对比标记两张图片的差异

python环境:python3.8
依赖模块

scikit-image==0.21.0
opencv-python==4.9.0.80
imutils==0.5.4

import os
import cv2
import imutils

from skimage.metrics import structural_similarity

def cmp_picture(base_pic_path, cmp_pic_path, diff_pic_storage_dir_path=None):
    """
    对比图片
    :param base_pic_path: 基准图片路径
    :param cmp_pic_path: 对比图片路径
    :param diff_pic_storage_dir_path: 指定存储矩形标记的差异图片目录路路径,不指定存放当前目录下
    :return: 基于对比图片生成的对差异的地方用矩形标记的图片的绝对路径
    """
    # 加载两张图片
    base_pic_ndarray = cv2.imread(base_pic_path)
    cmp_pic_ndarray = cv2.imread(cmp_pic_path)
    # 对比图片与基准图片大小对齐
    height, width, channels = base_pic_ndarray.shape
    cmp_pic_ndarray = cv2.resize(cmp_pic_ndarray, (width, height))
    # 灰度处理
    base_pic_gray_ndarray = cv2.cvtColor(base_pic_ndarray, cv2.COLOR_BGR2GRAY)
    cmp_pic_gray_ndarray = cv2.cvtColor(cmp_pic_ndarray, cv2.COLOR_BGR2GRAY)
    # 计算两个灰度图像之间的结构相似度指数：score和差异矩阵
    # 不过ssim多用于压缩图片后的失真度比较
    score, diff = structural_similarity(base_pic_gray_ndarray, cmp_pic_gray_ndarray, full=True)
    diff = (diff * 255).astype("uint8")
    # 找到不同点的轮廓以致于我们可以在被标识为“不同”的区域周围放置矩形：
    thresh = cv2.threshold(diff, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
    # cv2.findContours()函数返回两个值，一个是轮廓本身，还有一个是每条轮廓对应的属性。
    # 其首先返回一个list，list中每个元素都是图像中的一个轮廓
    cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    # 注意cv版本，下面这一行会出现下列问题：
    # OpenCV 3 改为cv2.findContours(...)返回值为image, contours, hierarchy，
    # OpenCV 2 cv2.findContours(...)和OpenCV 4 的cv2.findContours(...)返回值为contours, hierarchy。
    # 把contour轮廓储存在cnts这个list列表里
    cnts = cnts[1] if imutils.is_cv2() else cnts[0]
    # 找到一系列区域，在区域周围放置矩形：
    # cv2.rectangle(imageA,(x,y),(x+w,y+h),(0,0,255),2)  参数解释
    # 第一个参数：img是原图
    # 第二个参数：（x，y）是矩阵的左上点坐
    # 第三个参数：（x+w，y+h）是矩阵的右下点坐标
    # 第四个参数：（0,0,255）是画线对应的rgb颜色
    # 第五个参数：1是所画的线的宽度
    for c in cnts:
        x, y, w, h = cv2.boundingRect(c)
        cv2.rectangle(cmp_pic_ndarray, (x, y), (x + w, y + h), (0, 0, 255), 1)
    # 保存差异图片
    cmp_pic_name = "diff_" + cmp_pic_path.split(os.sep)[-1]
    if diff_pic_storage_dir_path:
        os.makedirs(diff_pic_storage_dir_path, exist_ok=True)
        diff_pic_path = os.path.join(diff_pic_storage_dir_path, cmp_pic_name)
    else:
        diff_pic_path = os.path.join(".", cmp_pic_name)
    cv2.imwrite(diff_pic_path, cmp_pic_ndarray)
    return os.path.abspath(diff_pic_path)

if __name__ == '__main__':
    print(cmp_picture(r"C:\Users\xxx\Pictures\Saved Pictures\1.jpg",
                r"C:\Users\xxx\Pictures\Saved Pictures\2.jpg"))

对比图片并返回差异图片的数据流,方便网络传输并在前端显示

import os
import cv2
import base64
import imutils

from skimage.metrics import structural_similarity

def cmp_and_get_diff_picture_streams(base_pic_path, cmp_pic_path):
    """
    对比图片并返回差异图片的数据流,方便网络传输
    需要在HTML的`<img>`标签中直接显示由数据流生成的JPEG图片时，应当使用"data URI scheme",
    src属性前缀应加上"data:image/jpeg;base64," 
    具体示例如下： <img src="data:image/jpeg;base64,{{encodedImageData}}"> 其中
     "{{encodedImageData}}" 是一个占位符，表示已编码为Base64格式的JPEG图片数据流
    :param base_pic_path: 基准图片路径
    :param cmp_pic_path: 对比图片路径
    :return: (标记差异矩阵后的基础图片数据流, 标记差异矩阵后的对比图片数据流)
    """
    # 加载两张图片
    base_pic_ndarray = cv2.imread(base_pic_path)
    cmp_pic_ndarray = cv2.imread(cmp_pic_path)
    # 对比图片与基准图片大小对齐
    height, width, channels = base_pic_ndarray.shape
    cmp_pic_ndarray = cv2.resize(cmp_pic_ndarray, (width, height))
    # 灰度处理
    base_pic_gray_ndarray = cv2.cvtColor(base_pic_ndarray, cv2.COLOR_BGR2GRAY)
    cmp_pic_gray_ndarray = cv2.cvtColor(cmp_pic_ndarray, cv2.COLOR_BGR2GRAY)
    # 计算两个灰度图像之间的结构相似度指数：score和差异矩阵
    # 不过ssim多用于压缩图片后的失真度比较
    score, diff = structural_similarity(base_pic_gray_ndarray, cmp_pic_gray_ndarray, full=True)
    diff = (diff * 255).astype("uint8")
    # 找到不同点的轮廓以致于我们可以在被标识为“不同”的区域周围放置矩形：
    thresh = cv2.threshold(diff, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
    # cv2.findContours()函数返回两个值，一个是轮廓本身，还有一个是每条轮廓对应的属性。
    # 其首先返回一个list，list中每个元素都是图像中的一个轮廓
    cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    # 注意cv版本，下面这一行会出现下列问题：
    # OpenCV 3 改为cv2.findContours(...)返回值为image, contours, hierarchy，
    # OpenCV 2 cv2.findContours(...)和OpenCV 4 的cv2.findContours(...)返回值为contours, hierarchy。
    # 把contour轮廓储存在cnts这个list列表里
    cnts = cnts[1] if imutils.is_cv2() else cnts[0]
    # 找到一系列区域，在区域周围放置矩形：
    # cv2.rectangle(imageA,(x,y),(x+w,y+h),(0,0,255),2)  参数解释
    # 第一个参数：img是原图
    # 第二个参数：（x，y）是矩阵的左上点坐
    # 第三个参数：（x+w，y+h）是矩阵的右下点坐标
    # 第四个参数：（0,0,255）是画线对应的rgb颜色
    # 第五个参数：2是所画的线的宽度
    for c in cnts:
        x, y, w, h = cv2.boundingRect(c)
        cv2.rectangle(base_pic_ndarray, (x, y), (x + w, y + h), (0, 0, 255), 2)  # 给基准图片标记差异矩阵
        cv2.rectangle(cmp_pic_ndarray, (x, y), (x + w, y + h), (0, 0, 255), 2)   # 给对比图片标记差异矩阵
    # 对图像进行编码，例如转换为JPEG格式
    # 参数1是目标格式（扩展名），参数2是要编码的图像矩阵
    # 这里的cv2.IMWRITE_JPEG_QUALITY参数用于设置JPEG编码的质量等级，范围通常是从0到100。尽管设置为100能够获得最好的质量，
    # 但JPEG始终是一种有损压缩格式，这意味着即使在最高质量设置下仍会有一定程度的信息丢失。如果你需要真正的无损存储，则应选择PNG等支持无损压缩的格式。
    _, base_pic_buffer = cv2.imencode('.jpg', base_pic_ndarray, [int(cv2.IMWRITE_JPEG_QUALITY), 100])  # 可以设置压缩质量等参数
    _, cmp_pic_buffer = cv2.imencode('.jpg', cmp_pic_ndarray, [int(cv2.IMWRITE_JPEG_QUALITY), 100])  # 可以设置压缩质量等参数
    # 将此数据流转换为base64字符串以便在网络传输中使用
    # decode成可打印的字符串形式 现在你可以发送或保存 base64_str 或 data_stream
    return base64.b64encode(base_pic_buffer.tobytes()).decode('utf-8'), \
        base64.b64encode(cmp_pic_buffer.tobytes()).decode('utf-8')