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
小裴(碎碎念版)15 分钟前
文件读写常用操作
开发语言·爬虫·python
TextIn智能文档云平台19 分钟前
图片转文字后怎么输入大模型处理
前端·人工智能·python
ujainu31 分钟前
Python学习第一天:保留字和标识符
python·学习·标识符·保留字
studytosky33 分钟前
深度学习理论与实战:反向传播、参数初始化与优化算法全解析
人工智能·python·深度学习·算法·分类·matplotlib
橙露1 小时前
二通道数显控制器:工业测控的“双管家”,视觉检测中的隐形助力
人工智能·计算机视觉·视觉检测
清水白石0081 小时前
《Python × 数据库:用 SQLAlchemy 解锁高效 ORM 编程的艺术》
开发语言·python·json
cccc来财1 小时前
角点检测算法:Harris 和 FAST 方法
算法·计算机视觉·特征提取
星依网络1 小时前
使用LabelImg工具标注数据(游戏辅助脚本开发)
python·游戏引擎·图形渲染·骨骼绑定
站大爷IP1 小时前
Appium实现Android应用数据爬取:从环境搭建到实战优化
python
IT老兵20252 小时前
PyTorch DDP多GPU训练实践问题总结
人工智能·pytorch·python·分布式训练·ddp