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
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