原文地址：-Image Difference with Opencv and Python-
本文是原作者之前提到的SSIM方法的一种延申，本文主要利用Opencv和Python依据SSIM来实现两幅图片不同之处的可视化。运行环境python3/opencv3
利用原作者的图片，通过调整阈值，本文可以得到非常好的结果，但是使用网络上的找茬图片，存在很多的噪声，效果不是很好，原因多在于图片经过了裁剪、旋转、移位、压缩等操作，后续继续研究另外一位作者cangyan的思路和方法。
原文效果图
image_difference_output_02
1.计算不同
我们肉眼可以轻松识别下面两幅图的不同之处：右图右下角缺少一个logo。
image_difference_input
我们可以立刻找到两幅图片的不同，也许要花一点点时间，但是当两幅图片的差别特别细微的时候，我们肉眼几乎是分辨不出的。
那么，识别图片的不同为什么这么重要呢？
比较常见的一个问题就是钓鱼网站，攻击者利用几乎一模一样的图片制作一个高仿的银行网站，迷惑那些毫无戒心的网友。
对比网站logo以及及时熟知网站的用户界面在很大程度上可以防止钓鱼攻击。相比于两幅图的比较，钓鱼网站检测系统将更为复杂，但我们仍然可以使用已有的知识来判别图像是否做了手脚。
读入图片
原文代码：
# import the necessary packages
from skimage.measure import compare_ssim
import argparse
import imutils
import cv2
# construct the argument parse and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-f", "--first", required=True,
help="first input image")
ap.add_argument("-s", "--second", required=True,
help="second")
args = vars(ap.parse_args())
# load the two input images
imageA = cv2.imread(args["first"])
imageB = cv2.imread(args["second"])
# convert the images to grayscale
grayA = cv2.cvtColor(imageA, cv2.COLOR_BGR2GRAY)
grayB = cv2.cvtColor(imageB, cv2.COLOR_BGR2GRAY)
查找轮廓函数cv2.findcontours需要图片是二值图，所以先将图片由BGR转为gray；
image_difference_grayscale
接下来，计算两幅图之间的SSIM，由于
diff的值范围[0, 1]，为了可以用Opencv进一步操作，将其转换为[0, 255]；参考代码：
# compute the Structural Similarity Index (SSIM) between the two
# images, ensuring that the difference image is returned
(score, diff) = compare_ssim(grayA, grayB, full=True)
diff = (diff * 255).astype("uint8")
print("SSIM: {}".format(score))
然后，调整阈值，获得二值图，再利用Opencv找到两幅图内容差异diff的轮廓，并用矩形标出来；
参考代码：
# threshold the difference image, followed by finding contours to
# obtain the regions of the two input images that differ
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)
原文作者考虑的甚是周全，考虑到用户的Opencv版本可能不同，使用了imutils.grab_contours()函数，具体可以参考imutils.grab_contours源码
# if the length the contours tuple returned by cv2.findContours
# is '2' then we are using either OpenCV v2.4, v4-beta, or
# v4-official
if len(cnts) == 2:
cnts = cnts[0]
# if the length of the contours tuple is '3' then we are using
# either OpenCV v3, v4-pre, or v4-alpha
elif len(cnts) == 3:
cnts = cnts[1]
# otherwise OpenCV has changed their cv2.findContours return
# signature yet again and I have no idea WTH is going on
else:
raise Exception(("Contours tuple must have length 2 or 3, "
"otherwise OpenCV changed their cv2.findContours return "
"signature yet again. Refer to OpenCV's documentation "
"in that case"))
# return the actual contours array
return cnts
显示得到的二值图，效果非常理想；
image_difference_thresh
使用红色矩形圈出“不同之处”的轮廓；
image_difference_output_01
参考代码：
# loop over the contours
for c in cnts:
# compute the bounding box of the contour and then draw the
# bounding box on both input images to represent where the two
# images differ
(x, y, w, h) = cv2.boundingRect(c)
cv2.rectangle(imageA, (x, y), (x + w, y + h), (0, 0, 255), 2)
cv2.rectangle(imageB, (x, y), (x + w, y + h), (0, 0, 255), 2)
# show the output images
cv2.imshow("Original", imageA)
cv2.imshow("Modified", imageB)
cv2.imshow("Diff", diff)
cv2.imshow("Thresh", thresh)
cv2.waitKey(0)
2.图片不同可视化
使用下面的命令，可以很好的发现两幅图片的不同：
$ python image_diff.py --first images/original_02.png --second images/modified_02.png
image_difference_output_02 (1)
image_difference_output_03
3.个人测试
详细代码参考：myGithub
使用网络图片2，得到了400多个轮廓，画出轮廓面积最大的10个结果，可以看到得到了较好的判定结果，除了发现不同之外，还多出了3处；
individual result2
使用网络图片1，效果相比差点，虽然也发现了稍有的几处不同，但误判的区域更占多数，主要原因更多是图片的质量问题，右边稍有压缩痕迹。
individual result1
总结
利用Opencv/Python/Skimage计算的SSIM，我们实现了两幅图之间的差异可视化效果，要得到完全正确的结果，前提要保证变动的部分是严格在原始图上进行的操作，而且内容要重合好，这样可以得到像原作者文中的效果。
网友评论