首先我们得确保电脑上已安装 openCV 和 Python 两个工具以及scikit-image和imutils两个库:
from skimage.metrics import structural_similarity
import argparse
import imutils
import cv2
#加载两张图片:
#注意,从文件路径复制来的斜杠是反的,记得更改,且用英文路径,图片格式为jpg,否则会报错
imageA = cv2.imread("C:/Users/user/Desktop/auto/TargetPicture/radio.jpg")
imageB = cv2.imread("C:/Users/user/Desktop/auto/TargetPicture/radio0_end.jpg")
#将他们转换为灰度:
grayA = cv2.cvtColor(imageA,cv2.COLOR_BGR2GRAY)
grayB = cv2.cvtColor(imageB,cv2.COLOR_BGR2GRAY)
#计算两个灰度图像之间的结构相似度指数:
#不过ssim多用于压缩图片后的失真度比较。。
(score,diff) = structural_similarity(grayA,grayB,full = True)
diff = (diff *255).astype("uint8")
#找到不同点的轮廓以致于我们可以在被标识为“不同”的区域周围放置矩形:
thresh = cv2.threshold(diff,0,255,cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
#cv2.findContours()函数返回两个值,一个是轮廓本身,还有一个是每条轮廓对应的属性。
#其首先返回一个list,list中每个元素都是图像中的一个轮廓
cnts = cv2.findContours(thresh.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
"""注意cv版本,下面这一行会出现下列问题:
OpenCV 3 改为cv2.findContours(...)返回值为image, contours, hierarchy,
OpenCV 2 cv2.findContours(...)和OpenCV 4 的cv2.findContours(...)返回值为contours, hierarchy。"""
#把contour轮廓储存在cnts这个list列表里
cnts = cnts[1] if imutils.is_cv2() else cnts[0]
#找到一系列区域,在区域周围放置矩形:
"""
cv2.rectangle(imageA,(x,y),(x+w,y+h),(0,0,255),2) 参数解释
第一个参数:img是原图
第二个参数:(x,y)是矩阵的左上点坐标
第三个参数:(x+w,y+h)是矩阵的右下点坐标
第四个参数:(0,0,255)是画线对应的rgb颜色
第五个参数:2是所画的线的宽度
"""
for c in cnts:
(x,y,w,h) = cv2.boundingRect(c)
cv2.rectangle(imageA,(x,y),(x+w,y+h),(0,0,255),2)
cv2.rectangle(imageB,(x,y),(x+w,y+h),(0,0,255),2)
#用cv2.imshow 展现最终对比之后的图片, cv2.imwrite 保存最终的结果图片
cv2.imshow("differ",imageB)
cv2.imwrite("differ.png",imageB)
cv2.waitKey(0)