自动化：图像相似度比较，并标记不一样的地方

1、大家来找茬https://testerhome.com/topics/11528

2、pip install numpy Matplotlib

pip install opencv-python

3、https://blog.csdn.net/ibaymin/article/details/74936742

4、网络代码，实现标记图片不一样处【https://blog.csdn.net/ibaymin/article/details/74936742】

 确保电脑上已安装 openCV 和 Python 两个工具以及scikit-image和imutils两个库

# -*- coding: utf-8 -*-
from skimage.measure import compare_ssim
import imutils
import cv2
#加载两张图片并将他们转换为灰度
imageA = cv2.imread(r"TEST1/70.png")
imageB = cv2.imread(r"TEST1/71.png")

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
(score,diff) = compare_ssim(grayA,grayB,full = True)
diff = (diff *255).astype("uint8")
print("SSIM:{}".format(score))

#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]
cnts = cv2.findContours(thresh.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if imutils.is_cv2() else cnts[1]

#找到一系列区域，在区域周围放置矩形
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("Modified",imageB)
cv2.imwrite("TEST1/72.png",imageB)
cv2.waitKey(0)

 

上述代码运行时出错：   

grayA = cv2.cvtColor(imageA, cv2.COLOR_BGR2GRAY)
cv2.error: OpenCV(3.4.1) C:\projects\opencv-python\opencv\modules\imgproc\src\color.cpp:11147: error: (-215) scn == 3 || scn == 4 in function cv::cvtColor
原因：输入的图片不存在，名称/格式输入错误

 标记效果如：

5、输出相似度值，代码二片段

# -*- coding: utf-8 -*-
from PIL import Image

def make_regalur_image(img, size=(256, 256)):
    return img.resize(size).convert('RGB')

# 几何转变，全部转化为256*256像素大小
def split_image(img, part_size=(64, 64)):
    w, h = img.size
    pw, ph = part_size
    assert w % pw == h % ph == 0
    return [img.crop((i, j, i + pw, j + ph)).copy() \
            for i in xrange(0, w, pw) \
            for j in xrange(0, h, ph)]

# region = img.crop(box)
# 将img表示的图片对象拷贝到region中，这个region可以用来后续的操作（region其实就是一个
# image对象，box是个四元组（上下左右））
def hist_similar(lh, rh):
    assert len(lh) == len(rh)
    return sum(1 - (0 if l == r else float(abs(l - r)) / max(l, r)) for l, r in zip(lh, rh)) / len(lh)

# 好像是根据图片的左右间隔来计算某个长度，zip是可以接受多个x,y,z数组值统一输出的输出语句
def calc_similar(li, ri):
    #   return hist_similar(li.histogram(), ri.histogram())
    return sum(
        hist_similar(l.histogram(), r.histogram()) for l, r in zip(split_image(li), split_image(ri))) / 16.0  # 256>64
    # 其中histogram()对数组x（数组是随机取样得到的）进行直方图统计，它将数组x的取值范围分为100个区间，
    # 并统计x中的每个值落入各个区间中的次数。histogram()返回两个数组p和t2，
    # 其中p表示各个区间的取样值出现的频数，t2表示区间。
    # 大概是计算一个像素点有多少颜色分布的
    # 把split_image处理的东西zip一下，进行histogram,然后得到这个值

def calc_similar_by_path(lf, rf):
    li, ri = make_regalur_image(Image.open(lf)), make_regalur_image(Image.open(rf))
    return calc_similar(li, ri)

def make_doc_data(lf, rf):
    li, ri = make_regalur_image(Image.open(lf)), make_regalur_image(Image.open(rf))
    li.save(lf + '_regalur.png')  # 转换图片格式:img.save('file.jpg'),保存临时的
    ri.save(rf + '_regalur.png')  # img对象到硬盘
    fd = open('stat.csv', 'w')  # stat模块是做随机变量统计的，stat用来计算随机变量的期望值和方差
    # 这句是关键啊，把histogram的结果进行map处理
    fd.write('\n'.join(l + ',' + r for l, r in zip(map(str, li.histogram()), map(str, ri.histogram()))))
    #   print >>fd, '\n'
    #   fd.write(','.join(map(str, ri.histogram())))
    fd.close()
    import ImageDraw
    li = li.convert('RGB')  # 与save对象，这是转换格式
    draw = ImageDraw.Draw(li)
    for i in xrange(0, 256, 64):
        draw.line((0, i, 256, i), fill='#ff0000')
        draw.line((i, 0, i, 256), fill='#ff0000')
        # 从始至终划线!!!!!!!!!!!!!!!通过把每一列刷成红色，来进行颜色的随机分布划分
        # 用法：pygame.draw.line(Surface, color, start_pos, end_pos, width=1)
    li.save(lf + '_lines.png')


if __name__ == '__main__':
    path = r'TEST%d/%d.png'
    for i in xrange(1, 2):
        print 'test_case_%d: %.3f%%' % (i, \
                                        calc_similar_by_path('TEST%d/%d.png' % (i, 1),
                                                             'TEST%d/%d.png' % (i, 1)) * 100)

    #   make_doc_data('test/TEST4/1.JPG', 'test/TEST4/2.JPG')