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。

YUV420SP

YUV420P

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。那么，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：

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

创作场景

AOE 工程实践：银行卡 OCR 里的图像处理