重磅干貨，第一時(shí)間送達(dá)

本文轉(zhuǎn)自:AI算法與圖像處理

我想應(yīng)該很多人都玩過騰訊的這款游戲《大家來找茬》，想當(dāng)年不知道多少人用鼠標(biāo)對(duì)著美女圖一頓輸出，就是找不到哪里不一樣。

今天我們要用到圖像技術(shù)可以應(yīng)用到這個(gè)上面。

今天，我們將使用擴(kuò)展ssim（結(jié)構(gòu)相似性索引）方法，以便使用OpenCV和python可視化圖像之間的差異。具體來說，我們將在兩個(gè)輸入圖片的不同處繪制邊界框。

為了計(jì)算兩張圖片的不同，我們將使用結(jié)構(gòu)相似性索引（由wang等人首次提出）。在他們的2004年論文中，圖像質(zhì)量評(píng)估：從可視化誤差到結(jié)構(gòu)相似性。該方法已經(jīng)在scikit-image庫中應(yīng)用于圖像處理。

https://ece.uwaterloo.ca/~z70wang/publications/ssim.pdf

要去學(xué)習(xí)的技巧是我們?nèi)绾稳?zhǔn)確確定圖片不同點(diǎn)的坐標(biāo)位置（x，y）。

要實(shí)現(xiàn)這一點(diǎn)，首先我們要確定系統(tǒng)已經(jīng)安裝好python、OpenCV、scikit-image和imutils。

你可以使用下面的OpenCV安裝教程學(xué)習(xí)如何在系統(tǒng)上配置和安裝python和OpenCV。

https://www.pyimagesearch.com/opencv-tutorials-resources-guides/

如果你還沒安裝或更新scikit-image包，你可以使用下面的操作：

pip3 install --upgrade scikit-image

同樣的，如果你還為安裝或更新imutils，你可以使用下面的操作：

pip3 install --upgrade imutils

現(xiàn)在我們的系統(tǒng)已經(jīng)準(zhǔn)備好了，可以繼續(xù)往下操作了。

計(jì)算圖片的差異

思考：你能分辨出下面這兩幅圖片的區(qū)別嗎？

你可能會(huì)馬上注意到這個(gè)差異，或者說花費(fèi)一點(diǎn)時(shí)間。不管怎樣，這都說明了比較圖片的差異是一個(gè)重要的方面——有時(shí)圖片的差異是微小的——這將導(dǎo)致肉眼難以立刻發(fā)現(xiàn)這些差異（文章的后面會(huì)有一個(gè)這樣子的例子）。

為什么計(jì)算圖片的差異如此重要？

http://www1.icsi.berkeley.edu/~sadia/papers/phishzoo-icsc_final.pdf

# 導(dǎo)入必要的包from skimage.measure import compare_ssimimport argparseimport imutilsimport cv2
# 構(gòu)造解析參數(shù)ap = argparse.ArgumentParser()ap.add_argument("-f","--first",required=True,               help="first input image")ap.add_argument("-s","second",required=True,               help="second")args = vars(ap.parse_args())

# 導(dǎo)入圖片imageA = cv2.imread(args["--first"])imageB = cv2.imread(args["--second"])
# 把圖片轉(zhuǎn)換為灰度圖grayA = cv2.cvtColor(imageA, cv2.COLOR_BGR2GRAY)grayB = cv2.cvtColor(imageB, cv2.COLOR_BGR2GRAY)

然后我們將其轉(zhuǎn)為灰度圖（第6-7行）

接下來，開始計(jì)算兩會(huì)在那個(gè)圖片之間的結(jié)構(gòu)相似性索引（SSIM）

# 計(jì)算兩張圖片的結(jié)構(gòu)相似性索引# 確保差分圖片(score, diff) = compare_ssim(grayA, grayB, full=True)diff = (diff*255).astype("uint8")print("SSIM:{}".format(score))

在第3行中使用scikit-image中的compare_ssim函數(shù)，我們計(jì)算得到一個(gè)score和差分圖片diff

現(xiàn)在，找到這些輪廓，這樣我們可以在被標(biāo)識(shí)為“不同”的區(qū)域畫出矩形。

#　閾值分割差分圖像，然后查找輪廓以獲得兩個(gè)輸入圖片的不同區(qū)域thresh = cv2.threshold(diff, 0, 255,                      cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,                        cv2.CHAIN_APPROX_SIMPLE)cnts = imutils.grab_contours(cnts)

在第2-3行中，我們使用cv2.THRESH_BINARY_INV  和 cv2.THRESH_OTSU來閾值處理我們的差分圖片——這兩個(gè)設(shè)置使用豎線或符號(hào) “|” 來同時(shí)應(yīng)用。

https://docs.opencv.org/trunk/d7/d4d/tutorial_py_thresholding.html

中文版的：cv2.threshold參數(shù)詳細(xì)說明如下：

https://blog.csdn.net/sinat_21258931/article/details/61418681

# 遍歷輪廓for c in cnts:  # 計(jì)算輪廓的邊界框，然后在兩張輸入圖片中代表圖片不同點(diǎn)的區(qū)域繪制邊界框  (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) # 顯示輸出圖片cv2.imshow("Original", imageA)cv2.imshow("Modified", imageB)cv2.imshow("Diff", diff)cv2.imshow("Thresh", thresh)cv2.waitKey(0)

python3 image_diff.py --first images/original_02.png --second images/modified_02.png

如下圖所示，安全芯片和賬戶持有者的姓名都被刪除。

再嘗試另一個(gè)例子，一張支票。

python3 image_diff.py --first images/original_03.png --second images/modified_03.png

• 名字被刪除
• 支票編號(hào)被刪除
• 日期旁邊的符號(hào)被刪除
• 最后的名字被刪除

今天的文章，我們學(xué)習(xí)了如何使用OpenCV、python和scikit-image的結(jié)構(gòu)相似性所有（SSIM）來計(jì)算圖片的不同點(diǎn)?；趫D片的不同點(diǎn)，我們也學(xué)習(xí)了如何標(biāo)記和可視化兩張圖片中的不同區(qū)域,后臺(tái)回復(fù)“找不同”獲取源碼和示例圖片

更多關(guān)于SSIM的內(nèi)容，可以參考https://www.pyimagesearch.com/2014/09/15/python-compare-two-images/和scikit-image的文檔https://scikit-image.org/docs/dev/api/skimage.measure.html#skimage.measure.compare_ssim

https://www.pyimagesearch.com/2017/06/19/image-difference-with-opencv-and-python/