在OpenCV Python中检测/提取图像之间的最大差异

我正在做一个射击模拟器项目，我必须从图像中检测弹孔。我正在尝试区分两幅图像，这样我就可以在图像之间检测到新的洞，但它没有按预期工作。在这两幅图像之间，由于相机帧之间的轻微移动，先前的弹孔中有微小的变化

我的第一张照片在这里

before.png

第二个在这里

after.png

我尝试了这个代码来检查差异

导入cv2
将numpy作为np导入
before=cv2.imread（“before.png”）after=cv2.imread（“after.png”）
结果=之后-之前
cv2.imwrite（“result.png”，result）

我在result.png中得到的结果是下图

result.png

但这不是我所期望的，我只想探测新的洞 但它显示的是与前一幅图像的一些像素的差异。 我期待的结果是

expected.png

请帮我弄清楚，这样它只能检测出很大的差异

提前谢谢

---

任何新想法都将受到欢迎。

为了找出两幅图像之间的差异，您可以利用中引入的结构相似性指数（SSIM）。此方法已在图像处理库中实现。您可以使用

pip install scikit image

安装

scikit image

使用scikit图像中的

compare_ssim（）

函数，它返回一个

score

和一个差分图像

diff

。

得分

表示两个输入图像之间的结构相似性指数，可以在[-1,1]范围内，数值更接近表示更高相似性的数值。但是，由于您只对两个图像的不同之处感兴趣，因此

diff

图像就是您要查找的内容。

diff

图像包含两个图像之间的实际图像差异

接下来，我们使用

cv2.findContours（）

查找所有轮廓，并过滤最大轮廓。最大轮廓应代表新检测到的差异，因为微小差异应小于添加的项目符号

这是两幅图像之间检测到的最大差异

这是两幅图像之间的实际差异。注意所有的差异是如何被捕捉到的，但由于新的子弹很可能是最大的轮廓，我们可以过滤掉相机帧之间的所有其他轻微移动。

注意：如果我们假设新子弹在

diff

图像中具有最大的轮廓，则此方法非常有效。如果最新的孔较小，则可能必须遮罩现有区域，以及新图像中的任何新轮廓都将是新孔（假设图像将是带白孔的均匀黑色背景）

下面是另一个具有不同输入图像的示例。SSIM非常适合检测图像之间的差异

---

这是我的方法：在我们从另一个中减去一个之后，仍然有一些噪声，所以我只是尝试去除这些噪声。我将图像按大小的百分位数进行分割，并对图像的每个小部分进行前后比较，以便只剩下大量的白色像素。当存在遮挡时，即当新快照与现有快照重叠时，该算法缺乏精度

import cv2 
import numpy as np

# This is the percentage of the width/height we're gonna cut
# 0.99 < percent < 0.1
percent = 0.01 

before = cv2.imread("before.png")
after = cv2.imread("after.png")

result =  after - before # Here, we eliminate the biggest differences between before and after

h, w, _ = result.shape

hPercent = percent * h
wPercent = percent * w

def isBlack(crop): # Function that tells if the crop is black
    mask = np.zeros(crop.shape, dtype = int)
    return not (np.bitwise_or(crop, mask)).any()

for wFrom in range(0, w, int(wPercent)): # Here we are gonna remove that noise
    for hFrom in range(0, h, int(hPercent)):
        wTo = int(wFrom+wPercent)
        hTo = int(hFrom+hPercent)
        crop = result[wFrom:wTo,hFrom:hTo] # Crop the image

        if isBlack(crop): # If it is black, there is no shot in it
            continue    # We dont need to continue with the algorithm

        beforeCrop = before[wFrom:wTo,hFrom:hTo] # Crop the image before

        if  not isBlack(beforeCrop): # If the image before is not black, it means there was a hot already there
            result[wFrom:wTo,hFrom:hTo] = [0, 0, 0] # So, we erase it from the result

cv2.imshow("result",result )
cv2.imshow("before", before)
cv2.imshow("after", after)
cv2.waitKey(0)

导入cv2
将numpy作为np导入
#这是我们要切割的宽度/高度的百分比
#0.99<百分之<0.1
百分比=0.01
before=cv2.imread（“before.png”）
after=cv2.imread（“after.png”）
结果=之后-之前#在这里，我们消除了之前和之后的最大差异
h、 w，u=result.shape
h百分比=百分比*h
wPercent=百分比*w
def isBlack（裁剪）：用于告知裁剪是否为黑色的函数
掩码=np.zero（crop.shape，dtype=int）
返回not（np.按位_或（裁剪、掩码））.any（）
对于范围（0，w，int（wPercent））内的wFrom:#这里我们将消除该噪声
对于范围（0，h，int（hPercent））内的hFrom：
wTo=int（wFrom+W百分比）
hTo=int（hFrom+hPercent）
裁剪=结果[wFrom:wTo，hFrom:hTo]#裁剪图像
如果是黑色（作物）：#如果是黑色，则没有子弹
继续，我们不需要继续算法
beforeCrop=before[wFrom:wTo，hFrom:hTo]#在之前裁剪图像
如果不是黑色（在裁剪之前）：#如果之前的图像不是黑色，则表示那里已经有热图像
结果[wFrom:wTo，hFrom:hTo]=[0,0,0]#因此，我们将其从结果中删除
cv2.imshow（“结果”，结果）
cv2.imshow（“之前”，之前）
cv2.imshow（“之后”，之后）
cv2.等待键（0）

如您所见，它适用于您提供的用例。好的下一步是保留快照位置数组，以便您可以

我的代码：

来自skimage.measure导入比较
导入argparse
导入imutils
进口cv2
将numpy作为np导入
#加载两个输入图像
imageA=cv2.imread（'./Input_1.png'）
cv2.imwrite（“./org.jpg”，imageA）
#imageA=cv2.medianBlur（imageA，29）
imageB=cv2.imread（'./Input_2.png'）
cv2.imwrite（“./test.jpg”，imageB）
#imageB=cv2.medianBlur（imageB，29）
#将图像转换为灰度
灰度A=cv2.CVT颜色（图像A，cv2.COLOR\U BGR2GRAY）
grayB=cv2.CVT颜色（图像B，cv2.COLOR\u BGR2GRAY）
##########################################################################################################
差值=cv2。减去（灰度A、灰度B）
结果=非np.任何（差异）
如果结果为真：
打印（“图片相同”）
其他：
cv2.imwrite（“./open\u cv\u subtract.jpg”，差值）
打印（“图片不同，差异被存储。”）
##########################################################################################################
diff=cv2.absdiff（灰度A、灰度B）
cv2.imwrite（“./tabsdiff.png”，
import cv2 
import numpy as np

# This is the percentage of the width/height we're gonna cut
# 0.99 < percent < 0.1
percent = 0.01 

before = cv2.imread("before.png")
after = cv2.imread("after.png")

result =  after - before # Here, we eliminate the biggest differences between before and after

h, w, _ = result.shape

hPercent = percent * h
wPercent = percent * w

def isBlack(crop): # Function that tells if the crop is black
    mask = np.zeros(crop.shape, dtype = int)
    return not (np.bitwise_or(crop, mask)).any()

for wFrom in range(0, w, int(wPercent)): # Here we are gonna remove that noise
    for hFrom in range(0, h, int(hPercent)):
        wTo = int(wFrom+wPercent)
        hTo = int(hFrom+hPercent)
        crop = result[wFrom:wTo,hFrom:hTo] # Crop the image

        if isBlack(crop): # If it is black, there is no shot in it
            continue    # We dont need to continue with the algorithm

        beforeCrop = before[wFrom:wTo,hFrom:hTo] # Crop the image before

        if  not isBlack(beforeCrop): # If the image before is not black, it means there was a hot already there
            result[wFrom:wTo,hFrom:hTo] = [0, 0, 0] # So, we erase it from the result

cv2.imshow("result",result )
cv2.imshow("before", before)
cv2.imshow("after", after)
cv2.waitKey(0)