模糊图像识别（OpenCV学习笔记之四）

闲话

这里的学习笔记和其他人学习OpenCV的流程可能不一样，我是根据我的一个项目来学习的。项目已经做出来了但个人觉得还有不够完善的地方，我先将项目中遇到的问题或学到的知识写出来。后期会把整个项目用一篇博客写出来，并把代码放到我的github上。如果有对图像处理感兴趣的同学可以关注我，你们的支持是我分享的动力。我是从零开始学习OpenCV的,我会把我认为有必要写出来的知识点写成博客记下来。闲话就这么多，下面进入正题吧！

模糊图像的特点

我的一个项目里有一个需要识别图像中文字的需求，所以图像要求内容很清楚。但不幸是有时得到的图像是模糊的，为了提高性能必须在对图像中文字识别之前确定图像是清楚的还是模糊的。首先要知道模糊图像有什么特点才能通过其特点来进行区分。个人觉得有以下特点：

• 图像中边缘不明确，这也是最主要的特点
• 图像中边缘模糊的占大部分，有小部分的不应认为是模糊图片

上面的特点能让你联想到什么？既然图像模糊是与图像的边缘有关，那就该与上一次笔记中的边缘检测有关吧！

模糊图像边缘利用

其实利用图像边缘进行模糊识别并不是我想到的，而是通过国外的一篇博客知道的Blur detection with OpenCV，在上一篇博客中我提到有两种算法可以实现类似素描的效果。也就是在边缘不明显的时候边缘检测出的边缘线会变成亮度很淡的线条，下面有两张对比图方便说明：

清楚对比图.png

上面的图片左边是原图，是一张清楚的图片，右边是一张对原图经过Sobel算子处理后的图片，可以看出由于原图是清楚的所以经过Sobel处理后的图片线条是与黑色背景对比度高且明显。我下再看一张不清楚的图：

模糊比对图.png
上面这张图左边是一张模糊的原图右边是对原图经过Sobel算子处理后的图片，可以看出很明显这张图的线条有明暗的过渡变化，与背景没有明显的对比。这也就是模糊图像的特点。
注意：不仅可以用Sobel算子来查找这种边缘图，还可以用Laplacian算子，其原理是一样的这里就不再介绍Laplacian的方法了。

用数学方法区分

从数学角度来看，清楚的图像经过Sobel算子处理后得到的像素数值偏差都很大，像素值要么是0（黑色），要么是接近255（白色）。而一张模糊的图像经过Sobel算子处理后得到的像素值分布比较散。通过这个特点我们可以运用统计学的标准方差来区分。清楚的图的像素值标准方差较大而模糊图的像素值因为分部比较散相对来说标准方差较小。下面我们用代码来演示一下，OpenCV中已经给我们写好的计算图像标准方差的方法，方法介绍如下：

/** 
@param src 输入图像，可以从1到4个通道
@param mean 输出参数：计算平均值。
@param stddev 输出参数：计算出的标准差。
@param mask 可选参数，图像蒙版。
*/
CV_EXPORTS_W void meanStdDev(InputArray src, OutputArray mean, OutputArray stddev,
                             InputArray mask=noArray());

示例代码：

- (void)testDemo{
    // 获取测试用的图片路径
    NSString * path = [[NSBundle mainBundle] pathForResource:@"image.jpg" ofType:nil];
    // 读取图片
    cv::Mat testImage = cv::imread([path cStringUsingEncoding:NSUTF8StringEncoding]);
    
    cv::Mat grayImage;
    cv::Mat sobelX;
    cv::Mat sobelY;
    cv::Mat lastImage;
    // 将图片转成灰色图，以便处理和减少运算量
    cv::cvtColor(testImage, grayImage, cv::COLOR_BGR2GRAY);
    // 用Sobel算子对图像进行处理
    cv::Sobel(grayImage, sobelX, CV_8U, 1, 0);
    cv::Sobel(grayImage, sobelY, CV_8U, 0, 1);
    cv::addWeighted(sobelX, 0.5, sobelY, 0.5, 0.0, lastImage);
    
    cv::Mat meanDev;
    cv::Mat stdDev;
    // 求处理后图片的平均值和标准方差
    cv::meanStdDev(lastImage, meanDev, stdDev);
    
    std::cout << "平均值：" << meanDev.at<double>(0,0) << std::endl;
    std::cout << "标准方差：" << stdDev.at<double>(0,0) << std::endl;
}

// 清楚图像打印的结果
平均值：18.0537
标准方差：37.7107

// 模糊图像的打印的结果
平均值：7.06483
标准方差：11.8385

可以看出模糊图像的标准方差比清楚图像的标准方差要小，这里需要注意的是，具体区分清楚与模糊图像分水岭的数值是多少是不一定的，这得根据你自己的测试得来，这个值与图像的大小和图像的内容有一定的关系。具体的数值还是大家自己测试得来吧！