自动化技术-图像识别

1. 白屏检测：使用OpenCV来判断，首先通过pyautogui库获取屏幕截图，然后将其转成灰度图像，接着计算灰度图像的平均值，如果平均值大于阈值则为白屏

   import cv2
   import numpy as np
   import pyautogui
   
   # 获取屏幕截图
   screenshot = pyautogui.screenshot()
   screenshot = np.array(screenshot)
   screenshot = cv2.cvtColor(screenshot, cv2.COLOR_RGB2BGR)
   
   # 转换为灰度图像
   gray = cv2.cvtColor(screenshot, cv2.COLOR_BGR2GRAY)
   
   # 计算灰度图像的平均值
   average_color = np.mean(gray)
   
   # 设置白屏的阈值
   threshold = 200  # 这里可以根据实际情况调整
   
   # 判断屏幕是否为白屏
   if average_color > threshold:
       print("屏幕为白屏")
   else:
       print("屏幕不是白屏")
   

2. 图像对比：使用OpenCV来进行对比，将两张图片都转成灰度图像，使用SIFT特征检测器来提取关键点和描述符，使用暴力匹配器BFMacher来匹配这些描述符，最后根据匹配的数量计算了图片的相似度

   import cv2
   
   # 加载两张图片
   image1 = cv2.imread('image1.jpg')
   image2 = cv2.imread('image2.jpg')
   
   # 将图片转换为灰度图像
   gray_image1 = cv2.cvtColor(image1, cv2.COLOR_BGR2GRAY)
   gray_image2 = cv2.cvtColor(image2, cv2.COLOR_BGR2GRAY)
   
   # 计算两张灰度图像的结构相似度指数（SSIM）
   sift = cv2.SIFT_create()
   keypoints_1, descriptors_1 = sift.detectAndCompute(gray_image1, None)
   keypoints_2, descriptors_2 = sift.detectAndCompute(gray_image2, None)
   
   bf = cv2.BFMatcher()
   matches = bf.knnMatch(descriptors_1, descriptors_2, k=2)
   
   good_matches = []
   for m, n in matches:
       if m.distance < 0.75 * n.distance:
           good_matches.append([m])
   
   similarity = len(good_matches) / len(keypoints_1) * 100
   print("图片相似度: {:.2f}%".format(similarity))