16.             color = (red * 38 + green * 75 + blue * 15) >> 7; // 灰度算法(16位运算下7位精度) 
  17.             color = (alpha << 24) | (color << 16) | (color << 8) | color; // 由ARGB组成新的color值 
  18.             cbuf[w * i + j] = color; // 设置新color值 
  19.         } 
  20.     } 
  21.  
  22.     int size = w * h; 
  23.     jintArray result = (*env)->NewIntArray(env, size); // 新建一个jintArray 
  24.     (*env)->SetIntArrayRegion(env, result, 0, size, cbuf); // 将cbuf转存入result 
  25.     (*env)->ReleaseIntArrayElements(env, buf, cbuf, 0); // 释放int数组元素 
  26.     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:
  1. /** 
  2.  * 将灰度化Bitmap各像素值二值化后返回 
  3.  * 
  4.  * JNIEnv*  jni环境(jni必要参数) 
  5.  * jobject  java对象(jni必要参数) 
  6.  * jintArray    Bitmap所有像素值 
  7.  * int  Bitmap宽度 
  8.  * int  Bitmap高度 
  9.  */ 
  10. JNIEXPORT jintArray JNICALL Java_org_join_image_util_JoinImage_binarization( 
  11.         JNIEnv* env, jobject obj, jintArray buf, int w, int h) { 
  12.     LOGE("==binarization=="); 
  13.  
  14.     jint * cbuf; 
  15.     cbuf = (*env)->GetIntArrayElements(env, buf, 0); // 获取int数组元素 
  16.  
  17.     int white = 0xFFFFFFFF; // 不透明白色 
  18.     int black = 0xFF000000; // 不透明黑色 
  19.     int thresh = otsu(cbuf, w, h); // OTSU获取分割阀值 
  20.  
  21.     LOGE("==[阀值=%d]==", thresh); 
  22.  
  23.     int i, j, gray; 
  24.     for (i = 0; i < h; i++) { 
  25.         for (j = 0; j < w; j++) { 
  26.             gray = (cbuf[w * i + j]) & 0xFF; // 获得灰度值(red=green=blue) 
  27.             if (gray < thresh) { 
  28.                 cbuf[w * i + j] = white; // 小于阀值设置为白色(前景) 
  29.             } else { 
  30.                 cbuf[w * i + j] = black; // 否则设置为黑色(背景) 
  31.             } 
  32.         } 
  33.     } 
  34.  
  35.     int size = w * h; 
  36.     jintArray result = (*env)->NewIntArray(env, size); // 新建一个jintArray 
  37.     (*env)->SetIntArrayRegion(env, result, 0, size, cbuf); // 将cbuf转存入result 
  38.     (*env)->ReleaseIntArrayElements(env, buf, cbuf, 0); // 释放int数组元素 
  39.     return result; 
  40.  
  41. /** 
  42.  * OTSU算法求最适分割阈值 
  43.  */ 
  44. int otsu(jint* colors, int w, int h) { 
  45.     unsigned int pixelNum[256]; // 图象灰度直方图[0, 255] 
  46.     int color; // 灰度值 
  47.     int n, n0, n1; //  图像总点数,前景点数, 后景点数(n0 + n1 = n) 
  48.     int w0, w1; // 前景所占比例, 后景所占比例(w0 = n0 / n, w0 + w1 = 1) 
  49.     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) 
  50.     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) 
  51.     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) 
  52.     int thresh; // 阈值 
  53.  
  54.     memset(pixelNum, 0, 256 * sizeof(unsigned int)); // 数组置0 
  55.  
  56.     // 统计各灰度数目 
  57.     int i, j; 
  58.     for (i = 0; i < h; i++) { 
  59.         for (j = 0; j < w; j++) { 
  60.             color = (colors[w * i + j]) & 0xFF; // 获得灰度值 
  61.             pixelNum[color]++; // 相应灰度数目加1 
  62.         } 
  63.     } 
  64.  
  65.     // 图像总点数 
  66.     n = w * h; 
  67.  
  68.     // 计算总灰度 
  69.     int k; 
  70.     for (k = 0; k <= 255; k++) { 
  71.         sum_u += k * pixelNum[k]; 
  72.     } 
  73.  
  74.     // 遍历判断最大类间方差,得到最佳阈值 
  75.     for (k = 0; k <= 255; k++) { 
  76.         n0 += pixelNum[k]; // 图像前景点数 
  77.         if (0 == n0) { // 未获取前景,直接继续增加前景点数 
  78.             continue
  79.         } 
  80.         if (n == n0) { // 前景点数包括了全部时,不可能再增加,退出循环 
  81.             break
  82.         } 
  83.         n1 = n - n0; // 图像后景点数 
  84.  
  85.         sum_u0 += k * pixelNum[k]; // 前景灰度总和 
  86.         u0 = sum_u0 / n0; // 前景平均灰度 
  87.         u1 = (sum_u - sum_u0) / n1; // 后景平均灰度 
  88.  
  89.         g = n0 * n1 * (u0 - u1) * (u0 - u1); // 类间方差(少除了n^2) 
  90.  
  91.         if (g > gMax) { // 大于最大类间方差时 
  92.             gMax = g; // 设置最大类间方差 
  93.             thresh = k; // 取最大类间方差时对应的灰度的k就是最佳阈值 
  94.         } 
  95.     } 
  96.  
  97.     return thresh;