基于Matlab制作一個不良圖片檢測系統(tǒng)

更新時間：2022年07月18日 08:29:59 作者：slandarer

這篇文章主要為大家詳細介紹了如何基于Matlab制作一個不良圖片檢測系統(tǒng)，文中的示例代碼講解詳細，感興趣的可以跟隨小編一起了解一下

不良圖片檢測部分

看到博主碼猴小明用python PIL庫制作了一個不良圖片識別系統(tǒng)，手癢，想用MATLAB也試試，畢竟矩陣運算也算是MATLAB的強項了，使用MATLAB寫可比用python寫簡潔太多了，總體流程如下：

檢查各個像素是否為膚色
將相鄰的膚色像素歸為一個皮膚區(qū)域，得到若干個皮膚區(qū)域，并剔除像素數(shù)量極少的皮膚區(qū)域
通過皮膚區(qū)域特點判定是否為不良圖片

part.0 圖片導(dǎo)入

imread讀取圖片后需要double一下，因為uint8格式的圖片數(shù)據(jù)會自動取整，沒法保留小數(shù)。

%?讀取圖片
if?nargin<1
????path='test.jpg';
end
picMat=imread(path);
picMat=double(picMat);

本文使用的圖片如下：

part.1 檢查是否為膚色

這里懶得再去找了，直接使用大佬文中的判定條件，滿足以下條件的將其判定為膚色：

RGB顏色模式第一種：r > 95 and g > 40 and g < 100 and b > 20 and max([r, g, b]) - min([r, g, b]) > 15 and abs(r - g) > 15 and r > g and r > b
RGB顏色模式第二種：nr = r / (r + g + b), ng = g / (r + g + b), nb = b / (r +g + b) ，nr / ng > 1.185 and r * b / (r + g + b) ** 2 > 0.107 and r * g / (r + g + b) ** 2 > 0.112
HSV顏色模式：h > 0 and h < 35 and s > 0.23 and s < 0.68
YCbCr顏色模式：97.5 <= cb <= 142.5 and 134 <= cr <= 176

網(wǎng)上各種膚色相關(guān)公式能找到很多，但是光照亮度不同，燈光顏色不同，膚色不同，各種影響因素太多，不可能100%準(zhǔn)確：

%?可調(diào)節(jié)skinMethod為1/2/3/4
if?nargin<2
????skinMethod=3;
end
skinBool=[];
switch?skinMethod
????case?1
????????%?RGB顏色空間檢測方法1
????????r=picMat(:,:,1);
????????g=picMat(:,:,2);
????????b=picMat(:,:,3);
????????skinBool=(r>95)&(g>40)&(g<100)&(b>20)&(max(picMat,[],3)-min(picMat,[],3)>15)&(abs(r-g)>15)&(r>g)&(r>b);
????case?2
????????%?RGB顏色空間檢測方法2
????????nrgb=sum(picMat,3);
????????r=picMat(:,:,1);nr=r./nrgb;
????????g=picMat(:,:,2);ng=g./nrgb;
????????b=picMat(:,:,3);
????????skinBool=(nr./ng>1.185)&(r.*b./(nrgb.^2)>0.107)&(r.*g./(nrgb.^2)>0.112);
????case?3
????????%?HSV顏色空間檢測方法
????????hsvMat=rgb2hsv(double(picMat)./255);
????????h=hsvMat(:,:,1);
????????s=hsvMat(:,:,2);
????????skinBool=(h>0)&(h<35/180)&(s>0.23)&(s<0.68);
????case?4
????????%?YCbCr顏色空間檢測方法
????????ycbcrMat=rgb2ycbcr(uint8(picMat));
????????cb=ycbcrMat(:,:,2);
????????cr=ycbcrMat(:,:,3);
????????skinBool=(cb>=97.5)&(cb<=142.5)&(cr>=134)&(cr<=176);
end
figure();
imshow(uint8(skinBool.*255));

可以看出僅對于本圖片，HSV及YCbCr顏色空間檢測方法相對較好：

part.2 皮膚區(qū)域標(biāo)記

%?刪除面積過小的區(qū)域
skinBool=bwareaopen(skinBool,50);

%?獲取每一個連通區(qū)域(皮膚區(qū)域)
skinLabel=bwlabel(skinBool);
skinLabel=sort(skinLabel(:))';
skinLabel(skinLabel==0)=[];

需要注意的是，此時skinLabel標(biāo)簽形式為：

1 1 1 1 2 2 2 3 3 3 3 3 3 4 4 4... ...

假如，1有4個說明被標(biāo)記為1的區(qū)域面積為4,對該序列進行逐項做差能找出每個數(shù)值標(biāo)簽第一次出現(xiàn)的位置：

0 0 0 1 0 0 1 0 0 0 0 0 1 0 0... ...

例如2第一次出現(xiàn)在4+1=5的位置，3第一次出現(xiàn)在7+1=8的位置，那么2便一共出現(xiàn)過8-5=3次，那么找到每個數(shù)字首次出現(xiàn)位置并再次做差即可獲取每種標(biāo)簽出現(xiàn)次數(shù)(面積)，此方法舍去了for循環(huán)，使用向量化編程有了更快的速度：

Lpos=find([diff(skinLabel),1]);
Larea=diff([0,Lpos]);

Larea即為每個區(qū)域面積大小。

part.3 通過皮膚區(qū)域特點判定是否為不良圖片

我們定義非色情圖片的判定規(guī)則如下(滿足任意一個判斷為真)：

皮膚區(qū)域的個數(shù)小于3個
皮膚區(qū)域的像素與圖像所有像素的比值小于15%
最大皮膚區(qū)域小于總皮膚面積的45%
皮膚區(qū)域數(shù)量超過60個

%?皮膚區(qū)域的個數(shù)小于3個
flag1=length(Larea)<3;
%?皮膚區(qū)域的像素與圖像所有像素的比值小于15%
flag2=sum(Larea)/numel(picMat(:,:,1))<0.15;
%?最大皮膚區(qū)域小于總皮膚面積的45%
flag3=max(Larea)/sum(Larea)<0.45;
%?皮膚區(qū)域數(shù)量超過60個
flag4=length(Larea)>60;

%?滿足任意一項輸出否
isBlue=~any([flag1,flag2,flag3,flag4]);

本文實例圖片計算結(jié)果為否，即非不良圖片！

完整代碼

總共只有短短七十行?。?/p>

function?isBlue=blueDetect(path,skinMethod)
%?調(diào)用方式：
%?blueDetect(test.jpg)
%?返回值isBlue為邏輯值true/false

%?讀取圖片
if?nargin<1
????path='test.jpg';
end
picMat=imread(path);
picMat=double(picMat);
%%?========================================================================
%?使用其他皮膚檢測方法
%?可調(diào)節(jié)skinMethod為1/2/3/4
if?nargin<2
????skinMethod=3;
end
skinBool=[];
switch?skinMethod
????case?1
????????%?RGB顏色空間檢測方法1
????????r=picMat(:,:,1);
????????g=picMat(:,:,2);
????????b=picMat(:,:,3);
????????skinBool=(r>95)&(g>40)&(g<100)&(b>20)&(max(picMat,[],3)-min(picMat,[],3)>15)&(abs(r-g)>15)&(r>g)&(r>b);
????case?2
????????%?RGB顏色空間檢測方法2
????????nrgb=sum(picMat,3);
????????r=picMat(:,:,1);nr=r./nrgb;
????????g=picMat(:,:,2);ng=g./nrgb;
????????b=picMat(:,:,3);
????????skinBool=(nr./ng>1.185)&(r.*b./(nrgb.^2)>0.107)&(r.*g./(nrgb.^2)>0.112);
????case?3
????????%?HSV顏色空間檢測方法
????????hsvMat=rgb2hsv(double(picMat)./255);
????????h=hsvMat(:,:,1);
????????s=hsvMat(:,:,2);
????????skinBool=(h>0)&(h<35/180)&(s>0.23)&(s<0.68);
????case?4
????????%?YCbCr顏色空間檢測方法
????????ycbcrMat=rgb2ycbcr(uint8(picMat));
????????cb=ycbcrMat(:,:,2);
????????cr=ycbcrMat(:,:,3);
????????skinBool=(cb>=97.5)&(cb<=142.5)&(cr>=134)&(cr<=176);
end
figure();
imshow(uint8(skinBool.*255));
%%?========================================================================
%?刪除面積過小的區(qū)域
skinBool=bwareaopen(skinBool,50);

%?獲取每一個連通區(qū)域(皮膚區(qū)域)
skinLabel=bwlabel(skinBool);
skinLabel=sort(skinLabel(:))';
skinLabel(skinLabel==0)=[];

%?此時skinLabel標(biāo)簽形式為：
%?1?1?1?1?2?2?2?3?3?3?3?3?3?4?4?4...?...
%?假如，1有4個說明被標(biāo)記為1的區(qū)域面積為4
%?對該序列進行逐項做差能找出每個數(shù)值標(biāo)簽第一次出現(xiàn)的位置：
%?0?0?0?1?0?0?1?0?0?0?0?0?1?0?0...?...
%?進而可以獲取每種標(biāo)簽所含點數(shù)(面積)
%?此方法舍去了for循環(huán)使用向量化編程有了更快的速度：
Lpos=find([diff(skinLabel),1]);
Larea=diff([0,Lpos]);

%?皮膚區(qū)域的個數(shù)小于3個
flag1=length(Larea)<3;
%?皮膚區(qū)域的像素與圖像所有像素的比值小于15%
flag2=sum(Larea)/numel(picMat(:,:,1))<0.15;
%?最大皮膚區(qū)域小于總皮膚面積的45%
flag3=max(Larea)/sum(Larea)<0.45;
%?皮膚區(qū)域數(shù)量超過60個
flag4=length(Larea)>60;

%?滿足任意一項輸出否
isBlue=~any([flag1,flag2,flag3,flag4]);
end

批量處理部分

那么我們能不能寫一段代碼，調(diào)用咱前面寫的函數(shù)，檢測文件夾A內(nèi)的全部圖片，并將不良圖片保存到B文件夾方便我們?nèi)舆M回收箱，將正常圖片保存在C文件夾方便觀看呢？非常簡單：

oriPath='.\A\';%?文件夾名稱

BPath='.\B\';?%?放置不良圖片的路徑
nBPath='.\C\';%?放置正常圖片的路徑

%?若路徑下不存在文件夾則創(chuàng)建文件夾
if?~exist(BPath,'dir')
????mkdir(BPath)
end
if?~exist(nBPath,'dir')
????mkdir(nBPath)
end


files=dir(fullfile(oriPath,'*.jpg'));?
picNum=size(files,1);

%遍歷路徑下每一幅圖像
for?i=1:picNum
???fileName=strcat(oriPath,files(i).name);?
???isBlue=blueDetect(fileName,3);
???if?isBlue
???????copyfile(fileName,strcat(BPath,files(i).name));
???else
???????copyfile(fileName,strcat(nBPath,files(i).name));
???end
end

那么我們來看看不良圖片文件夾的分類效果？：