大家好，欢迎来到IT知识分享网。

一、背景：

前面的文章提到，要实现两个功能

1. 实现数字识别
2. 实现图标识别

前面的文章已经已经实现了数字的识别，但是发现识别率比较低，并且识别的错误率也比较高。考虑是因为背景比较复杂影响了识别效果，本文主要解决复杂背景的简化，以及图片的对比

二、目标：

1. 通过opencv对图片处理，使背景和内容有更加明显的差异，即二值化
2. 通过opencv对比二值化后的图片的相似度，来识别图标

三、实现过程：

opencv的集成

1. 下载opencv对应的版本 https://opencv.org/releases/

我使用了最新的4.6.0 的版本

2. 解压下载的zip得到demo和需要集成的module

3. 接入自己的项目 3.1、将2中得到的sdk作为一个独立module放到项目中

3.2、在项目的setting.gradle中引入sdk module

3.3、 在使用opencv的module中引入sdk module

4. 编译使用

至此集成算是完成了，但是因为这个使用了ndk相关的功能，如果本地没有ndk环境的话，可能需要处理下环境问题，这里不再赘述

二值化处理

1. 先上代码

 public static Bitmap createBitmap(Bitmap bitmap) { Mat src = new Mat(); Utils.bitmapToMat(bitmap, src); //将bitmap转换为Mat Mat thresholdImage = new Mat(src.size(), src.type()); //这个二值图像用于找出关键信息的图像 //将图像转换为灰度图像 Imgproc.cvtColor(src, thresholdImage, Imgproc.COLOR_RGBA2GRAY); //将图像转换为边缘二值图像 Imgproc.threshold(thresholdImage,thresholdImage,10.0,255.0, Imgproc.THRESH_BINARY_INV|Imgproc.THRESH_OTSU); Bitmap binaryBitmap = Bitmap.createBitmap(bitmap.getWidth(), bitmap.getHeight(), bitmap.getConfig()); Utils.matToBitmap(thresholdImage, binaryBitmap); return binaryBitmap; } 

2. 步骤拆解

2.1、先将bitmap转为 Mat方便opencv进行操作

2.2、 调用 Imgproc.cvtColor(src, thresholdImage, Imgproc.COLOR_RGBA2GRAY); 将图像转为灰度图像

2.3、 调用 ` Imgproc.threshold(thresholdImage,thresholdImage,10.0,255.0, Imgproc.THRESH_BINARY_INV|Imgproc.THRESH_OTSU);

` 将图像转为二值图像。 这个方法非常的重要，在这里专门说一下

1. 第一个参数是图像来源

2. 第二个参数是输出的图像

3. 是一个标准。每个像素点会和这个标准比较。这个会和最后一个参数关联在一起使用。

4. 在符合第三个参数的标准的情况下，要赋予的值

5. 第五参数控制第三、第四个参数的使用情况

3. 效果展示

相似度处理

1. 上代码

 public static Double similarity(Bitmap bitmap1, Bitmap bitmap2){ // 计算每张图片的特征点 MatOfKeyPoint descriptors1 = computeDescriptors(bitmap1); MatOfKeyPoint descriptors2 = computeDescriptors(bitmap2); // 比较两张图片的特征点 DescriptorMatcher descriptorMatcher = DescriptorMatcher.create(DescriptorMatcher.FLANNBASED); List<MatOfDMatch> matches =new ArrayList(); // 计算大图中包含多少小图的特征点。 // 如果计算小图中包含多少大图的特征点，结果会不准确。 // 比如：若小图中的 50 个点都包含在大图中的 100 个特征点中，则计算出的相似度为 100%，显然不符合我们的预期 if (bitmap1.getByteCount() > bitmap2.getByteCount() ) { descriptorMatcher.knnMatch(descriptors1, descriptors2, matches, 2); } else { descriptorMatcher.knnMatch(descriptors2, descriptors1, matches, 2); } Log.i("~~~", "matches.size: ${matches.size}"); if (matches.isEmpty()) return 0.00; // 获取匹配的特征点数量 int matchCount = 0; // 邻近距离阀值，这里设置为 0.7，该值可自行调整 float nndrRatio = 0.7f; for (MatOfDMatch match:matches) { DMatch[] array = match.toArray(); // 用邻近距离比值法(NNDR)计算匹配点数 if (array[0].distance <= array[1].distance * nndrRatio) { matchCount++; } } Log.i("~~~", "matchCount: $matchCount"); return Double.valueOf(matchCount/ matches.size()); } 

2. 步骤拆解

2.1、 找到两个图片的特征点

 private static MatOfKeyPoint computeDescriptors(Bitmap bitmap){ Mat mat = new Mat(); Utils.bitmapToMat(bitmap, mat); MatOfKeyPoint keyPoints = new MatOfKeyPoint(); siftDetector.detect(mat, keyPoints); MatOfKeyPoint descriptors = new MatOfKeyPoint(); // 计算图片的特征点 siftDetector.compute(mat, keyPoints, descriptors); return descriptors; } 

2.2、 选取合适的匹配模式

2.3、避免 大图中包含小图导致认为小图完全匹配大图的场景，所以对大小进行判断，用大图和小图比。

2.4、 选取一个邻近距离阈值

2.5、 比较两个图的特征值的差异，，将差值符合阈值的个数记录

2.6、 符合阈值的个数，比上总特征数，得到匹配率

总结

opencv提供了一整套非常完善的api，可以解决我们遇到的绝大部分场景，大家可以多看文档，学习起来。

关注公众号： arigeweixin ，取得更多联系