Android OpenCV应用篇五：图片扫描器

---

上篇我们大致了解了如何运用OpenCV在Android上进行图片基本特征的提取

Android OpenCV应用篇四：图片特征检测

本篇我们运用一些图片特征提取方法来做一个OCR目标纸片扫描修正的小工具。
参考：《深入OpenCV Android应用开发》

OCR目标纸片扫描修正效果

左边是我们相机实际拍摄图片，右边为处理过后的效果。OK，今天我们就来运用之前的知识来实现这样一个功能。

---

前言

开始之前，我们先来思考一下我们的大致有哪些步骤：

• 纸面识别
• 轮廓检测
• 角点检测
• 角点归位
• 透视变换

纸面识别

开始之前，为了提高效率，我们将图片进行缩放处理，并进行一次高斯模糊减少噪声：

val scalFactor = calcScaleFactor(srcOrig.rows(), srcOrig.cols())
val src = Mat()
Imgproc.resize(
  srcOrig,
  src,
Size(srcOrig.cols() / scalFactor.toDouble(), srcOrig.rows() / scalFactor.toDouble())
)
Imgproc.GaussianBlur(src, src, Size(5.0, 5.0), 1.0)

    fun calcScaleFactor(rows: Int, cols: Int): Int {
   
        var ideaRows = 0
        var ideaCols = 0

        if (rows < cols) {
   
            ideaRows = 240
            ideaCols = 320
        } else {
   
            ideaCols = 240
            ideaRows = 320
        }

        val value = Math.min(rows / ideaRows, cols / ideaCols)
        return if (value < 0) {
   
            1
        } else {
   
            value
        }
    }

接下来，我们使用K-均值聚类算法对图像进行处理。（K-均值聚类算法），其效果将图片的背景与纸面有更加清晰的区别。

首先执行包含两个聚类中心的K均值聚类

                val samples = Mat(src.rows() * src.cols(), 3, CvType.CV_32F)
                for (y in 0 until src.rows()) {
   
                    for (x in 0 until src.cols()) {
   
                        for (z in 0 until 3)
                            samples.put(x + y * src.cols(), z, src.get(y, x)[z])
                    }
                }

然后执行K-均值算法

				val clusterCount = 2
                val lables = Mat()
                val attempts = 5
                val centers = Mat()


                Log.i("kmeans", "--------start--------")
                Core.kmeans(
                    samples,
                    clusterCount,
                    lables,
                    TermCriteria(TermCriteria.MAX_ITER or TermCriteria.EPS, 10000, 0.0001),
                    attempts,
                    Core.KMEANS_PP_CENTERS,
                    centers
                )

我们得到了两个聚类中心，并且原始图像中每个像素都有了标签，然后我们利用这两个聚类来检测哪一个是纸面。

找出两个中心的颜色与白色之间的欧式距离（欧式距离）,较近的我们认为是纸面。

                val center0 = calcWhiteDist(centers.get(0, 0)[0], centers.get(0, 1)[0], centers.get(0, 2)[0])
                val center1 = calcWhiteDist(centers.get(1, 0)[0], centers.get(1, 1)[0], centers.get(1, 2)[0])
                Log.i("calcWhiteDist", "--------end--------")

                val paperCluter = if (center0 < center1) {
   
                    0
                } else {
   
                    1
                }

    /**
     * 计算距离
     */
    fun calcWhiteDist(r: Double, g: Double, a: Double): Double {
   
        return Math.sqrt(Math.pow(255 - r, 2.0) + Math.pow(255 - g, 2.0) + Math.pow(255 - a, 2.0))
    }

进行图像分割，将前景显示为白色，将背景显示为黑色

                val srcRes = Mat(src.size(), src.type())
                val srcGray = Mat()


                for (y in 0 until src.rows()) {
   
                    for (x in 0 until src.cols()) {
   
                        val clusterIdx = lables.get(x + y * src.cols(), 0)[0].toInt()
                        if (clusterIdx == paperCluter) {
   
                            srcRes.put(y, x, 0.0, 0.0, 0.0, 255.0)
                        } else {
   
                            srcRes.put(y, x, 255.0, 255.0, 255.0, 255.0)
                        }
                    }
                }

处理后我们会得到的图像：

对比差别可以看出，我们将灰色的背景全部设置成来纯黑色，将纸面设置成来纯白色。
至此，我们已经可以从图像中识别出背景与纸面

轮廓检测

接下来我们进行轮廓检测。

                Log.i("Canny", "--------start--------")
                Imgproc.cvtColor(srcRes, srcGray, Imgproc.COLOR_BGR2GRAY)
                Imgproc.Canny(srcGray, srcGray, 50.0, 150.0)
                Log.i("Canny", "--------end--------")

                Log.i("findContours", "--------start--------")
                val contours = ArrayList<MatOfPoint>()
                val hierarchy = Mat()
                Imgproc.findContours(srcGray, contours, hierarchy, Imgproc.RETR_TREE, Imgproc.CHAIN_APPROX_SIMPLE)

                Log.i("contours", "${contours.size}")
                Log.i("findContours", "--------end--------")


                Log.i("contourArea", "--------start--------")
                var index = 0
                var maxim = Imgproc.contourArea(contours[0])
                for (contourIdx in 0 until contours.size) {
   
                    val temp = Imgproc.contourArea(contours[contourIdx])
                    if (maxim < temp) {
   
                        maxim = temp
                        index = contourIdx
                    }

                }
                Log.i("contourArea", "--------end--------")

                val drawing = Mat.zeros(srcRes.size(), CvType.CV_8UC1