图片差异检测与标注

在图像处理领域中，检测两张图片之间的差异是一项重要的任务。本文将介绍一个使用OpenCV库进行图片差异检测的简单示例代码，并详细注释每个步骤。

1. 引言

图片差异检测是在两张图片之间寻找差异点或区域的过程。这项技术可用于监测图像变化，如运动物体的出现或图片内容的修改。在这个示例代码中，我们将演示如何使用OpenCV检测两张图片之间的差异，并标注出差异的区域。

2. 代码示例

以下是一个使用OpenCV的图片差异检测示例代码，其中包含了详细的注释：

import cv2

import numpy as np

def detect(src_img, dst_img):

# 对原始图像和目标图像进行高斯模糊，以减少噪声影响

src_img = cv2.GaussianBlur(src_img, [5, 5], 0)

dst_img = cv2.GaussianBlur(dst_img, [5, 5], 0)

# 计算两张图像的差异

diff = cv2.absdiff(src_img, dst_img)

# 转换为灰度图

gray = cv2.cvtColor(diff, cv2.COLOR_BGR2GRAY)

# 应用阈值化，得到二值图像

_, result = cv2.threshold(gray, 20, 255, cv2.THRESH_BINARY)

# 对二值图像进行膨胀，突出差异区域

result = cv2.dilate(result, np.ones([5, 5]))

# 寻找差异区域的轮廓

contours, _ = cv2.findContours(result, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

areas = []

# 计算轮廓面积

for c in contours:

area = cv2.contourArea(c)

areas.append(area)

areas = np.array(areas)

# 获取面积最大的5个轮廓

index = np.argsort(areas)[-5:]

top5_contours = []

rect_pos = []

# 提取前5个轮廓，并获取其边界矩形的坐标

for i in range(5):

top5_contours.append(contours[index[i]])

for c in top5_contours:

# x y w h

rect_pos.append(cv2.boundingRect(c))

return rect_pos

# 读取原始图像和目标图像

src_img = cv2.imread("src_img.jpg")

dst_img = cv2.imread("dst_img.jpg")

# 调用差异检测函数，获取差异区域的矩形坐标

rects = detect(src_img, dst_img)

# 在目标图像上标注差异区域

for x, y, w, h in rects:

cv2.rectangle(dst_img, [x, y], [x + w, y + h], [0, 0, 255], 3)

# 显示原始图像和标注差异的目标图像

cv2.imshow("src_img", src_img)

cv2.imshow("dst_img", dst_img)

cv2.waitKey(0)

原图 识别并画框

3. 代码解释

3.1 图片预处理

首先，对原始图像和目标图像进行高斯模糊，以减少噪声的影响。

3.2 图片差异计算

通过absdiff函数计算两张图像之间的差异，得到差异图像。

3.3 灰度化与阈值化

将差异图像转换为灰度图，并通过阈值化得到二值图像，以突出差异。

3.4 膨胀操作

通过膨胀操作，增强差异区域，便于后续轮廓检测。

3.5 轮廓检测

使用findContours函数寻找差异区域的轮廓，并计算每个轮廓的面积。

3.6 提取前5个差异区域

通过面积排序，提取前5个面积最大的差异区域。

3.7 边界矩形提取与标注

提取差异区域的边界矩形坐标，并在目标图像上标注出这些差异区域。

4. 结论

通过上述代码示例，我们演示了如何使用OpenCV进行图片差异检测，并在目标图像上标注出差异区域。这项技术在图像比对、监控系统等领域有着广泛的应用，可以用于检测图像中的变化，帮助用户及时发现异常情况。详细的注释有助于理解代码的每一步操作，为初学者提供了一个学习的起点。

代码参考源自：Shady的混乱空间

推荐文章

评论可见，请评论后查看内容，谢谢！！！
 您阅读本篇文章共花了：