本次记录的几种截图对比方式,主要是为了在进行手机自动化测试时,通过截图对比来判断测试的正确性,方式如下:
# -*- coding: utf- -*- '''
用途:利用python实现多种方法来实现图像识别
author:SYW
''' import cv2
import numpy as np
from matplotlib import pyplot as plt # 最简单的以灰度直方图作为相似比较的实现
def classify_gray_hist(image1,image2,size = (,)):
# 先计算直方图
# 几个参数必须用方括号括起来
# 这里直接用灰度图计算直方图,所以是使用第一个通道,
# 也可以进行通道分离后,得到多个通道的直方图
# bins 取为16
image1 = cv2.resize(image1,size)
image2 = cv2.resize(image2,size)
hist1 = cv2.calcHist([image1],[],None,[],[0.0,255.0])
hist2 = cv2.calcHist([image2],[],None,[],[0.0,255.0])
# 可以比较下直方图
plt.plot(range(),hist1,'r')
plt.plot(range(),hist2,'b')
plt.show()
# 计算直方图的重合度
degree =
for i in range(len(hist1)):
if hist1[i] != hist2[i]:
degree = degree + ( - abs(hist1[i]-hist2[i])/max(hist1[i],hist2[i]))
else:
degree = degree +
degree = degree/len(hist1)
return degree # 计算单通道的直方图的相似值
def calculate(image1,image2):
hist1 = cv2.calcHist([image1],[],None,[],[0.0,255.0])
hist2 = cv2.calcHist([image2],[],None,[],[0.0,255.0])
# 计算直方图的重合度
degree =
for i in range(len(hist1)):
if hist1[i] != hist2[i]:
degree = degree + ( - abs(hist1[i]-hist2[i])/max(hist1[i],hist2[i]))
else:
degree = degree +
degree = degree/len(hist1)
return degree # 通过得到每个通道的直方图来计算相似度
def classify_hist_with_split(image1,image2,size = (,)):
# 将图像resize后,分离为三个通道,再计算每个通道的相似值
image1 = cv2.resize(image1,size)
image2 = cv2.resize(image2,size)
sub_image1 = cv2.split(image1)
sub_image2 = cv2.split(image2)
sub_data =
for im1,im2 in zip(sub_image1,sub_image2):
sub_data += calculate(im1,im2)
sub_data = sub_data/
return sub_data # 平均哈希算法计算
def classify_aHash(image1,image2):
image1 = cv2.resize(image1,(,)) #cv2.resize(源,目标,变换方法),将图片变换成想要的尺寸
image2 = cv2.resize(image2,(,))
gray1 = cv2.cvtColor(image1,cv2.COLOR_BGR2GRAY) #cv2.cvtColor(input_image,flag)实现图片颜色空间的转换,flag 参数决定变换类型。如 BGR->Gray flag 就可以设置为 cv2.COLOR_BGR2GRAY 。
gray2 = cv2.cvtColor(image2,cv2.COLOR_BGR2GRAY)
hash1 = getHash(gray1)
hash2 = getHash(gray2)
return Hamming_distance(hash1,hash2) def classify_pHash(image1,image2):
image1 = cv2.resize(image1,(,))
image2 = cv2.resize(image2,(,))
gray1 = cv2.cvtColor(image1,cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(image2,cv2.COLOR_BGR2GRAY)
# 将灰度图转为浮点型,再进行dct变换
dct1 = cv2.dct(np.float32(gray1))
dct2 = cv2.dct(np.float32(gray2))
# 取左上角的8*8,这些代表图片的最低频率
# 这个操作等价于c++中利用opencv实现的掩码操作
# 在python中进行掩码操作,可以直接这样取出图像矩阵的某一部分
dct1_roi = dct1[:,:]
dct2_roi = dct2[:,:]
hash1 = getHash(dct1_roi)
hash2 = getHash(dct2_roi)
return Hamming_distance(hash1,hash2) #输入灰度图,返回hash
def getHash(image):
avreage = np.mean(image) #np.mean()求取均值
hash = []
for i in range(image.shape[]):
for j in range(image.shape[]):
if image[i,j] > avreage:
hash.append()
else:
hash.append()
return hash # 计算汉明距离
def Hamming_distance(hash1,hash2):
num =
for index in range(len(hash1)):
if hash1[index] != hash2[index]:
num +=
return num #返回值越小,图片相似度越高 if __name__ == '__main__':
img1 = cv2.imread('E:\\p1\\1.png',cv2.IMREAD_COLOR) #读入图片,共2个参数,第一个参数为要读入的图片文件名,第二个参数为如何读取图片,包括cv2.IMREAD_COLOR读入一幅彩色图片,cv2.IMREAD_UNCHANGED读入一幅彩色图片,并包括alpha通道,cv2.IMREAD_GRAYSCALE已灰度模式读入图片
img2 = cv2.imread('E:\\p2\\2.png',cv2.IMREAD_COLOR)
c_img1 = img1[:, :] #截取图片的某一部分
c_img2 = img2[:, :] #syw,[200:400]控制的是高度,[500:800]控制的是长度,500代表的是x1,800代表的是x2
cv2.imshow('img1',c_img1) #创建一个窗口显示图片,共2个参数,第一个参数为”窗口显示图片的标题“可以创建多个窗口,但每个窗口都不能重名,第二个参数为读入的图片
cv2.imshow('img2',c_img2)
#degree = classify_gray_hist(img1,img2)
#degree = classify_hist_with_split(img1,img2)
#degree = classify_pHash(img1,img2) #syw
#degree = classify_pHash(c_img1,c_img2)
degree = classify_aHash(c_img1,c_img2)
print degree
if degree == or degree <:
print "pass"
else:
print "fail"
cv2.waitKey() #键盘绑定函数。共一个函数,表示等待毫秒数,将等待特定的几毫秒,看键盘是否有输入,返回值是ASCII值,如果其参数为0,则表示无限期的等待键盘输入
cv2.destroyAllWindows() #删除建立的全部窗口
#cv2.destroyWindows(): #删除指定的窗口