本次記錄的幾種截圖對比方式，主要是為了在進行手機自動化測試時，通過截圖對比來判斷測試的正確性，方式如下：
# -*- coding: utf-8 -*- ''' 用途：利用python實現多種方法來實現圖像識別 author:SYW ''' import cv2 import numpy as np from matplotlib import pyplot as plt # 最簡單的以灰度直方圖作為相似比較的實現 def classify_gray_hist(image1,image2,size = (256,256)): # 先計算直方圖 # 幾個參數必須用方括號括起來 # 這里直接用灰度圖計算直方圖，所以是使用第一個通道， # 也可以進行通道分離后，得到多個通道的直方圖 # bins 取為16 image1 = cv2.resize(image1,size) image2 = cv2.resize(image2,size) hist1 = cv2.calcHist([image1],[0],None,[256],[0.0,255.0]) hist2 = cv2.calcHist([image2],[0],None,[256],[0.0,255.0]) # 可以比較下直方圖 plt.plot(range(256),hist1,'r') plt.plot(range(256),hist2,'b') plt.show() # 計算直方圖的重合度 degree = 0 for i in range(len(hist1)): if hist1[i] != hist2[i]: degree = degree + (1 - abs(hist1[i]-hist2[i])/max(hist1[i],hist2[i])) else: degree = degree + 1 degree = degree/len(hist1) return degree # 計算單通道的直方圖的相似值 def calculate(image1,image2): hist1 = cv2.calcHist([image1],[0],None,[256],[0.0,255.0]) hist2 = cv2.calcHist([image2],[0],None,[256],[0.0,255.0]) # 計算直方圖的重合度 degree = 0 for i in range(len(hist1)): if hist1[i] != hist2[i]: degree = degree + (1 - abs(hist1[i]-hist2[i])/max(hist1[i],hist2[i])) else: degree = degree + 1 degree = degree/len(hist1) return degree # 通過得到每個通道的直方圖來計算相似度 def classify_hist_with_split(image1,image2,size = (256,256)): # 將圖像resize后，分離為三個通道，再計算每個通道的相似值 image1 = cv2.resize(image1,size) image2 = cv2.resize(image2,size) sub_image1 = cv2.split(image1) sub_image2 = cv2.split(image2) sub_data = 0 for im1,im2 in zip(sub_image1,sub_image2): sub_data += calculate(im1,im2) sub_data = sub_data/3 return sub_data # 平均哈希算法計算 def classify_aHash(image1,image2): image1 = cv2.resize(image1,(8,8)) #cv2.resize(源，目標，變換方法),將圖片變換成想要的尺寸 image2 = cv2.resize(image2,(8,8)) gray1 = cv2.cvtColor(image1,cv2.COLOR_BGR2GRAY) #cv2.cvtColor(input_image,flag)實現圖片顏色空間的轉換，flag 參數決定變換類型。如 BGR->Gray flag 就可以設置為 cv2.COLOR_BGR2GRAY 。 gray2 = cv2.cvtColor(image2,cv2.COLOR_BGR2GRAY) hash1 = getHash(gray1) hash2 = getHash(gray2) return Hamming_distance(hash1,hash2) def classify_pHash(image1,image2): image1 = cv2.resize(image1,(32,32)) image2 = cv2.resize(image2,(32,32)) gray1 = cv2.cvtColor(image1,cv2.COLOR_BGR2GRAY) gray2 = cv2.cvtColor(image2,cv2.COLOR_BGR2GRAY) # 將灰度圖轉為浮點型，再進行dct變換 dct1 = cv2.dct(np.float32(gray1)) dct2 = cv2.dct(np.float32(gray2)) # 取左上角的8*8，這些代表圖片的最低頻率 # 這個操作等價於c++中利用opencv實現的掩碼操作 # 在python中進行掩碼操作，可以直接這樣取出圖像矩陣的某一部分 dct1_roi = dct1[0:8,0:8] dct2_roi = dct2[0:8,0:8] hash1 = getHash(dct1_roi) hash2 = getHash(dct2_roi) return Hamming_distance(hash1,hash2) #輸入灰度圖，返回hash def getHash(image): avreage = np.mean(image) #np.mean()求取均值 hash = [] for i in range(image.shape[0]): for j in range(image.shape[1]): if image[i,j] > avreage: hash.append(1) else: hash.append(0) return hash # 計算漢明距離 def Hamming_distance(hash1,hash2): num = 0 for index in range(len(hash1)): if hash1[index] != hash2[index]: num += 1 return num #返回值越小，圖片相似度越高 if __name__ == '__main__': img1 = cv2.imread('E:\\p1\\1.png',cv2.IMREAD_COLOR) #讀入圖片，共2個參數，第一個參數為要讀入的圖片文件名，第二個參數為如何讀取圖片，包括cv2.IMREAD_COLOR讀入一幅彩色圖片,cv2.IMREAD_UNCHANGED讀入一幅彩色圖片，並包括alpha通道，cv2.IMREAD_GRAYSCALE已灰度模式讀入圖片 img2 = cv2.imread('E:\\p2\\2.png',cv2.IMREAD_COLOR) c_img1 = img1[200:400, 500:800] #截取圖片的某一部分 c_img2 = img2[200:400, 500:800] #syw,[200:400]控制的是高度，[500:800]控制的是長度，500代表的是x1，800代表的是x2 cv2.imshow('img1',c_img1) #創建一個窗口顯示圖片，共2個參數，第一個參數為”窗口顯示圖片的標題“可以創建多個窗口，但每個窗口都不能重名，第二個參數為讀入的圖片 cv2.imshow('img2',c_img2) #degree = classify_gray_hist(img1,img2) #degree = classify_hist_with_split(img1,img2) #degree = classify_pHash(img1,img2) #syw #degree = classify_pHash(c_img1,c_img2) degree = classify_aHash(c_img1,c_img2) print degree if degree == 0 or degree <10: print "pass" else: print "fail" cv2.waitKey(0) #鍵盤綁定函數。共一個函數，表示等待毫秒數，將等待特定的幾毫秒，看鍵盤是否有輸入，返回值是ASCII值，如果其參數為0，則表示無限期的等待鍵盤輸入 cv2.destroyAllWindows() #刪除建立的全部窗口 #cv2.destroyWindows(): #刪除指定的窗口