前言
??找不同小游戏，大家或多或少都玩儿过，就是给你两幅相似的图片，里面会给你改变一些东西的形状，或者挪动位置，让你在规定时间内，找出两幅图的不同之处。可有时候图片信息过多或者太复杂，就会使我们找起来非常费劲儿。那有没有偷懒的方法呢？
??哈喽，小伙伴们好，这里是滑稽研究所。以上的问题能不能用python实现一键找不同呢？很显然除了生孩子外什么都会的python是可以做到的，只需要使用我们的opencv库，就可以实现我们想要的功能的。那么本期我们的任务就是识别下面图片素材中的不同之处，并标记出来。下图中除了比较明显的app的位置变化之外，4g信号的使用情况也不同(箭头一明一暗)。
??素材如下：
??**注意！**两个图片比较的先决条件必须处于同一环境，如我们截取定点监控摄像头的录像，在不同时间任意截取两张图片比较都是满足条件的。因为它拍摄的是同一地点，变化的只有行人和车辆。我们的素材也是在同一屏幕，不同情况下截取。
??那么先上代码，然后我们跟着不同阶段的图片处理结果来过一遍思路。
??源代码：
import cv2
import numpy as np
img = cv2.imread('images/3.png',0)
imgx = cv2.imread('images/3.png')
img2 = cv2.imread('images/4.png',0)
imgy = cv2.imread('images/4.png')
#缩放到合适大小
img=cv2.resize(img,None,fx=0.4,fy=0.4)
imgx=cv2.resize(imgx,None,fx=0.4,fy=0.4)
img2=cv2.resize(img2,None,fx=0.4,fy=0.4)
imgy=cv2.resize(imgy,None,fx=0.4,fy=0.4)
print(img.shape,img2.shape)
imgBlur = cv2.GaussianBlur(img, (7, 7), 1)
imgBlur2 = cv2.GaussianBlur(img2, (7, 7), 1)
# 获取图形轮廓
imgCanny = cv2.Canny(imgBlur, 50, 80)
imgCanny2 = cv2.Canny(imgBlur2, 50, 80)
#二值化操作
kernel = np.ones((5, 5), np.uint8)
ref = cv2.threshold(imgCanny, 10, 255, cv2.THRESH_BINARY_INV)[1]
ref2 = cv2.threshold(imgCanny, 10, 255, cv2.THRESH_BINARY)[1]
ref3 = cv2.threshold(imgCanny2, 10, 255, cv2.THRESH_BINARY_INV)[1]
#与运算
img4 = cv2.bitwise_and(imgCanny2,imgCanny2,mask=ref)
img5 = cv2.bitwise_and(ref2,ref2,mask=ref3)
res1 = cv2.add(img4,img5)
imgd = cv2.dilate(res1, kernel, iterations=2)
img1 = imgx.copy()
def getContours(img):
contours, hierarchy = cv2.findContours(img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
# contours接受识别出的所有轮廓
# hierarchy各个轮廓之间的关系，我们本次用不到。
for cnt in contours:
area = cv2.contourArea(cnt)
# 这个输出各个轮廓的面积
#print(area)
#if 0 <= area <=6000 :
# 给我们的轮廓描边
print(area)
cv2.drawContours(img1, cnt, -1, (0, 255, 0), 2)
# 轮廓的长度
peri = cv2.arcLength(cnt, True)
# 找出轮廓的突变值
approx = cv2.approxPolyDP(cnt, 0.02 * peri, True)
# approx找到的是一个轮廓有几个突变值，有几个角就会有几个突变值
# 返回的是一个list，输出他的长度，就可以知道到底有几个角
print(len(approx))
x, y, w, h = cv2.boundingRect(approx) # 得到包覆此轮廓的最小正矩形
# x,y为包覆此轮廓的最小正矩形的左上角的坐标。
# w, h则为长宽，计算长宽的比值判断矩形。
# if 730 > x > 70 and 270 < y < 350:
cv2.rectangle(img1, (x, y), (x + w, y + h), (0, 0, 255), 2)
getContours(imgd)
#图片拼接操作
imga = np.hstack((img1,imgy))
imgb = np.hstack((imgCanny2,ref))
imgc = np.hstack((ref2,ref3))
imgd = np.hstack((img4,img5))
cv2.imshow("1", imga)
cv2.imshow("2", imgb)
cv2.imshow("3", imgc)
cv2.imshow("4", imgd)
cv2.imshow("8", res1)
# 设置窗口显示时间，0为永远。单位是ms。
cv2.waitKey(0)
??两张图片二值化之后，值取一正一反，注意需要做两组。为什么两组？
??第一次我们以左侧为原图，进行一次掩膜操作，右图作为mask。我们知道白色区域是我们希望保留的部分，覆盖之后，位置没有变的app轮廓被mask填充消失不见，那么得到下图的左侧部分。
??但是，我们发现一个问题，第2行和第4行app的位置变换没有被检测到。这是因为我们的原图app移动后的空缺处为黑色，而mask对应的位置即使有黑色轮廓也与背景色融合。无法被检测出来。因此我们需要进行一次反向取值。
??第二次操作反向取值之后我们得到上图的右侧部分。
??那么在两次操作之后我们对得到的结果进行一次加运算得到下图。我们可以看到在右上角的位置有片白色区域，那就是4g图标处的差异也被检测出来了。这意味着我们不仅可以检测到位置变换，还可以检测到图形的变换。也就是说如果位置不动，仅对调app的位置，那么logo和app名称的变化也是可以检测到的。
??我们对上图进行一次膨胀操作，以便程序可以更轻松的捕捉到我们的轮廓。在捕捉到轮廓后，我们对进行描边，并加上最小外接正矩形。
??最终结果：
??可以看到被移动的程序和信号的差别都被程序检测到了。那么到这一步，我们完成了就位置检测(app位置的移动)和图形检查(4g图标的不同)。
??其他素材测试：
??这里因为不需要关注细节处理，我们把膨胀操作去掉。在不同素材的情况下，我们灵活运用。
??最后，希望这篇文章对你理解opencv里的mask有帮助。
??转载自：滑稽研究所
??阅读更多相关文章，请关注我们吧！
