需求

需要对比两张图片，并识别出图片是否一致，如果不一致，则用矩形框圈出来。没错，这就像大家来找茬的游戏。

思考

图片是否一致，先用MD5校验，如果文件二进制MD5完全一致，那么两张图片肯定一样。
假设图片不一样，那则需要计算机视觉范畴解析图片并做出判断，并处理差异部分
针对差异部分，希望软件可以识别区域内有差距的地方，并用矩形框框选显示，用于客户快速定位。

百度一下

首先我认为这种方案应该是成熟的应用方案，网上一找肯定有，结果不出所料。经过大量的信息筛选，我这边选出了几个优秀的方案。（此刻，辣鸡百度真的费时费力，资料大多是些无用信息或者滥竽充数，此刻感叹需要一个ChatGPT）

准备两张原图

test3.png

第二张图片在第一章的基础上做一个红框和一个difference文字

test1.png

diffImg

软件下载地址 https://sourceforge.net/projects/diffimg/files/
是一款C端软件

下载，打开exe，打开两张图片，软件截图如下

image.png

差异图可保存，如下

diff.jpeg

总结：

可以看到差异百分比
可以看到图像不同的地方
研究了一下，没法更改差异的颜色，也无法框选

odiff

软件下载地址 https://github.com/dmtrKovalenko/odiff
开源软件，大家先上github看下介绍

参考github相关介绍，执行命令，如图
.\ODiffBin.exe --diff-color=#2f9b82 d:/temp/test1.png d:/temp/test3.png d:/temp/odiff.png
因为不同之处是红色，而这个软件默认的也是红色，所以命令指定了颜色输出

image.png

输出差异图图片

odiff.png

总结

输出有判断图片是否一致，不同的像素点数量，不同像素点百分比，输出不同点图片
可以指定输出不同区域像素颜色
无法框选不同区域，无法单独输出差异图

OPENCV+python

OPENCV 官网 https://opencv.org/
OPENCV github https://github.com/opencv/opencv

opencv百度百科介绍

OpenCV是一个基于Apache2.0许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上。^[1] 它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。

通过百度图片找茬关键字，大部分结果是基于opencv+python实现，当然，opencv的功能很强大，用于处理图片找茬只是一个简单应用，这里，我也做了简单测试

参考文档 https://pyimagesearch.com/2017/06/19/image-difference-with-opencv-and-python/

1. 安装python 及需要的库

安装 python
安装 pip install --upgrade scikit-image
安装 pip install --upgrade imutils
安装 pip install opencv-python

2. 编写python脚本

# import the necessary packages
from skimage.metrics import structural_similarity as compare_ssim
import argparse
import imutils
import cv2
import numpy as np

# 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"])



# 先判断两张图片是否一致
difference = cv2.subtract(imageA, imageB)
result = not np.any(difference) #if difference is all zeros it will return False
 
if result is True:
     print ("两张图片一样")
else:
     print ("两张图片不一样")


# convert the images to grayscale
grayA = cv2.cvtColor(imageA, cv2.COLOR_BGR2GRAY)
grayB = cv2.cvtColor(imageB, cv2.COLOR_BGR2GRAY)

# 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))

# 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)


# 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 这个是打开图片，这里不需要
#cv2.imshow("Original", imageA)
#cv2.imshow("Modified", imageB)
#cv2.imshow("Diff", diff)
#cv2.imshow("Thresh", thresh)


cv2.imwrite("Original.jpg",imageA)
cv2.imwrite("Modified.jpg",imageB)
cv2.imwrite("thresh.jpg",thresh)
cv2.imwrite("diff.jpg",diff)

# 

cv2.destroyAllWindows()

#cv2.waitKey(0)