基于Matlab制作一個(gè)不良圖片檢測(cè)系統(tǒng)

第基于Matlab制作一個(gè)不良圖片檢測(cè)系統(tǒng)目錄不良圖片檢測(cè)部分part.0圖片導(dǎo)入part.1檢查是否為膚色part.2皮膚區(qū)域標(biāo)記part.3通過(guò)皮膚區(qū)域特點(diǎn)判定是否為不良圖片完整代碼批量處理部分

不良圖片檢測(cè)部分

看到博主碼猴小明用pythonPIL庫(kù)制作了一個(gè)不良圖片識(shí)別系統(tǒng)，手癢，想用MATLAB也試試，畢竟矩陣運(yùn)算也算是MATLAB的強(qiáng)項(xiàng)了，使用MATLAB寫可比用python寫簡(jiǎn)潔太多了，總體流程如下：

檢查各個(gè)像素是否為膚色將相鄰的膚色像素歸為一個(gè)皮膚區(qū)域，得到若干個(gè)皮膚區(qū)域，并剔除像素?cái)?shù)量極少的皮膚區(qū)域通過(guò)皮膚區(qū)域特點(diǎn)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?yàn)閡int8格式的圖片數(shù)據(jù)會(huì)自動(dòng)取整，沒(méi)法保留小數(shù)。

%

讀取圖片

if

nargin1

path='test.jpg';

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：r95andg40andg100andb20andmax([r,g,b])-min([r,g,b])15andabs(r-g)15andrgandrbRGB顏色模式第二種：nr=r/(r+g+b),ng=g/(r+g+b),nb=b/(r+g+b)，nr/ng1.185andr*b/(r+g+b)**20.107andr*g/(r+g+b)**20.112HSV顏色模式：h0andh35ands0.23ands0.68YCbCr顏色模式：97.5=cb=142.5and134=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

nargin2

skinMethod=3;

skinBool=[];

switch

skinMethod

case

1

%

RGB顏色空間檢測(cè)方法1

r=picMat(:,:,1);

g=picMat(:,:,2);

b=picMat(:,:,3);

skinBool=(r95)(g40)(g100)(b20)(max(picMat,[],3)-min(picMat,[],3)15)(abs(r-g)15)(rg)(r

case

2

%

RGB顏色空間檢測(cè)方法2

nrgb=sum(picMat,3);

r=picMat(:,:,1);nr=r./nrgb;

g=picMat(:,:,2);ng=g./nrgb;

b=picMat(:,:,3);

skinBool=(nr./ng1.185)(r.*b./(nrgb.^2)0.107)(r.*g./(nrgb.^2)0.112);

case

3

%

HSV顏色空間檢測(cè)方法

hsvMat=rgb2hsv(double(picMat)./255);

h=hsvMat(:,:,1);

s=hsvMat(:,:,2);

skinBool=(h0)(h35/180)(s0.23)(s0.68);

case

4

%

YCbCr顏色空間檢測(cè)方法

ycbcrMat=rgb2ycbcr(uint8(picMat));

cb=ycbcrMat(:,:,2);

cr=ycbcrMat(:,:,3);

skinBool=(cb=97.5)(cb=142.5)(cr=134)(cr=176);

figure();

imshow(uint8(skinBool.*255));

可以看出僅對(duì)于本圖片，HSV及YCbCr顏色空間檢測(cè)方法相對(duì)較好：

part.2皮膚區(qū)域標(biāo)記

%

刪除面積過(guò)小的區(qū)域

skinBool=bwareaopen(skinBool,50);

%

獲取每一個(gè)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(shí)skinLabel標(biāo)簽形式為：

1111222333333444......

假如，1有4個(gè)說(shuō)明被標(biāo)記為1的區(qū)域面積為4,對(duì)該序列進(jìn)行逐項(xiàng)做差能找出每個(gè)數(shù)值標(biāo)簽第一次出現(xiàn)的位置：

000100100000100......

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(guò)8-5=3次，那么找到每個(gè)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(gè)區(qū)域面積大小。

part.3通過(guò)皮膚區(qū)域特點(diǎn)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(gè)判斷為真)：

皮膚區(qū)域的個(gè)數(shù)小于3個(gè)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(guò)60個(gè)

%

皮膚區(qū)域的個(gè)數(shù)小于3個(gè)

flag1=length(Larea)

%

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(guò)60個(gè)

flag4=length(Larea)

%

滿足任意一項(xiàng)輸出否

isBlue=~any([flag1,flag2,flag3,flag4]);

本文實(shí)例圖片計(jì)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

nargin1

path='test.jpg';

picMat=imread(path);

picMat=double(picMat);

%%

========================================================================

%

使用其他皮膚檢測(cè)方法

%

可調(diào)節(jié)skinMethod為1/2/3/4

if

nargin2

skinMethod=3;

skinBool=[];

switch

skinMethod

case

1

%

RGB顏色空間檢測(cè)方法1

r=picMat(:,:,1);

g=picMat(:,:,2);

b=picMat(:,:,3);

skinBool=(r95)(g40)(g100)(b20)(max(picMat,[],3)-min(picMat,[],3)15)(abs(r-g)15)(rg)(r

case

2

%

RGB顏色空間檢測(cè)方法2

nrgb=sum(picMat,3);

r=picMat(:,:,1);nr=r./nrgb;

g=picMat(:,:,2);ng=g./nrgb;

b=picMat(:,:,3);

skinBool=(nr./ng1.185)(r.*b./(nrgb.^2)0.107)(r.*g./(nrgb.^2)0.112);

case

3

%

HSV顏色空間檢測(cè)方法

hsvMat=rgb2hsv(double(picMat)./255);

h=hsvMat(:,:,1);

s=hsvMat(:,:,2);

skinBool=(h0)(h35/180)(s0.23)(s0.68);

case

4

%

YCbCr顏色空間檢測(cè)方法

ycbcrMat=rgb2ycbcr(uint8(picMat));

cb=ycbcrMat(:,:,2);

cr=ycbcrMat(:,:,3);

skinBool=(cb=97.5)(cb=142.5)(cr=134)(cr=176);

figure();

imshow(uint8(skinBool.*255));

%%

========================================================================

%

刪除面積過(guò)小的區(qū)域

skinBool=bwareaopen(skinBool,50);

%

獲取每一個(gè)連通區(qū)域(皮膚區(qū)域)

skinLabel=bwlabel(skinBool);

skinLabel=sort(skinLabel(:))';

skinLabel(skinLabel==0)=[];

%

此時(shí)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(gè)說(shuō)明被標(biāo)記為1的區(qū)域面積為4

%

對(duì)該序列進(jìn)行逐項(xiàng)做差能找出每個(gè)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(jìn)而可以獲取每種標(biāo)簽所含點(diǎn)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(gè)數(shù)小于3個(gè)

flag1=length(Larea)

%

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(guò)60個(gè)

flag4=length(Larea)

%

滿足任意一項(xiàng)輸出否

isBlue=~any([flag1,flag2,flag3,flag4]);

批量處理部分

那么我