本人已参与「新人创作礼」活动，一起开启掘金创作之路。
关于图片处理
随着科技的发展，AI、机器学习、AR、VR等已经逐渐走进生活，模式识别、图像捕捉、图片拼接等已经成为其中的重要环节。因此，图像处理技术在未来会被移动端广泛使用。其中，有很多C++的库的应用普遍，常用的有：OpenCV、FreeImage、CImg和CxImage。
关于这几个库的特点和优缺点可以参考图像识别四大图像库比较。
关于OpenCV
简介
OpenCV (Open Source Computer Vision Library)是一个在BSD许可下发布的开源库，因此它是免费提供给学术和商业用途。有C++、C、Python和Java接口，支持Windows、Linux、MacOS、iOS和Android等系统。OpenCV是为计算效率而设计的，而且密切关注实时应用程序的发展和支持。该库用优化的C/C++编写,可以应用于多核处理。在启用OpenCL的基础上，它可以利用底层的异构计算平台的硬件加速。 ——opencv.org
OpenCV的模块
从官方文档中我们可以看到其包含模块以及对iOS的支持情况。
- core：简洁的核心模块，定义了基本的数据结构，包括稠密多维数组 Mat 和其他模块需要的基本函数。
- imgproc：图像处理模块，包括线性和非线性图像滤波、几何图像转换 (缩放、仿射与透视变换、一般性基于表的重映射)、颜色空间转换、直方图等等。
- video：视频分析模块，包括运动估计、背景消除、物体跟踪算法。
- calib3d：包括基本的多视角几何算法、单体和立体相机的标定、对象姿态估计、双目立体匹配算法和元素的三维重建。
- features2d：包含了显著特征检测算法、描述算子和算子匹配算法。
- objdetect：物体检测和一些预定义的物体的检测 (如人脸、眼睛、杯子、人、汽车等)。
- ml：多种机器学习算法，如 K 均值、支持向量机和神经网络。
- highgui：一个简单易用的接口，提供视频捕捉、图像和视频编码等功能，还有简单的 UI 接口 (iOS 上可用的仅是其一个子集)。
- gpu：OpenCV 中不同模块的 GPU 加速算法 (iOS 上不可用)。
- ocl：使用 OpenCL 实现的通用算法 (iOS 上不可用)。
- 一些其它辅助模块，如 Python 绑定和用户贡献的算法。
我们可以利用OpenCV在iOS上做什么
基于OpenCV，iOS应用程序可以实现很多有趣的功能，也可以把很多复杂的工作简单化。一般可用于：
- 对图片进行灰度处理（官方示例）
- 人脸识别，即特征跟踪（官方示例）
- 训练图片特征库（可用于模式识别）
- 提取特定图像内容（根据需求还原有用图像信息） ……
导入OpenCV
opencv目前分为两个版本系列：opencv2.4.x和opencv3.x。 导入项目的两种方式：
1.从官网下载框架，引入工程。
-
前往OpenCV官网或OpenCV中文官网下载相关iOS版本framework文件，从项目引入，
-
导入OpenCV依赖库 * libc++.tbd * AVFoundation.framework * CoreImage.framework * QuartzCore.framework * Accelerate.framework * CoreVideo.framework * CoreMedia.framework * AssetsLibrary.framework
-
引入相关头文件
#import <opencv2/opencv.hpp>
#import <opencv2/imgproc/types_c.h>
#import <opencv2/imgcodecs/ios.h>
#import <opencv2/highgui/highgui_c.h>
注：使用OpenCV的类必须支持C++的编译环境，把.m文件改为.mm即可。
2.使用CocoaPods安装。
很简单。
pod 'OpenCV'
OpenCV的简单使用
处理图片可以创建一个UIImage的分类，OpenCV图像处理的相关代码都可以在这个类中实现。 代码可见笔者Github项目地址
图像灰度处理
1.在.h文件中声明两个类
@property (nonatomic, readonly) cv::Mat CVMat;
@property (nonatomic, readonly) cv::Mat CVGrayscaleMat;
2.声明Mat与UIImage互相转换以及灰度处理并返回UIImage对象的外部方法
/**
cv::Mat --> UIImage
@return UIImage
*/
+ (UIImage *)imageWithCVMat:(const cv::Mat&)cvMat;
/**
UIImage --> cv::Mat
@param image image
@return cv::Mat
*/
+ (cv::Mat)cvMatFromUIImage:(UIImage *)image;
/**
UIImage --> cv::Mat (gray)
@param image image
@return cv::Mat
*/
+ (cv::Mat)cvMatGrayFromUIImage:(UIImage *)image;
3.在.m中实现相关方法 生成cv::Mat对象
- (cv::Mat)CVMat {
CGColorSpaceRef colorSpace = CGImageGetColorSpace(self.CGImage);
CGFloat cols = self.size.width;
CGFloat rows = self.size.height;
cv::Mat cvMat(rows,cols,CV_8UC(4)); // 8 bits per component,4 channels
CGContextRef contextRef = CGBitmapContextCreate(
cvMat.data, // Pointer to backing data
cols, // Width of bitmap
rows, // Height of bitmap
8, // Bits per conponent
cvMat.step[0], // Bytes per row
colorSpace, // Colorspace
kCGImageAlphaNoneSkipLast | kCGBitmapByteOrderDefault // Bitmap info flags
);
CGContextDrawImage(contextRef, CGRectMake(0, 0, cols, rows), self.CGImage);
CGContextRelease(contextRef);
return cvMat;
}
生成灰度cv::Mat对象
- (cv::Mat)CVGrayscaleMat {
CGColorSpaceRef colorSpace = CGColorSpaceCreateDeviceGray();
CGFloat cols = self.size.width;
CGFloat rows = self.size.height;
cv::Mat cvMat = cv::Mat(rows,cols,CV_8SC1); // 8 bits per conponpent,1 channel
CGContextRef contextRef = CGBitmapContextCreate(
cvMat.data, // Pointer to backing data
cols, // Width of bitmap
rows, // Height of bitmap
8, // Bits of bitmap
cvMat.step[0], // Bytes per row
colorSpace, // Colorspace
kCGImageAlphaNone | kCGBitmapByteOrderDefault // Bitmap info flags
);
CGContextDrawImage(contextRef, CGRectMake(0, 0, cols, rows), self.CGImage);
CGContextRelease(contextRef);
CGColorSpaceRelease(colorSpace);
return cvMat;
}
cv::Mat --> UIImage
+ (UIImage *)imageWithCVMat:(const cv::Mat &)cvMat {
return [[UIImage alloc] initWithCVMat:cvMat];
}
+ (cv::Mat)cvMatFromUIImage:(UIImage *)image {
CGColorSpaceRef colorSpace = CGImageGetColorSpace(image.CGImage);
CGFloat cols = image.size.width;
CGFloat rows = image.size.height;
cv::Mat cvMat(rows, cols, CV_8UC4); // 8 bits per component, 4 channels (color channels + alpha)
CGContextRef contextRef = CGBitmapContextCreate(
cvMat.data, // Pointer to data
cols, // Width of bitmap
rows, // Height of bitmap
8, // Bits per component
cvMat.step[0], // Bytes per row
colorSpace, // Colorspace
kCGImageAlphaNoneSkipLast | kCGBitmapByteOrderDefault // Bitmap info flags
);
CGContextDrawImage(contextRef, CGRectMake(0, 0, cols, rows), image.CGImage);
CGContextRelease(contextRef);
return cvMat;
}
UIimage --> Gray cv::Mat
+ (cv::Mat)cvMatGrayFromUIImage:(UIImage *)image {
CGColorSpaceRef colorSpace = CGImageGetColorSpace(image.CGImage);
CGFloat cols = image.size.width;
CGFloat rows = image.size.height;
cv::Mat cvMat(rows, cols, CV_8UC1); // 8 bits per component, 1 channels
CGContextRef contextRef = CGBitmapContextCreate(
cvMat.data, // Pointer to data
cols, // Width of bitmap
rows, // Height of bitmap
8, // Bits per component
cvMat.step[0], // Bytes per row
colorSpace, // Colorspace
kCGImageAlphaNoneSkipLast | kCGBitmapByteOrderDefault // Bitmap info flags
);
CGContextDrawImage(contextRef, CGRectMake(0, 0, cols, rows), image.CGImage);
CGContextRelease(contextRef);
return cvMat;
}
4.在控制器中调用UIImage+OpenCV相关代码，实现图片灰度处理
UIImage *image = [UIImage imageNamed:@"icon.jpg"];
cv::Mat inputMat = [UIImage cvMatFromUIImage:image];
cv::Mat greyMat;
cv::cvtColor(inputMat, greyMat, CV_BGR2GRAY);
//cv::Mat greyMat = [UIImage cvMatGrayFromUIImage:image];
UIImage *greyImage = [UIImage imageWithCVMat:greyMat];
self.imageView.image = greyImage;
5.效果
人脸识别
关于人脸识别的实现，可以参考基于OpenCV的人脸识别。这是ObjC中国上一篇译文，作者是国外大牛，这片博客写得非常详尽。 我的Demo中不含有拍照部分，直接对一张图片中的人脸进行识别，其实现如下： 1.创建一个Objective-C++的类FaceRecognition（即把.m文件.mm文件，支持Objective-C与C++混编） 2.引入头文件：
#import <opencv2/opencv.hpp>
#import <opencv2/imgproc/types_c.h>
#import <opencv2/imgcodecs/ios.h>
#import "UIImage+OpenCV.h"
3.对图片进行处理转化
+ (UIImage *)convertImage: (UIImage *)image {
// 初始化一个图片的二维矩阵cvImage
cv::Mat cvImage;
// 将图片UIImage对象转为Mat对象
cvImage = [UIImage cvMatFromUIImage:image];
if (!cvImage.empty()) {
cv::Mat gray;
// 进一步将图片转为灰度显示
cv::cvtColor(cvImage, gray, CV_RGB2GRAY);
// 利用搞死滤镜去除边缘
cv::GaussianBlur(gray, gray, cv::Size(5, 5), 1.2, 1.2);
// 计算画布
cv::Mat edges;
cv::Canny(gray, edges, 0, 50);
// 使用白色填充
cvImage.setTo(cv::Scalar::all(225));
// 修改边缘颜色
cvImage.setTo(cv::Scalar(0,128,255,255),edges);
// 将Mat转换为UIImage
return [UIImage imageWithCVMat:cvImage];
}
return nil;
}
4.读取图片中人脸的相关数据并存储
+ (NSArray*)facePointDetectForImage:(UIImage*)image {
static cv::CascadeClassifier faceDetector;
static dispatch_once_t onceToken;
dispatch_once(&onceToken, ^{
// 添加xml文件
NSString* cascadePath = [[NSBundle mainBundle]
pathForResource:@"haarcascade_frontalface_alt2"
ofType:@"xml"];
faceDetector.load([cascadePath UTF8String]);
});
cv::Mat faceImage;
faceImage = [UIImage cvMatFromUIImage:image];
// 转为灰度
cv::Mat gray;
cvtColor(faceImage, gray, CV_BGR2GRAY);
// 检测人脸并储存
std::vector<cv::Rect>faces;
faceDetector.detectMultiScale(gray, faces,1.1,2,CV_HAAR_FIND_BIGGEST_OBJECT,cv::Size(30,30));
NSMutableArray *array = [NSMutableArray array];
for(unsigned int i= 0;i < faces.size();i++)
{
const cv::Rect& face = faces[i];
float height = (float)faceImage.rows;
float width = (float)faceImage.cols;
CGRect rect = CGRectMake(face.x/width, face.y/height, face.width/width, face.height/height);
[array addObject:[NSNumber valueWithCGRect:rect]];
}
return [array copy];
}
5.检测人脸并在图片上人脸部分添加红色矩形线框以标识
+ (UIImage*)faceDetectForImage:(UIImage*)image {
static cv::CascadeClassifier faceDetector;
static dispatch_once_t onceToken;
dispatch_once(&onceToken, ^{
NSString* cascadePath = [[NSBundle mainBundle]
pathForResource:@"haarcascade_frontalface_alt"
ofType:@"xml"];
faceDetector.load([cascadePath UTF8String]);
});
cv::Mat faceImage;
faceImage = [UIImage cvMatFromUIImage:image];
// 转为灰度
cv::Mat gray;
cvtColor(faceImage, gray, CV_BGR2GRAY);
// 检测人脸并储存
std::vector<cv::Rect>faces;
faceDetector.detectMultiScale(gray, faces,1.1,2,0,cv::Size(30,30));
// 在每个人脸上画一个红色四方形
for(unsigned int i= 0;i < faces.size();i++)
{
const cv::Rect& face = faces[i];
cv::Point tl(face.x,face.y);
cv::Point br = tl + cv::Point(face.width,face.height);
// 四方形的画法
cv::Scalar magenta = cv::Scalar(255, 0, 0, 255);
cv::rectangle(faceImage, tl, br, magenta, 2, 2, 0);
}
return [UIImage imageWithCVMat:faceImage];
}
6.运行效果
Objective-C与C++混编
很多地方需要用到Objective-C与C++混编，来解决一些对象的传递转换问题。
字符串的转换
在C++中，字符串对象为char *,而在Objective-C中字符串对象为NSString,在编程中常常需要在二者之间互相转换。
1.NSString转换为char *
/**
NSString --> char *
@param string NSString (Objective-C)
@return char * (C++)
*/
char * string2Char(NSString *string) {
const char *charString = [string UTF8String];
char *result = new char[strlen(charString) + 1];
strcpy(result, charString);
//delete[] result;
return result;
}
2.char *转换为NSString
NSString *OCString = [NSString stringWithUTF8String:cppString];
储存cv::Mat图片对象
/**
Write image to Document
@param imageName image name
@param img cv::Mat
@return if complete
*/
bool writeImage2Document(const char *imageName, cv::Mat img) {
UIImage *stitchedImage = [[UIImage alloc] initWithCVMat:img];
NSString *docPath = [NSSearchPathForDirectoriesInDomains(NSDocumentDirectory, NSUserDomainMask, YES) lastObject];
NSString *imagePath = [docPath stringByAppendingString:[NSString stringWithFormat:@"/%@",[NSString stringWithUTF8String:imageName]]];
// 将UIImage对象转换成NSData对象
NSData *data = UIImageJPEGRepresentation(stitchedImage, 0);
[data writeToFile:imagePath atomically:YES];
return true;
}
