最近在做圖像匹配的事，發(fā)現(xiàn)原來有個叫 OpenCV 的庫，非常強大，跨平臺、多語言接口、在計算機(jī)視覺和圖像處理上提供了多個通用算法，應(yīng)用的領(lǐng)域包括了物體識別、人臉識別、圖像分割、機(jī)器視覺、運動分析。因為涉及了一些圖像處理的概念和算法，對于常年做業(yè)務(wù)系統(tǒng)的程序員來說很少碰這領(lǐng)域，所以分享一下問題的處理過程。
OpenCV 的安裝
先看下這個庫的安裝，它是跨平臺的，主流的操作系統(tǒng)都支持，以操作系統(tǒng) OS X 、開發(fā)工具 IntelliJ IDEA 為例，看下這個庫的安裝和配置過程。
OpenCV 最新的版本是3.2.0，所以看這個版本的安裝說明，頁面上有Linux、Windows、Android、iOS等不同平臺的安裝介紹，由于我用的是Java，所以直接看 Introduction to Java Development
安裝過程共分下面幾步：
- git 下載源碼
選擇一個目錄，用 git 下載 OpenCV 的源代碼
git clone git://github.com/opencv/opencv.git
- 切換 git 代碼分支
進(jìn)入 opencv 的目錄下，切換分支
cd opencv
git checkout 2.4
- 新建 build 目錄
在 opencv 目錄下新建 build 目錄用于存放編譯后的文件
mkdir build
cd build
- 編譯整個項目代碼
cmake -DBUILD_SHARED_LIBS=OFF ..
當(dāng)控制臺輸出里有"To be built"這行，里面包含了"java"，則表示項目編譯成功了。
編譯成功
- build 整個項目
make -j8
執(zhí)行完 make 命令后看下 build 目錄下的 bin 目錄內(nèi)容，如果有文件叫 opencv-2413.jar，則說明 opencv 已經(jīng)編譯安裝好了。
bin 目錄內(nèi)容
以上步驟執(zhí)行完，實際就具備了 java 接口訪問 openCV 的能力了。而要在 IntelliJ IDEA 中訪問 OpenCV ，還需要兩部配置：
-
給項目添加 jar 包
在項目的 Libraries 中添加上面 build 之后的 bin 目錄下的 opencv-2413.jar
點擊+號，選擇 Java
之后選擇 opencv-2413.jar 所在位置。
選擇 jar 文件 寫一個測試 OpenCV 環(huán)境的類
package org.study.image.openCV;
import org.opencv.core.Core;
public class OpenCVTest {
public static void main(String[] args) {
System.loadLibrary(Core.NATIVE_LIBRARY_NAME);
}
}
這個類里面就一句話，加載本地的openCV庫。
- 配置 Java Application 的運行參數(shù)
此時運行這個類會報 UnsatisfiedLinkError 的錯誤，提示【no opencv_java2413 in java.library.path】：
鏈接錯誤
所以需要配置 Java Application 的運行時參數(shù)，在 java.library.path 加上上面
OpenCV 編譯之后的 build 目錄下的 lib 目錄：
配置運行時參數(shù)
這樣就可以在 Java 環(huán)境中訪問 OpenCV 庫了。
問題描述
要解決的問題是判斷一張圖片是否在另一張圖片之中，比如下面這兩張圖：
大圖
小圖
肉眼上能看出來下面的圖片其實就是在上面圖片的左下區(qū)域，可是用計算機(jī)如何給出這種判斷來代替人工呢？
基于像素的模板匹配
最開始搜到的資料就是 OpenCV 里的模板匹配，其原理是通過一張模板圖片去另一張圖中找到與模板相似部分（以上面的例子來說模板就是上面的小圖）。模板匹配算法是指通過滑窗的方式在待匹配的圖像上滑動，通過比較模板與子圖的相似度，找到相似度最大的子圖。
所謂滑窗就是通過滑動圖片，使得圖像塊一次移動一個像素（從左到右，從上往下）。在每一個位置，都進(jìn)行一次度量計算來這個圖像塊和原圖像的特定區(qū)域的像素值相似程度。當(dāng)相似度足夠高時，就認(rèn)為找到了目標(biāo)。顯然，這里“相似程度”的定義依賴于具體的計算公式給出的結(jié)果，不同算法結(jié)果也不一樣。
目前 OpenCV 里提供了六種算法：TM_SQDIFF（平方差匹配法）、TM_SQDIFF_NORMED（歸一化平方差匹配法）、TM_CCORR（相關(guān)匹配法）、TM_CCORR_NORMED（歸一化相關(guān)匹配法）、TM_CCOEFF（相關(guān)系數(shù)匹配法）、TM_CCOEFF_NORMED（歸一化相關(guān)系數(shù)匹配法）。
下面是 Java 中使用 OpenCV 的模板匹配的代碼：
package org.study.image.openCV;
import org.opencv.core.*;
import org.opencv.highgui.Highgui;
import org.opencv.imgproc.Imgproc;
public class OpenCVTest {
public static void main(String[] args) {
System.loadLibrary(Core.NATIVE_LIBRARY_NAME);
Mat source, template;
//將文件讀入為OpenCV的Mat格式
source = Highgui.imread("/Users/niwei/Downloads/原圖.jpeg");
template = Highgui.imread("/Users/niwei/Downloads/模板.jpeg");
//創(chuàng)建于原圖相同的大小，儲存匹配度
Mat result = Mat.zeros(source.rows() - template.rows() + 1, source.cols() - template.cols() + 1, CvType.CV_32FC1);
//調(diào)用模板匹配方法
Imgproc.matchTemplate(source, template, result, Imgproc.TM_SQDIFF_NORMED);
//規(guī)格化
Core.normalize(result, result, 0, 1, Core.NORM_MINMAX, -1);
//獲得最可能點，MinMaxLocResult是其數(shù)據(jù)格式，包括了最大、最小點的位置x、y
Core.MinMaxLocResult mlr = Core.minMaxLoc(result);
Point matchLoc = mlr.minLoc;
//在原圖上的對應(yīng)模板可能位置畫一個綠色矩形
Core.rectangle(source, matchLoc, new Point(matchLoc.x + template.width(), matchLoc.y + template.height()), new Scalar(0, 255, 0));
//將結(jié)果輸出到對應(yīng)位置
Highgui.imwrite("/Users/niwei/Downloads/匹配結(jié)果.jpeg", source);
}
}
原圖
模板
匹配后的結(jié)果圖片:
匹配結(jié)果圖
可以看到匹配結(jié)果圖中已經(jīng)用綠色矩形將該區(qū)域標(biāo)識出來了，其實匹配結(jié)果能這么好是主要因為上面的模板圖和原圖實際上是從一張圖片里面用同樣的精度截取出來的，如果是這種情況用模板匹配算法是可行的。
但它的缺陷在于如果模板圖片發(fā)生了旋轉(zhuǎn)、縮放之后，這種通過滑窗的模板匹配方式就會失效，那又如何處理呢？
基于特征點的 SURF 匹配
要解決旋轉(zhuǎn)縮放后的模板圖片再匹配原圖的問題，就用到了計算機(jī)視覺處理算法中的特征變換匹配算法。其思路是先找到圖像中的一些“穩(wěn)定點”，這些點不會因為視角的改變、光照的變化、噪音的干擾而消失，比如角點、邊緣點、暗區(qū)域的亮點以及亮區(qū)域的暗點。這樣如果兩幅圖中有相同的景物，那么穩(wěn)定點就會在兩幅圖像的相同景物上同時出現(xiàn)，這樣就能實現(xiàn)匹配。
OpenCV 中針對特征點匹配問題已經(jīng)提供了很多算法，包括 FAST 、SIFT 、SURF 、ORB 等，這里不贅述這些算法之間的區(qū)別，直接以 SURF 為例，看下 OpenCV 里面如何應(yīng)用的。
package com.zhiqu.image.recognition;
import org.opencv.calib3d.Calib3d;
import org.opencv.core.*;
import org.opencv.features2d.*;
import org.opencv.highgui.Highgui;
import java.util.LinkedList;
import java.util.List;
/**
* Created by niwei on 2017/4/28.
*/
public class ImageRecognition {
private float nndrRatio = 0.7f;//這里設(shè)置既定值為0.7，該值可自行調(diào)整
private int matchesPointCount = 0;
public float getNndrRatio() {
return nndrRatio;
}
public void setNndrRatio(float nndrRatio) {
this.nndrRatio = nndrRatio;
}
public int getMatchesPointCount() {
return matchesPointCount;
}
public void setMatchesPointCount(int matchesPointCount) {
this.matchesPointCount = matchesPointCount;
}
public void matchImage(Mat templateImage, Mat originalImage) {
MatOfKeyPoint templateKeyPoints = new MatOfKeyPoint();
//指定特征點算法SURF
FeatureDetector featureDetector = FeatureDetector.create(FeatureDetector.SURF);
//獲取模板圖的特征點
featureDetector.detect(templateImage, templateKeyPoints);
//提取模板圖的特征點
MatOfKeyPoint templateDescriptors = new MatOfKeyPoint();
DescriptorExtractor descriptorExtractor = DescriptorExtractor.create(DescriptorExtractor.SURF);
System.out.println("提取模板圖的特征點");
descriptorExtractor.compute(templateImage, templateKeyPoints, templateDescriptors);
//顯示模板圖的特征點圖片
Mat outputImage = new Mat(templateImage.rows(), templateImage.cols(), Highgui.CV_LOAD_IMAGE_COLOR);
System.out.println("在圖片上顯示提取的特征點");
Features2d.drawKeypoints(templateImage, templateKeyPoints, outputImage, new Scalar(255, 0, 0), 0);
//獲取原圖的特征點
MatOfKeyPoint originalKeyPoints = new MatOfKeyPoint();
MatOfKeyPoint originalDescriptors = new MatOfKeyPoint();
featureDetector.detect(originalImage, originalKeyPoints);
System.out.println("提取原圖的特征點");
descriptorExtractor.compute(originalImage, originalKeyPoints, originalDescriptors);
List<MatOfDMatch> matches = new LinkedList();
DescriptorMatcher descriptorMatcher = DescriptorMatcher.create(DescriptorMatcher.FLANNBASED);
System.out.println("尋找最佳匹配");
/**
* knnMatch方法的作用就是在給定特征描述集合中尋找最佳匹配
* 使用KNN-matching算法，令K=2，則每個match得到兩個最接近的descriptor，然后計算最接近距離和次接近距離之間的比值，當(dāng)比值大于既定值時，才作為最終match。
*/
descriptorMatcher.knnMatch(templateDescriptors, originalDescriptors, matches, 2);
System.out.println("計算匹配結(jié)果");
LinkedList<DMatch> goodMatchesList = new LinkedList();
//對匹配結(jié)果進(jìn)行篩選，依據(jù)distance進(jìn)行篩選
matches.forEach(match -> {
DMatch[] dmatcharray = match.toArray();
DMatch m1 = dmatcharray[0];
DMatch m2 = dmatcharray[1];
if (m1.distance <= m2.distance * nndrRatio) {
goodMatchesList.addLast(m1);
}
});
matchesPointCount = goodMatchesList.size();
//當(dāng)匹配后的特征點大于等于 4 個，則認(rèn)為模板圖在原圖中，該值可以自行調(diào)整
if (matchesPointCount >= 4) {
System.out.println("模板圖在原圖匹配成功！");
List<KeyPoint> templateKeyPointList = templateKeyPoints.toList();
List<KeyPoint> originalKeyPointList = originalKeyPoints.toList();
LinkedList<Point> objectPoints = new LinkedList();
LinkedList<Point> scenePoints = new LinkedList();
goodMatchesList.forEach(goodMatch -> {
objectPoints.addLast(templateKeyPointList.get(goodMatch.queryIdx).pt);
scenePoints.addLast(originalKeyPointList.get(goodMatch.trainIdx).pt);
});
MatOfPoint2f objMatOfPoint2f = new MatOfPoint2f();
objMatOfPoint2f.fromList(objectPoints);
MatOfPoint2f scnMatOfPoint2f = new MatOfPoint2f();
scnMatOfPoint2f.fromList(scenePoints);
//使用 findHomography 尋找匹配上的關(guān)鍵點的變換
Mat homography = Calib3d.findHomography(objMatOfPoint2f, scnMatOfPoint2f, Calib3d.RANSAC, 3);
/**
* 透視變換(Perspective Transformation)是將圖片投影到一個新的視平面(Viewing Plane)，也稱作投影映射(Projective Mapping)。
*/
Mat templateCorners = new Mat(4, 1, CvType.CV_32FC2);
Mat templateTransformResult = new Mat(4, 1, CvType.CV_32FC2);
templateCorners.put(0, 0, new double[]{0, 0});
templateCorners.put(1, 0, new double[]{templateImage.cols(), 0});
templateCorners.put(2, 0, new double[]{templateImage.cols(), templateImage.rows()});
templateCorners.put(3, 0, new double[]{0, templateImage.rows()});
//使用 perspectiveTransform 將模板圖進(jìn)行透視變以矯正圖象得到標(biāo)準(zhǔn)圖片
Core.perspectiveTransform(templateCorners, templateTransformResult, homography);
//矩形四個頂點
double[] pointA = templateTransformResult.get(0, 0);
double[] pointB = templateTransformResult.get(1, 0);
double[] pointC = templateTransformResult.get(2, 0);
double[] pointD = templateTransformResult.get(3, 0);
//指定取得數(shù)組子集的范圍
int rowStart = (int) pointA[1];
int rowEnd = (int) pointC[1];
int colStart = (int) pointD[0];
int colEnd = (int) pointB[0];
Mat subMat = originalImage.submat(rowStart, rowEnd, colStart, colEnd);
Highgui.imwrite("/Users/niwei/Desktop/opencv/原圖中的匹配圖.jpg", subMat);
//將匹配的圖像用用四條線框出來
Core.line(originalImage, new Point(pointA), new Point(pointB), new Scalar(0, 255, 0), 4);//上 A->B
Core.line(originalImage, new Point(pointB), new Point(pointC), new Scalar(0, 255, 0), 4);//右 B->C
Core.line(originalImage, new Point(pointC), new Point(pointD), new Scalar(0, 255, 0), 4);//下 C->D
Core.line(originalImage, new Point(pointD), new Point(pointA), new Scalar(0, 255, 0), 4);//左 D->A
MatOfDMatch goodMatches = new MatOfDMatch();
goodMatches.fromList(goodMatchesList);
Mat matchOutput = new Mat(originalImage.rows() * 2, originalImage.cols() * 2, Highgui.CV_LOAD_IMAGE_COLOR);
Features2d.drawMatches(templateImage, templateKeyPoints, originalImage, originalKeyPoints, goodMatches, matchOutput, new Scalar(0, 255, 0), new Scalar(255, 0, 0), new MatOfByte(), 2);
Highgui.imwrite("/Users/niwei/Desktop/opencv/特征點匹配過程.jpg", matchOutput);
Highgui.imwrite("/Users/niwei/Desktop/opencv/模板圖在原圖中的位置.jpg", originalImage);
} else {
System.out.println("模板圖不在原圖中！");
}
Highgui.imwrite("/Users/niwei/Desktop/opencv/模板特征點.jpg", outputImage);
}
public static void main(String[] args) {
System.loadLibrary(Core.NATIVE_LIBRARY_NAME);
String templateFilePath = "/Users/niwei/Desktop/opencv/模板.jpeg";
String originalFilePath = "/Users/niwei/Desktop/opencv/原圖.jpeg";
//讀取圖片文件
Mat templateImage = Highgui.imread(templateFilePath, Highgui.CV_LOAD_IMAGE_COLOR);
Mat originalImage = Highgui.imread(originalFilePath, Highgui.CV_LOAD_IMAGE_COLOR);
ImageRecognition imageRecognition = new ImageRecognition();
imageRecognition.matchImage(templateImage, originalImage);
System.out.println("匹配的像素點總數(shù)：" + imageRecognition.getMatchesPointCount());
}
}
代碼解釋見文中的注釋，執(zhí)行結(jié)果如下：
原圖
模板
模板特征點
特征點匹配過程
匹配結(jié)果
