共计 2985 个字符，预计需要花费 8 分钟才能阅读完成。
AOE 工程实践 - 银行卡 OCR 里的图像处理
作者：杨科
近期我们开发了一个银行卡 OCR 项目。需求是用手机对着银行卡拍摄以后，通过推理，可以识别出卡片上的卡号。
工程开发过程中，我们发现手机拍摄以后的图像，并不能满足模型的输入要求。以 Android 为例，从摄像头获取到的预览图像是带 90 度旋转的 NV21 格式的图片，而我们的模型要求的输入，只需要卡片区域这一块的图像，并且需要转成固定尺寸的 BGR 格式。所以在图像输入到模型之前，我们需要对采集到的图像做图像处理，如下图所示：
在开发的过程中，我们对 YUV 图像格式和 libyuv 进行了研究，也积累了一些经验。
下文我们结合银行卡 OCR 项目，讲一讲里面涉及到的一些基础知识：
- 什么是 YUV 格式
- 如何对 YUV 图像进行裁剪
- 如何对 YUV 图像进行旋转
- 图像处理中的 Stride
- 如何进行缩放和格式转换
- libyuv 的使用
想要对采集到的 YUV 格式的图像进行处理，首先我们需要了解什么是 YUV 格式。
什么是 YUV 格式
YUV 是一种颜色编码方法，YUV，分为三个分量：
“Y”表示明亮度（Luminance 或 Luma），也就是灰度值；
“U”和“V”表示的则是色度（Chrominance 或 Chroma）。
主流的采样方式有三种，YUV4:4:4，YUV4:2:2，YUV4:2:0。
这部分专业的知识，网络上有详细的解释。我们简单理解一下，RGB 和 YUV 都使用三个值来描述一个像素点，只是这三个值的意义不同。通过固定的公式，我们可以对 RGB 和 YUV 进行相互转换。
工程里常见的 I420，NV21，NV12，都是属于 YUV420，每四个 Y 共用一组 UV 分量。YUV420 主要包含两种格式，YUV420SP 和 YUV420P。
- YUV420SP，先排列 Y 分量，UV 分量交替排列，例如：NV12: YYYYYYYY UVUV 和 NV21: YYYYYYYY VUVU (上文中我们在安卓上采集到的图像就是这种格式)。
- YUV420P，先排列 U(或者 V) 分量，再排列 V(或者 U) 分量。例如：I420: YYYYYYYY UU VV 和 YV12: YYYYYYYY VV UU。
了解了 YUV 的图像格式以后，我们就可以尝试对图片进行裁剪和旋转了。
我们的想法是先在图片上裁剪出银行卡的区域，再进行一次旋转。
如何对 YUV 图像进行裁剪
YUV420SP 和 YUV420P 裁剪的过程类似，以 YUV420SP 为例，我们要裁剪图中的这块区域：
在图上看起来就非常明显了，只要找到裁剪区域对应的 Y 分量和 UV 分量，按行拷贝到目标空间里就可以了。
我们再来看一张图，是否可以用上面的方法来裁剪图中的这块区域呢？
答案是否定的，如果你按照上面说的方法来操作，最后你会发现你保存出来的图，颜色基本是不对的，甚至会有内存错误。原因很简单，仔细观察一下，当 ClipLeft 或者 ClipTop 是奇数的时候，会导致拷贝的时候 UV 分量错乱。
如果把错误的图像数据输入到模型里面，肯定是得不到我们期望的结果的。所以我们在做裁剪的时候，需要规避掉奇数的场景，否则你会遇到意想不到的结果。
如何对 YUV 图像进行旋转
对上文裁剪后的图像做顺时针 90 度旋转，相比裁剪，转换要稍微复杂一些。
基本方法是一样的，拷贝对应的 Y 分量和 UV 分量到目标空间里。
在了解了裁剪和旋转的方法以后，我们发现在学习的过程中不可避免地遇到了 Stride 这个词。
那它在图像中的作用是什么呢？
图像处理中的 Stride
Stride 是非常重要的一个概念，Stride 指在内存中每行像素所占的空间，它是一个大于等于图像宽度的内存对齐的长度。如下图所示：
回过头来看我们上面说到的裁剪和旋转，是否有什么问题？
以 Android 上的 YV12 为例，Google Doc 里是这样描述的：
YV12 is a 4:2:0 YCrCb planar format comprised of a WxH Y plane followed by (W/2) x (H/2) Cr and Cb planes.
This format assumes
• an even width
• an even height
• a horizontal stride multiple of 16 pixels
• a vertical stride equal to the height
y_size = stride * height
c_stride = ALIGN(stride / 2, 16)
c_size = c_stride * height / 2
size = y_size + c_size * 2
cr_offset = y_size
cb_offize = y_size + c_size
所以在不同的平台和设备上，需要按照文档和 stride 来进行计算。例如计算 Buffer 的大小，很多文章都是简单的“*3/2”，仔细考虑一下，这其实是有问题的。
如果不考虑 stride，会有带来什么后果？如果“运气”足够好，一切看起来很正常。“运气”不够好，你会发现很多奇怪的问题，例如花屏，绿条纹，内存错误等等。这和我们平常工作中遇到的很多的奇怪问题一样，实际上背后都是有深层次的原因的。
经过裁剪和旋转，我们只需要把图像缩放成模型需要的尺寸，转成模型需要的 BGR 格式就可以了。
如何进行缩放和格式转换
以缩放为例，有临近插值，线性插值，立方插值，兰索斯插值等算法。YUV 和 RGB 之间的转换，转换的公式也有很多种，例如量化和非量化。这些涉及到专业的知识，需要大量的时间去学习和理解。
这么多的转换，我们是否都要自己去实现？
很多优秀的开源项目已经提供了完善的 API 给我们调用，例如 OpenCV，libyuv 等。我们需要做的是理解基本的原理，站在别人的肩膀上，做到心里有数，这样即使遇到问题，也能很快地定位解决。
经过调查和比较，我们选择了 libyuv 来做图像处理的库。libyuv 是 Google 开源的实现各种 YUV 与 RGB 之间相互转换、旋转、缩放的库。它是跨平台的，可在 Windows、Linux、Mac、Android 等操作系统，x86、x64、arm 架构上进行编译运行，支持 SSE、AVX、NEON 等 SIMD 指令加速。
libyuv 的使用
引入 libyuv 以后，我们只需要调用 libyuv 提供的相关 API 就可以了。
在银行卡 OCR 工程使用的过程中，我们主要遇到了 2 个问题：
1，在 Android 开发的初期，我们发现识别率和我们的期望存在一定的差距。
我们怀疑是模型的输入数据有问题，通过排查发现是使用 libyuv 的时候，没注意到它是 little endian。例如这个方法：int BGRAToARGB(…)，BGRA little endian，在内存里顺序实际是 ARGB。所以在使用的时候需要弄清楚你的数据在内存里是什么顺序的，修改这个问题后识别率达到了我们的预期。
2，在大部分机型上运行正常，但在部分机型上出现了 Native 层的内存异常。
通过多次定位，最后发现是 stride 和 buffersize 的计算错误引起的。
通过银行卡 OCR 项目，我们积累了相关的经验。另外，由于 libyuv 是 C/C++ 实现的，使用的时候不是那么的便捷。为了提高开发效率，我们提取了一个 Vision 组件，对 libyuv 封装了一层 JNI 接口，包括了一些基础的转换和一些 sample，这样使用起来更加简单方便了。作为 AOE SDK 里的图像处理组件，还在不断开发和完善中。
欢迎大家来使用和提建议：https://github.com/didi/aoe
