Web端CAD图形找不同？一键在Web端找出CAD图不同并对比分析

引言

在实际中，当多专业设计协助时，遇到图纸更新后，要对比图纸找出图纸的不同处，一直是一个比较耗时费力的事情，也是业内的一大痛点。一般CAD新旧图纸的内容对比，包括增加新的图形元素、减少原有的图形元素以及对原有的图形进行修改。传统的方式一般是在PC端CAD环境中实现对图纸比较的功能，然后随着互联网移动端技术的不断发展，如何摆脱CAD环境，在Web端轻松实现图纸对比功能呢？

实现思路

通常对比图纸不同有两种思路：

数据比较法

此方法是对图纸的原始数据进行比较分析。思路是通过遍历图纸中的所有实体元素，根据属性数据逐一比较差异性比较，找出不同处。

优点：算法准确。能定位出不同的实体对象。

缺点：图纸大时运算量大；同时，如果同一个实体删除了重新绘制会导致ObjectID发生变化，导致不好判断是否是同一个实体，算法实现难度大。

像素比较法

此方法是根据渲染后的图片进行比较。对图片的像素进行分析对比，找出不同的区域。

优点：速度快，算法实现相对容易。

缺点：只能定位出不同的区域，不能定位出具体是哪些实体。

在实际需求中，要求快速定位不同处，而无需定位到是哪些具体的实体对象。所以我们选用像素比较法来进行对比分析实现。

先上最终效果图如下：

同步对比分析效果：

地图卷帘效果效果:

算法分析

大家看到图片像素对比分析，肯定第一反应是这算法太简单了。一个个像素判断是否相等，然后就知道差异性了。如果这么想，那就是把问题想的太简单了。实际中，由于渲染时反锯齿的功能，会导致相同的绘制内容也会导致像素值细微的区别。而算法的核心就是把这些干扰因素给排除，找到真正差异的部分。

图片相似度计算方法总结

余弦相似度

把图片表示成一个向量，通过计算向量之间的余弦距离来表征两张图片的相似度

具体算法可参考 https://zhuanlan.zhihu.com/p/93893211

直方图

按照某种距离度量的标准对两幅图像的直方图进行相似度的测量

具体算法可参考 https://zhuanlan.zhihu.com/p/274429582

哈希算法

感知哈希可以用来判断两个图片的相似度，通常可以用来进行图像检索。感知哈希算法对每一张图片生成一个“指纹”，通过比较两张图片的指纹，来判断他们的相似度，是否属于同一张图片。常用的有三种：平均哈希（aHash），感知哈希（pHash），差异值哈希（dHash）.

具体算法可参考 https://blog.csdn.net/qq_32799915/article/details/81000437?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2~default~CTRLIST~Rate-1-81000437-blog-83271885.pc_relevant_aa&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2~default~CTRLIST~Rate-1-81000437-blog-83271885.pc_relevant_aa&utm_relevant_index=2

像素匹配pixelmatch

利用像素之间的匹配来计算相似度。

https://github.com/whtsky/pixelmatch-py

实现

我们基于BS模式对图片进行对比分析找出不同处。在服务端实现解析CAD图纸，生成像素图片；利用pixelmatch算法找出不同处。在浏览器端加载CAD图并显示出不同的地方。

（1） Web端在线打开CAD图

如何在Web网页端展示CAD图形(唯杰地图云端图纸管理平台 https://vjmap.com/app/cloud),这个在前面的博文中已讲过，这里不再重复，有需要的朋友可下载工程源代码研究下。

(2) 把CAD图转成图片

因为唯杰地图采用的把CAD图转成GIS数据渲染的思路，所以可以通过提供的WMS服务，渲染成指定像素大小的图片。这里为了对比结果准确，可以把渲染的级别设置大点，得到的图片像素大小也变大，更加清晰，对比结果更准确。

接口如下:

/**
 * wms服务url地址接口
 */
export  interface IWmsTileUrl {
    /** 地图ID(为空时采用当前打开的mapid)， 为数组时表时同时请求多个. */
    mapid?: string | string[];
    /** 地图版本(为空时采用当前打开的地图版本). */
    version?: string | string[];
    /** 图层名称（为空时采用当前打开的地图图层名称). */
    layers?: string | string[];
    /** 范围，缺省{bbox-epsg-3857}. (如果要获取地图cad一个范围的wms数据无需任何坐标转换，将此范围填cad范围,srs,crs,mapbounds填为空).*/
    bbox?: string;
    /** 当前坐标系,缺省(EPSG:3857). */
    srs?: string;
    /** cad图的坐标系，为空的时候由元数据坐标系决定. */
    crs?: string | string[];
    /** 地理真实范围，如有值时,srs将不起作用 */
    mapbounds?: string;
    /** 宽. */
    width?: number;
    /** 高. */
    height?: number;
    /** 是否透明. */
    transparent?: boolean;
    /** 四参数(x偏移,y偏移,缩放，旋转弧度)，可选，对坐标最后进行修正*/
    fourParameter?: string | string[];
    /** 是否是矢量瓦片. */
    mvt?: boolean;
    /** 是否考虑旋转，在不同坐标系中转换是需要考虑。默认自动考虑是否需要旋转. */
    useImageRotate?: boolean;
}

(3) 像素对比分析算法

其反锯齿像素对比核心算法代码如下

uint8_t blend(uint8_t c, double a) {
    return 255 + (c - 255) * a;
}

double rgb2y(uint8_t r, uint8_t g, uint8_t b) { return r * 0.29889531 + g * 0.58662247 + b * 0.11448223; }
double rgb2i(uint8_t r, uint8_t g, uint8_t b) { return r * 0.59597799 - g * 0.27417610 - b * 0.32180189; }
double rgb2q(uint8_t r, uint8_t g, uint8_t b) { return r * 0.21147017 - g * 0.52261711 + b * 0.31114694; }

// 使用YIQ NTSC传输颜色空间测量感知色差”计算色差

double colorDelta(const uint8_t* img1, const uint8_t* img2, std::size_t k, std::size_t m, bool yOnly = false) {
    double a1 = double(img1[k + 3]) / 255;
    double a2 = double(img2[m + 3]) / 255;

    uint8_t r1 = blend(img1[k + 0], a1);
    uint8_t g1 = blend(img1[k + 1], a1);
    uint8_t b1 = blend(img1[k + 2], a1);

    uint8_t r2 = blend(img2[m + 0], a2);
    uint8_t g2 = blend(img2[m + 1], a2);
    uint8_t b2 = blend(img2[m + 2], a2);

    double y = rgb2y(r1, g1, b1) - rgb2y(r2, g2, b2);

    if (yOnly) return y; // 仅亮度差

    double i = rgb2i(r1, g1, b1) - rgb2i(r2, g2, b2);
    double q = rgb2q(r1, g1, b1) - rgb2q(r2, g2, b2);

    return 0.5053 * y * y + 0.299 * i * i + 0.1957 * q * q;
}

void drawPixel(uint8_t* output, std::size_t pos, uint8_t r, uint8_t g, uint8_t b) {
    output[pos + 0] = r;
    output[pos + 1] = g;
    output[pos + 2] = b;
    output[pos + 3] = 255;
}

double grayPixel(const uint8_t* img, std::size_t i) {
    double a = double(img[i + 3]) / 255;
    uint8_t r = blend(img[i + 0], a);
    uint8_t g = blend(img[i + 1], a);
    uint8_t b = blend(img[i + 2], a);
    return rgb2y(r, g, b);
}

// 检查像素是否可能是抗锯齿的一部分
bool antialiased(const uint8_t* img, std::size_t x1, std::size_t y1, std::size_t width, std::size_t height, const uint8_t* img2 = nullptr) {
    std::size_t x0 = x1 > 0 ? x1 - 1 : 0;
    std::size_t y0 = y1 > 0 ? y1 - 1 : 0;
    std::size_t x2 = std::min(x1 + 1, width - 1);
    std::size_t y2 = std::min(y1 + 1, height - 1);
    std::size_t pos = (y1 * width + x1) * 4;
    uint64_t zeroes = 0;
    uint64_t positives = 0;
    uint64_t negatives = 0;
    double min = 0;
    double max = 0;
    std::size_t minX = 0, minY = 0, maxX = 0, maxY = 0;

    // 穿过8个相邻像素
    for (std::size_t x = x0; x <= x2; x++) {
        for (std::size_t y = y0; y <= y2; y++) {
            if (x == x1 && y == y1) continue;

            // 中心像素和相邻像素之间的亮度增量
            double delta = colorDelta(img, img, pos, (y * width + x) * 4, true);

            // 计算相等、较暗和较亮相邻像素的数量
            if (delta == 0) zeroes++;
            else if (delta < 0) negatives++;
            else if (delta > 0) positives++;

            // 如果找到两个以上相同的同级，则绝对不是抗锯齿
            if (zeroes > 2) return false;

            if (!img2) continue;

            // 记得最暗的像素
            if (delta < min) {
                min = delta;
                minX = x;
                minY = y;
            }
            // 记住最亮的像素
            if (delta > max) {
                max = delta;
                maxX = x;
                maxY = y;
            }
        }
    }

    if (!img2) return true;

    // 如果同级之间没有较暗和较亮的像素，则不是抗锯齿
    if (negatives == 0 || positives == 0) return false;

    // 如果最暗或最亮的像素在两幅图像中都有两个以上相同的同级
	//（绝对不是反走样），该像素是反走样的
    return (!antialiased(img, minX, minY, width, height) && !antialiased(img2, minX, minY, width, height)) ||
           (!antialiased(img, maxX, maxY, width, height) && !antialiased(img2, maxX, maxY, width, height));
}

}

(4) 前端调用算法并展示

vjmap