用canvas实现一个自动识别两张图片差异(图片找不同)的功能

本文介绍了如何利用canvas的API来实现一个自动识别两张图片差异的功能,涉及绘制图片、获取和设置像素信息等步骤,用于创建一个'一起来找茬'的小游戏。通过比较两个画布的像素差异,找到并统计不同点的坐标和差异信息。
摘要由CSDN通过智能技术生成

背景:有一天接到一个小游戏,里面有一个部分是 一起来找茬,一开始准备用设计给的坐标来写,但是发现好像不太符合程序员爱钻研的精神,于是就想着做一个能自动识别的,几经周折,后来决定用 canvas的像素来处理这个问题。

熟悉API

在处理图片找茬前,先啰嗦一下,canvas像素处理里面最重要的两个API ctx.getImageDatactx.putImageData,前者负责获取canvas像素信息,后者负责把像素信息绘制到canvas画布上。

处理像素前,首先得在画布上 画写东西,我们这里就以画两个图片为例,如下:

1.绘制图片
  ctx1.drawImage(img1, 0, 0, img1.width, img1.height, 0, 0, cavsW, cavsH);
  ctx2.drawImage(img2, 0, 0, img2.width, img2.height, 0, 0, cavsW, cavsH);
复制代码
2.获取像素的API ctx.getImageData

MDN上的解释是:

CanvasRenderingContext2D.getImageData()返回一个ImageData对象,用来描述canvas区域隐含的像素数据,这个区域通过矩形表示,起始点为(sx, sy)、宽为sw、高为sh。;

sx: 将要被提取的图像数据矩形区域的左上角 x 坐标。

sy: 将要被提取的图像数据矩形区域的左上角 y 坐标。

sw: 将要被提取的图像数据矩形区域的宽度。

sh: 将要被提取的图像数据矩形区域的高度。

返回值

一个ImageData 对象,包含canvas给定的矩形图像数据。其中,

ImageData.data: Uint8ClampedArray 描述了一个一维数组,包含以 RGBA 顺序的数据,数据使用 0 至 255(包含)的整数表示。

ImageData.height: 无符号长整型(unsigned long),使用像素描述 ImageData 的实际高度。

ImageData.width: 无符号长整型(unsigned long),使用像素描述 ImageData 的实际宽度。

下面,以一个宽高分别为750400的canvas画布为例:

ctx.getImageData(x,y, caves.width, canvas.height);
// 获取的是一个包含像素信息的对象,如下
ImageData = {
    data: Uint8ClampedArray(1200000), // 4 * 750 * 400
    width: 750,
    height: 400
}

复制代码

由于ImageData.data是一维数组,所以我们需要把canvas的像素平铺到一行,对应如下下面为canvas中坐标对应的的下标值的对应示意图

若点A坐标为 (x,y),canvas画布的宽度为width,则A的四个rgba信息是为第[n, n + 3]个

// 把二维坐标坐标转成一纬的序号
n =  y * width + x;

A.R = 4n
A.G = 4n + 1
A.B = 4n + 2
A.A = 4n + 3

复制代码
3. 绘制像素信息到 canvas画布的API,ctx.putImageData

对于ctx.putImageData, MDN上的解释是:

CanvasRenderingContext2D.putImageData() 是 Canvas 2D API 将数据从已有的 ImageData 对象绘制到位图的方法。 如果提供了一个绘制过的矩形,则只绘制该矩形的像素。此方法不受画布转换矩阵的影响。

void ctx.putImageData(imagedata, dx, dy);
void ctx.putImageData(imagedata, dx, dy, dirtyX, dirtyY, dirtyWidth, dirtyHeight);
复制代码

参数:

ImageData: 包含像素值的数组对象。

dx: 源图像数据在目标画布中的位置偏移量(x 轴方向的偏移量)。

dy: 源图像数据在目标画布中的位置偏移量(y 轴方向的偏移量)。

dirtyX: (可选) 在源图像数据中,矩形区域左上角的位置。默认是整个图像数据的左上角(x 坐标)。

dirtyY: (可选) 在源图像数据中,矩形区域左上角的位置。默认是整个图像数据的左上角(y 坐标ÿ

预处理:读取图片 第一步,缩小尺寸。 将图片缩小到8x8的尺寸,总共64个像素。这一步的作用是去除图片的细节,只保留结构、明暗等基本信息,摒弃不同尺寸、比例带来的图片差异。 第二步,简化色彩。 将缩小后的图片,转为64级灰度。也就是说,所有像素点总共只有64种颜色。 第三步,计算平均值。 计算所有64个像素的灰度平均值。 第四步,比较像素的灰度。 将每个像素的灰度,与平均值进行比较。大于或等于平均值,记为1;小于平均值,记为0。 第五步,计算哈希值。 将上一步的比较结果,组合在一起,就构成了一个64位的整数,这就是这张图片的指纹。组合的次序并不重要,只要保证所有图片都采用同样次序就行了。 得到指纹以后,就可以对比不同的图片,看看64位中有多少位是不一样的。在理论上,这等同于计算"汉明距离"(Hammingdistance)。如果不相同的数据位不超过5,就说明两张图片很相似;如果大于10,就说明这是两张不同的图片。 你可以将几张图片放在一起,也计算出他们的汉明距离对比,就可以看看两张图片是否相似。 这种算法的优点是简单快速,不受图片大小缩放的影响,缺点是图片的内容不能变更。如果在图片上加几个文字,它就认不出来了。所以,它的最佳用途是根据缩略图,找出原图。 实际应用中,往往采用更强大的pHash算法和SIFT算法,它们能够识别图片的变形。只要变形程度不超过25%,它们就能匹配原图。这些算法虽然更复杂,但是原理与上面的简便算法是一样的,就是先将图片转化成Hash字符串,然后再进行比较。 以上内容大部分直接从阮一峰的网站上复制过来,想看原著的童鞋可以去在最上面的链接点击进去看。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值