计算机视觉识别新增物品笔记一

应工作要求，识别固定摄像头前后两个图片中新增物品的部分，抠出新增物品的像素，其它背景则进行删除。

本系列只作为笔记来写不作为教程， 难免会有些照顾不周，请多包涵。
先上原背景图

再来一张新物品图

没错就是多加了一把钥匙而已。现实情况远比这个复杂。先由简单到复杂。

百度了一下， 一般思路是新图减去背景图的所得的就是新增物品图。
按照这种思路代码如下。

import numpy as np
import matplotlib.image as mpimg # mpimg 用于读取图片
import matplotlib.pyplot as plt # plt 用于显示图片

beijngtu = mpimg.imread('beijingtu.jpg') # 背景图 读取和代码处于同一目录下的 
yaoshitu = mpimg.imread('yaoshitu.jpg') # 钥匙图
newtu = np.abs(yaoshitu-beijngtu ) 
print(beijngtu.shape)
#whereExpress =  (newtu > 50) #构造对原始数据进行筛选的条件
#newtu2 = np.where(whereExpress,newtu,0) #把满足条件的选择出来,原封不动的保存,不满足条件的元素置零

#newtu = np.where(newtu > 20)
#print(type(lena))
# 此时 lena 就已经是一个 np.array 了，可以对它进行任意处理
#newtu.shape #(512, 512, 3)


plt.imshow(newtu) # 显示图片
plt.axis('off') # 不显示坐标轴
plt.show()

效果如下图，人眼是看不出来的，可是电脑能看出来。多了很多的杂波。这些杂波是由于光线变化，阴影，摄像头抖动，摄像头自动变焦。 等问题引起的微小变化。在计算机里能清楚的看清楚变化。人眼是识别不到这么小的变化的， 这并不是退化而是一种为了适应环境而改进的能力。 如果没有这种忽略微小细节的能力，那么我们人类在古战场中估计早就被淘汰了。

那么问题来了， 如何忽略这种微小变化呢？
人眼来看一片嘈杂，那么 -100 试试看代码改成下面的

newtu = np.abs(yaoshitu-beijngtu - 100) # 多减去了100，

然后后面是各种方法进行处理。得到的效果始终是无法完全删除背景中的像素。图中由于自动变焦引起的轮廓仍然还存在（图中左上角的鼠标键盘还能看出来，右边的机箱也还能看出来。）

今天是第一次尝试， 后面会继续更新尝试
总结了一下需要解决的分为两个问题。
一，光线变化引起的每个像素色差问题，相减带来的效果就是一片嘈杂。
解决方案：
1.像素数值阶梯化，通俗点讲就是先把每个像素四舍五入，然后再相减就去掉的比较完整了。.
2.当然也可以过滤掉像素差值比较小的数值。
3.也可以使用其它滤镜。

二：还需要再处理抖动或变焦引起的像素移位。
1.暂无好方法。也许降采样会是个好方法。

对于有经验的人来讲，也许会告诉我怎么怎么弄。 直接给我代码
但是我感觉不如自己想出来的来得爽。重在过程嘛。。 当你各种方法都试过之后你就会发现已经成为专家了。而我乐于享受这种过程， 挺好玩的。

后来做了第二版，请移步至
计算机视觉识别新增物品笔记二