Python实现对比两张图片并标记差异

目录

• 一、环境准备与库选择
• 二、关键步骤实现
• 1. 加载与预处理
• 2. 红框区域检测
• 3. 差异检测
• 4. 旋转匹配检测
• 5. 结果标记
• 三、优化与注意事项
• 四、方法补充

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

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。

CAD解析库：若为DXF格式，使用ezdxf解析实体信息（如块、线条、圆等）。

几何计算库：scikit-image用于结构相似性（SSIM）和仿射变换匹配。

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。

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。

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。

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。

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。

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。

(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。

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

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）。

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。

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。

四、方法补充

1.基于openCV和python的skimage查找并标记两张图片的不同

代码实现

导入图像处理库

from skimage.metrics import structural_similarity as compare_ssim
import imutils
import cv2
import numpy as np

读取图片

image = "C:/Users/ts/Desktop/img/screenshot.png"
imageCompare = "C:/Users/ts/Desktop/img/screenshot1.png"
image= cv2.imdecode(np.fromfile(image, dtype=np.uint8), -1)
image_compare= cv2.imdecode(np.fromfile(image_compare, dtype=np.uint8), -1)

调整对比的两张图片尺寸一样

h1, w1,c1 = image.shape
h2, w2,c2= imageCompare.shape
image_compare = cv2.resize(image_compare ,dsize=(w1,h1))

图片转灰度图

gray_image= cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
gray_image_ompare = cv2.cvtColor(image_compare ,cv2.COLOR_BGR2GRAY)

使用structural_similarity对比获取图像相似度和不同

(score,diff) = compare_ssim(gray_image,gray_image_ompare ,full = True)
diff = (diff *255).astype("uint8")
retval,thresh = cv2.threshold(diff,200,255,cv2.THRESH_BINARY_INV)
 #参数thresh：阈值，用于确定像素是否应该被视为前景或背景，调测下来200比较合适
cnts=cv2.findContours(thttp://www.devze.comhresh.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[1] if imutils.is_cv3() else cnts[0]
loacation_list =[]
for c in cnts:
     js (x,y,w,h) = cv2.boundingRect(c)  
      loacation_list.append((x,y,x+w,y+h))

圈出不同并标记序号

for index,item in enumerate(loacation_list):
    #圈出不同    
    x,y,x1,y1 = item
    cv2.rectangle(imageA,(x,y),(x1,y1),(0,0,255),2)
    cv2.rectangle(imageB,(x,y),(x1,y1),(0,0,255),2)
    #不同处添加序号
    imageA = cv2.putText(imageA,str(index+编程客栈1), (x,y+24), cv2.FONT_HER编程客栈SHEY_DUPLEX, 1, (0, 0, 255))

2.使用OpenCV比较两张图片的相似度

实现代码

import org.opencv.core.Core;
import org.opencv.core.Mat;
import org.opencv.core.MatOfFloat;
import org.opencv.core.MatOfInt;
import org.opencv.imgcodecs.Imgcodecs;
import org.opencv.imgproc.Imgproc;

import Java.util.Arrays;

public class ImageSimilarity {

   static {
        // 设置库路径
        System.setProperty("java.library.path", "D:\\anzhuang\\opencv\\opencv\\build\\java\\x64");
        // 加载 OpenCV 库
        System.loadLibrary(Core.NATIVE_LIBRARY_NAME);
    }

    /**
     * 比较两张图片的相似度
     * @param imgPath1 图片1的路径
     * @param imgPath2 图片2的路径
     * @return 相似度值（范围：0到1，1表示完全相同）
     */
    public static double compareImages(String imgPath1, String imgPath2) {
        // 加载图片
        Mat img1 = Imgcodecs.imread(imgPath1);
        Mat img2 = Imgcodecs.imread(imgPath2);

        // 转换为灰度图
        Mat grayImg1 = new Mat();
        Mat grayImg2 = new Mat();
        Imgproc.cvtColor(img1, grayImg1, Imgproc.COLOR_BGR2GRAY);
        Imgproc.cvtColor(img2, grayImg2, Imgproc.COLOR_BGR2GRAY);

        // 计算直方图
        Mat hist1 = new Mat();
        Mat hist2 = new Mat();
        MatOfInt histSize = new MatOfInt(256); // 直hQVhcCxd方图大小
        MatOfFloat ranges = new MatOfFloat(0f, 256f); // 像素值范围
        Imgproc.calcHist(Arrays.asList(grayImg1), new MatOfInt(0), new Mat(), hist1, histSize, ranges);
        Imgproc.calcHist(Arrays.asList(grayImg2), new MatOfInt(0), new Mat(), hist2, histSize, ranges);

        // 比较直方图
        return Imgproc.compareHist(hist1, hist2, Imgproc.CV_COMP_CORREL);
    }

    public static void main(String[] args) {
        String imgPath1 = "path/to/image1.jpg";
        String imgPath2 = "path/to/image2.jpg";

        double similarity = compareImages(imgPath1, imgPath2);
        System.out.println("图片相似度: " + similarity);
    }
}

到此这篇关于Python实现对比两张图片并标记差异的文章就介绍到这了,更多相关Python图片对比内容请搜索编程客栈(www.devze.com)以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程客栈(www.devze.com)！