【Python】OpenCV-图片差异检测与标注

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:

python 复制代码
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

相关推荐
MSTcheng.18 分钟前
【AI应用实战】用 FastAPI + SSE 做一个自己的 AI 聊天网页:流式输出、多轮对话与完整源码
人工智能·python·大模型·fastapi·sse·ai聊天助手
乌暮22 分钟前
少写重复 CRUD:用大白话搞懂 MyBatis-Plus
java·开发语言·spring boot·面试·mybatis
不绝19137 分钟前
Lua基础语法入门:注释、变量类型与字符串操作
开发语言·lua
the局外人1 小时前
Python 实战检索优化:BM25、向量与重排
数据库·后端·python
__underline__1 小时前
冷门Python知识点006篇:Python 类体里的名字,能被"凭空造出来"
后端·python
Hhy_11071 小时前
《C++深度解构07》手撕 vector —— 从底层三指针架构到迭代器失效彻底吃透
c语言·开发语言·c++·学习·visual studio
风落青芜1 小时前
链式二叉树的实现与基本操作
c语言·开发语言·数据结构·算法
艾莉丝努力练剑2 小时前
【QT】系统相关:TCP的API介绍
开发语言·前端·c++·人工智能·qt·学习·tcp/ip
用户0332126663672 小时前
使用 Python 轻松移除 Excel 文档中的重复行
python·excel
LiaoWL1232 小时前
从零搭一个 RAG 知识库(二):换上语义 Embedding——BGE 实测与阈值重校准
python·大模型·numpy·embedding·向量检索·rag