iOS-OpenCV之蔡徐坤教你玩转边框画
期刊地址
前言
这一系列的文章已经写了第二篇了，所以这个系列将会转变为连载文章，每当我有什么新的发现，都会更新。
本文demo
正文
现在关于OpenCV的很多有趣的例子，都是python的。
这篇文章的整体思路来源于 知乎 的 Maker毕 的文章: 蔡徐坤教你用OpenCV实现素描效果
上一篇文章中我们已经讲述过了，图像的存储，以及一些相关的信息。这篇文章就不会重复了，如果不是很清楚的读者可以看看第一篇文章。
这篇文章说是素描，其实与广义素描差距很大，准确的说应该是叫边框画。
先上一下效果图吧。
看起来是不是挺有意思的
步骤及原理
这里我们还是要先讲述一下步骤，这里先展示下原图
1. 将给定图片转灰度图
转成灰度图片的过程是为了消除其他影响因子(这一步也是很多图片处理|文字识别等相关领域的第一步)。
将图片从原来的三维层面，降到一维。
- (UIImage *)grayImage:(UIImage *)image {
cv::Mat cvImage;
UIImageToMat(image, cvImage);
cv::Mat gray;
// 将图像转换为灰度显示
cv::cvtColor(cvImage, gray, CV_RGB2GRAY);
cvImage.release();
// 将灰度图片转成UIImage
UIImage *nImage = MatToUIImage(gray);
gray.release();
return nImage;
}
处理完毕后，我们能看到原来的蔡老师变灰了。
2. 对灰度图片进行高斯模糊
首先，先来讲一下如何进行简单的 模糊 处理
在上一篇文章中我们已经讲过了，图片其实就是一个二维数组。
所以图片上的每一个像素，都有一个像素数值。
我们可以以当前像素点为中心，取一个n * n的矩阵。
这里假定我们选了一个中心灰度值为190的像素点，它的周边像素的像素灰度值为100(255为纯白色)的3*3的像素矩阵
模糊处理的简单形式就是做平均，也就是将中间点的像素点和周围8个像素点的灰度值取平均值。也就是 (100*8+190)/9=110
简单的模糊处理就是这么做的，不过高斯模糊是通过高斯函数去进行相应的计算，这里我找到了一篇相当好的文章: 高斯模糊
- (UIImage *)gaussianblurImage:(UIImage *)image {
cv::Mat cvImage;
UIImageToMat(image, cvImage);
cv::Mat blur;
// 选取一个5 * 5 的核用于模糊
cv::GaussianBlur(cvImage, blur, cv::Size(5, 5), 0);
cvImage.release();
UIImage *blurImage = MatToUIImage(blur);
blur.release();
return blurImage;
}
有一个模糊的蔡老师出现了
3. 对图像进行自适应二值化处理
这一步其实要讲的就是二值化，其实他的概念很简单。我们将灰度图上的某一个像素点的灰度值与给定的一个值进行比较，小于这个给定值的我们将其灰度值设置为0(黑色)，大于的设置为255(白色)。我们给定的比较值被称之为阈值
当然，这种二值化太过固化、死板。因为真实的照片有可能有阴影之类的遮挡，会导致我们的全局二值化，产生很多的误差，如下图右上角所示:
因此我们需要采用自适应二值化的方法，这里我们选择采用自适应高斯二值化(效果如上图右下角)
- (UIImage *)adaptiveThresholdImage:(UIImage *)image {
cv::Mat cvImage;
UIImageToMat(image, cvImage);
cv::Mat outImage;
cv::adaptiveThreshold(cvImage, outImage,
255,
cv::ADAPTIVE_THRESH_GAUSSIAN_C, // 这里我们采用的是高斯自适应模糊
cv::THRESH_BINARY, // 二值化
5,
2);
cvImage.release();
UIImage *adaImage = MatToUIImage(outImage);
outImage.release();
return adaImage;
}
蔡老师的线条出现啦
4. 二值化图片进行再次模糊
现在蔡老师的衣服都已经变成线条了，基础的描边效果已经达成。但是我们可以看到，图片中比如说地面上，还有一些黑色的我们并不想要的点(我们称这些点为噪点)。以及蔡老师的线条还是有点细，所以我们需要将蔡老师的线条变粗些。
将上面的图片再次进行高斯模糊。
蔡老师变得模糊了
5. 对模糊图片再次进行二值化
这里我们再次进行二值化操作，因为现在图片已经相对干净，且并无阴影等干扰项。我们可以直接使用全局二值化来加深边框了(计算速度快)。
- (UIImage *)thresholdImage:(UIImage *)image {
cv::Mat cvImage;
UIImageToMat(image, cvImage);
cv::Mat outImage;
// 因为这时的图片已经比较干净且没什么阴影，所以选择普通二值化，灰度值 > 200 (这个值可以调，我觉得220效果更好) 的就赋值为255(白色)
cv::threshold(cvImage, outImage, 200, 255, cv::THRESH_BINARY);
cvImage.release();
UIImage *threImage = MatToUIImage(outImage);
outImage.release();
return threImage;
}
6. 对图片进行噪点去除
现在需要去除图片中的小的噪点，我们就需要进行一系列的操作了
关于这些操作，我们在图像处理方面有专门的名词描述:
腐蚀 与 膨胀
腐蚀:
腐蚀通俗的来说，就是将原本的图像根据给定的核(为我们自定义的一种形状，一般为n*n的正方形，n为奇数)缩小。
只有当原本的图像上对应核心周围所有的点都有值时，我们才保留当前核心的值。
膨胀:
膨胀则正好相反，我们将给定的图片根据给定的核放大。
当我们扫描核的任意一点上有值时，当前核心点将会被赋值
腐蚀和膨胀便是我们这步处理的关键。
它们之间的组合被我们称之为开运算和闭运算
开运算
我们先对图片进行腐蚀运算，然后进行膨胀运算
最终效果将如上图的左下角结果
我们和原图进行比较可以发现。
开运算可以去除毛刺，小桥和孤立的小点(在腐蚀运算中小点会直接消失)。最终总的位置和形状不变(膨胀运算会恢复)
闭运算
闭运算这里因为我们不会用到，因此不会过多赘述。
它和开运算的过程相反，先对原图像进行膨胀运算后进行腐蚀运算。
我们的目的是处理图片中的一些噪点，因此我们采用开运算来处理。
- (UIImage *)morphologyImage:(UIImage *)image {
cv::Mat cvImage;
UIImageToMat(image, cvImage);
// 将图片取反，原黑变白，原白变黑
cv::bitwise_not(cvImage, cvImage);
cv::Mat outImage;
/// 获取一个3*3的核
cv::Mat ken = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3));
/// 进行图像的开运算(开运算需要对有数值的地方进行缩小，所以我们需要将图片反色，即大部分有数值，而小部分没有，才能达到效果)
cv::morphologyEx(cvImage, outImage, cv::MORPH_OPEN, ken);
ken.release();
cvImage.release();
cv::bitwise_not(outImage, outImage);
UIImage *morphologyImage = MatToUIImage(outImage);
outImage.release();
return morphologyImage;
}
图片干净了很多
7. 最后进行一次高斯模糊
我们最后在进行一次高斯模糊，使我们的图像效果更好。
其他
视频的转换，这里就不多写了(正在研究过程中...)
这篇文章的对应demo请点击网址，如果大家觉得还不错，请尽情的用你么的star来砸我。
结尾
图像处理非常有趣，同时很高端。
如果大家有什么问题或疑问，可以关注我的公众号（猿族技术生活杂谈）并提问。只要看到了会第一时间回复，也可以直接在github中提issue。
本公众号转载内容已尽可能注明出处，如未能核实来源或转发内容图片有权利瑕疵的，请及时联系本公众号进行修改或删除【联系方式QQ : 3442093904 邮箱：support@cocoachina.com】。文章内容为作者独立观点，不代表本公众号立场。版权归原作者所有，如申请授权请联系作者，因文章侵权本公众号不承担任何法律及连带责任。
---END---