使用OpenCV做图像对比

OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习库，由Intel于1999年发起。它包含了大量的计算机视觉和机器学习的通用算法，是计算机视觉领域最常用的库之一。下面是一些基本的OpenCV使用步骤和示例。

1. 安装OpenCV

首先，你需要在你的计算机上安装OpenCV。这通常可以通过pip（Python的包管理器）来完成。在命令行中输入以下命令：

pip install opencv-python

或者，如果你需要包含额外模块（如视频处理或机器学习），可以使用：

	pip install opencv-python-headless
	pip install opencv-contrib-python

2. 读取图像

使用OpenCV读取图像非常简单。以下是一个基本的示例：

	import cv2
	# 读取图像
	image = cv2.imread('path_to_your_image.jpg')
	# 显示图像
	cv2.imshow('Image', image)
	# 等待按键，0表示无限等待
	cv2.waitKey(0)
	# 销毁所有窗口
	cv2.destroyAllWindows()

3. 图像处理

OpenCV提供了大量的图像处理功能，如灰度化、二值化、滤波等。以下是一个将图像转换为灰度的示例：

	import cv2
	# 读取图像
	image = cv2.imread('path_to_your_image.jpg')
	# 转换为灰度图像
	gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
	# 显示灰度图像
	cv2.imshow('Gray Image', gray_image)
	# 等待按键，0表示无限等待
	cv2.waitKey(0)
	# 销毁所有窗口
	cv2.destroyAllWindows()

4. 特征检测和对象识别

OpenCV也提供了特征检测和对象识别的功能，如使用Haar级联进行人脸检测或使用HOG+SVM进行行人检测。这些功能通常需要预先训练的模型。

5. 视频处理

OpenCV也支持视频处理，包括读取视频文件、捕获摄像头视频、视频帧处理等。以下是一个读取视频文件的示例：

	import cv2
	# 打开视频文件
	cap = cv2.VideoCapture('path_to_your_video.mp4')
	while(True):
	# 逐帧捕获
	ret, frame = cap.read()
	if not ret:
	break
	# 显示结果帧
	cv2.imshow('Frame', frame)
	if cv2.waitKey(1) & 0xFF == ord('q'):
	break
	# 完成所有操作后，释放cap对象
	cap.release()
	cv2.destroyAllWindows()

6. 机器学习和深度学习

OpenCV也包含了机器学习和深度学习的功能，允许你训练自己的模型或使用预训练的模型进行推理。这通常涉及到更复杂的代码和概念，但OpenCV提供了丰富的文档和示例来帮助你入门。

7. 文档和社区资源

OpenCV的官方文档非常详尽，是学习和使用OpenCV的重要资源。此外，社区论坛、Stack Overflow和GitHub等平台上也有大量的教程和示例代码，可以帮助你解决遇到的问题。

注意事项

• OpenCV默认使用BGR颜色空间而不是常见的RGB，因此在处理颜色时需要特别注意。
• OpenCV的图像数据通常以NumPy数组的形式存储，这使得它很容易与其他Python库（如NumPy、SciPy和Matplotlib）集成。

方案设计

1、将彩色图片转为灰度图

gray_img1 = cv2.imread(img1, cv2.IMREAD_GRAYSCALE)gray_img2 = cv2.imread(img2, cv2.IMREAD_GRAYSCALE)

2、通过将gray_img2灰度图调整为gray_img1灰度图大小，保持两张图片的大小一致。

height1, width1 = gray_img1.shape[:2]height2, width2 = gray_img2.shape[:2]gray_img2 = cv2.resize(gray_img1, (width1, height1))

3、为gray_img2和gray_img1通过结构相似性计算得到的差异图。

(score, diff) = structural_similarity(gray_img1, gray_img2 , full=True)diff = (diff * 255).astype("uint8")

4、获取差异图后，再经过阈值处理和边界检测，获得差异性区域；

thresh = cv2.threshold(diff, 0, 255,                       cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,                        cv2.CHAIN_APPROX_SIMPLE)cnts = imutils.grab_contours(cnts)for c in cnts:    # images differ    (x, y, w, h) = cv2.boundingRect(c)    cv2.rectangle(img1, (x, y), (x + w, y + h), (0, 0, 255), 2)    cv2.rectangle(img2, (x, y), (x + w, y + h), (0, 0, 255), 2)