Python对比两张CAD图并标记差异的解决方案

以下是使用Python对比两张CAD图并标记差异的解决方案,结合图像处理和CAD结构分析:


一、环境准备与库选择

  1. 图像处理库:使用OpenCV进行图像差异检测、颜色空间转换和轮廓分析。
  2. CAD解析库 :若为DXF格式,使用ezdxf解析实体信息(如块、线条、圆等)。
  3. 几何计算库scikit-image用于结构相似性(SSIM)和仿射变换匹配。
python 复制代码
import cv2
import ezdxf
from skimage.metrics import structural_similarity

二、关键步骤实现

1. 加载与预处理
  • 图像格式 :使用OpenCV读取图片并转换为灰度图,进行高斯模糊去噪。

    python 复制代码
    left_img = cv2.imread("left.png")
    right_img = cv2.imread("right.png")
    gray_left = cv2.cvtColor(left_img, cv2.COLOR_BGR2GRAY)
    gray_right = cv2.cvtColor(right_img, cv2.COLOR_BGR2GRAY)
  • DXF格式 :通过ezdxf提取实体坐标和属性。

    python 复制代码
    doc_left = ezdxf.readfile("left.dxf")
    doc_right = ezdxf.readfile("right.dxf")
2. 红框区域检测
  • 颜色阈值法 :在HSV空间识别红色区域,提取红框坐标。

    python 复制代码
    hsv = cv2.cvtColor(right_img, cv2.COLOR_BGR2HSV)
    lower_red = np.array([0, 50, 50])
    upper_red = np.array([10, 255, 255])
    mask = cv2.inRange(hsv, lower_red, upper_red)
    contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
3. 差异检测
  • 图像差异法 :通过像素对比标记新增部件。

    python 复制代码
    diff = cv2.absdiff(gray_left, gray_right)
    _, thresh = cv2.threshold(diff, 30, 255, cv2.THRESH_BINARY)
  • 实体对比法(DXF) :遍历右图实体,检查是否存在于左图。

    python 复制代码
    right_entities = {entity.dxf.handle for entity in doc_right.modelspace()}
    left_entities = {entity.dxf.handle for entity in doc_left.modelspace()}
    new_entities = right_entities - left_entities
4. 旋转匹配检测
  • 仿射变换匹配 :对左图零件进行旋转,与右图红框区域计算相似度。

    python 复制代码
    (height, width) = right_roi.shape[:2]
    center = (width // 2, height // 2)
    rotation_matrix = cv2.getRotationMatrix2D(center, angle=90, scale=1)
    rotated_left = cv2.warpAffine(left_roi, rotation_matrix, (width, height))
    ssim_score = structural_similarity(rotated_left, right_roi)
    if ssim_score > 0.8:  # 阈值可调整
        cv2.rectangle(right_img, (x, y), (x+w, y+h), (0, 255, 0), 2)  # 标记为旋转后的零件
5. 结果标记
  • 在右图中用绿色框标记旋转后的零件,用红色框标记完全新增的零件。

    python 复制代码
    for (x, y, w, h) in new_contours:
        cv2.rectangle(right_img, (x, y), (x+w, y+h), (0, 0, 255), 2)

三、优化与注意事项

  1. 阈值调整:根据实际图像质量调整SSIM相似度阈值(如0.7-0.9)。
  2. 多角度旋转匹配:若旋转角度未知,可遍历0°-360°以寻找最大匹配值。
  3. 矢量数据优先:若为DXF文件,直接对比实体属性更高效。

示例输出效果

  • 红色框:右图新增的独立零部件。
  • 绿色框:左图零件经旋转后存在于右图的区域。

通过结合图像差异和几何变换匹配,可精准识别新增与变换的零件。若需完整代码或参数调优细节,可进一步提供CAD样本文件。

相关推荐
孫治AllenSun43 分钟前
【算法】图相关算法和递归
windows·python·算法
AI纪元故事会3 小时前
【计算机视觉目标检测算法对比:R-CNN、YOLO与SSD全面解析】
人工智能·算法·目标检测·计算机视觉
音视频牛哥3 小时前
SmartMediaKit:如何让智能系统早人一步“跟上现实”的时间架构--从实时流媒体到系统智能的演进
人工智能·计算机视觉·音视频·音视频开发·具身智能·十五五规划具身智能·smartmediakit
读研的武3 小时前
DashGo零基础入门 纯Python的管理系统搭建
开发语言·python
Andy4 小时前
Python基础语法4
开发语言·python
音视频牛哥4 小时前
超清≠清晰:视频系统里的分辨率陷阱与秩序真相
人工智能·机器学习·计算机视觉·音视频·大牛直播sdk·rtsp播放器rtmp播放器·smartmediakit
mm-q29152227294 小时前
Python+Requests零基础系统掌握接口自动化测试
开发语言·python
电院工程师6 小时前
SIMON64/128算法Verilog流水线实现(附Python实现)
python·嵌入式硬件·算法·密码学
Python图像识别7 小时前
75_基于深度学习的咖啡叶片病害检测系统(yolo11、yolov8、yolov5+UI界面+Python项目源码+模型+标注好的数据集)
python·深度学习·yolo