开源 python 应用 开发（八）图片比对

 最近有个项目需要做视觉自动化处理的工具，最后选用的软件为python，刚好这个机会进行系统学习。短时间学习，需要快速开发，所以记录要点步骤，防止忘记。

 链接：

开源 python 应用 开发（一）python、pip、pyAutogui、python opencv安装-CSDN博客

开源 python 应用 开发（二）基于pyautogui、open cv 视觉识别的工具自动化-CSDN博客

开源 python 应用 开发（三）python语法介绍-CSDN博客

开源 python 应用 开发（四）python文件和系统综合应用-CSDN博客

开源 python 应用 开发（五）python opencv之目标检测-CSDN博客

开源 python 应用 开发（六）网络爬虫-CSDN博客

开源 python 应用 开发（七）数据可视化-CSDN博客

 推荐链接：

开源 Arkts 鸿蒙应用 开发（一）工程文件分析-CSDN博客

开源 Arkts 鸿蒙应用 开发（二）封装库.har制作和应用-CSDN博客

开源 Arkts 鸿蒙应用 开发（三）Arkts的介绍-CSDN博客

开源 Arkts 鸿蒙应用 开发（四）布局和常用控件-CSDN博客

开源 Arkts 鸿蒙应用 开发（五）控件组成和复杂控件-CSDN博客

 推荐链接：

开源 java android app 开发（一）开发环境的搭建-CSDN博客

开源 java android app 开发（二）工程文件结构-CSDN博客

开源 java android app 开发（三）GUI界面布局和常用组件-CSDN博客

开源 java android app 开发（四）GUI界面重要组件-CSDN博客

开源 java android app 开发（五）文件和数据库存储-CSDN博客

开源 java android app 开发（六）多媒体使用-CSDN博客

开源 java android app 开发（七）通讯之Tcp和Http-CSDN博客

开源 java android app 开发（八）通讯之Mqtt和Ble-CSDN博客

开源 java android app 开发（九）后台之线程和服务-CSDN博客

开源 java android app 开发（十）广播机制-CSDN博客

开源 java android app 开发（十一）调试、发布-CSDN博客

开源 java android app 开发（十二）封库.aar-CSDN博客

推荐链接：

开源C# .net mvc 开发（一）WEB搭建_c#部署web程序-CSDN博客

开源 C# .net mvc 开发（二）网站快速搭建_c#网站开发-CSDN博客

开源 C# .net mvc 开发（三）WEB内外网访问(VS发布、IIS配置网站、花生壳外网穿刺访问)_c# mvc 域名下不可訪問內網,內網下可以訪問域名-CSDN博客

开源 C# .net mvc 开发（四）工程结构、页面提交以及显示_c#工程结构-CSDN博客

开源 C# .net mvc 开发（五）常用代码快速开发_c# mvc开发-CSDN博客

本章节内容如下：实现了一个图像差异比较工具，能够找出两张图片之间的视觉差异并用红色矩形框标记出来。

1.安装所需库

2.核心代码分析

3.所有源码

4.最终效果

一、安装所需库

 安装numpy，matplotlib库

使用vscode的终端或cmd进行安装

pip install numpy matplotlib -i https://mirrors.aliyun.com/pypi/simple/

二、核心源码分析

2.1  比较图片差异代码

 # 转换为灰度图
    gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
    gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
    
    # 计算绝对差异
    diff = cv2.absdiff(gray1, gray2)
    
    # 二值化差异图
    _, threshold = cv2.threshold(diff, 30, 255, cv2.THRESH_BINARY)
    
    # 膨胀处理，使差异区域更明显
    kernel = np.ones((5, 5), np.uint8)
    dilated = cv2.dilate(threshold, kernel, iterations=1)
    
    # 找到差异区域的轮廓
    contours, _ = cv2.findContours(dilated, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

2.2  在原图上绘制红色矩形框标记差异

# 在原图上绘制红色矩形框标记差异
    result = img2.copy()
    for contour in contours:
        # 过滤掉太小的区域
        if cv2.contourArea(contour) > 100:  # 面积阈值可根据需要调整
            x, y, w, h = cv2.boundingRect(contour)
            cv2.rectangle(result, (x, y), (x+w, y+h), (0, 0, 255), 2)  # 红色矩形框

2.3  对比结果保存到图片，将4张图片合一

# 保存结果
    cv2.imwrite(output_path, result)
    
    # 显示结果（可选）
    plt.figure(figsize=(15, 10))
    
    plt.subplot(221), plt.imshow(cv2.cvtColor(img1, cv2.COLOR_BGR2RGB))
    plt.title('Image 1'), plt.axis('off')
    
    plt.subplot(222), plt.imshow(cv2.cvtColor(img2, cv2.COLOR_BGR2RGB))
    plt.title('Image 2'), plt.axis('off')
    
    plt.subplot(223), plt.imshow(diff, cmap='gray')
    plt.title('Difference'), plt.axis('off')
    
    plt.subplot(224), plt.imshow(cv2.cvtColor(result, cv2.COLOR_BGR2RGB))
    plt.title('Result (Differences in Red)'), plt.axis('off')
    
    plt.tight_layout()
    plt.show()

三、所有源码

import cv2
import numpy as np
from matplotlib import pyplot as plt

def compare_images(image1_path, image2_path, output_path='diff_result.jpg'):
    """
    比较两张图片并标出差异区域
    
    参数:
        image1_path: 第一张图片路径
        image2_path: 第二张图片路径
        output_path: 输出结果图片路径
    """
    # 读取图片
    img1 = cv2.imread(image1_path)
    img2 = cv2.imread(image2_path)
    
    # 检查图片是否成功加载
    if img1 is None or img2 is None:
        print("错误: 无法加载图片，请检查路径")
        return
    
    # 确保两张图片尺寸相同
    if img1.shape != img2.shape:
        print("错误: 图片尺寸不一致")
        return
    
    # 转换为灰度图
    gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
    gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
    
    # 计算绝对差异
    diff = cv2.absdiff(gray1, gray2)
    
    # 二值化差异图
    _, threshold = cv2.threshold(diff, 30, 255, cv2.THRESH_BINARY)
    
    # 膨胀处理，使差异区域更明显
    kernel = np.ones((5, 5), np.uint8)
    dilated = cv2.dilate(threshold, kernel, iterations=1)
    
    # 找到差异区域的轮廓
    contours, _ = cv2.findContours(dilated, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
    
    # 在原图上绘制红色矩形框标记差异
    result = img2.copy()
    for contour in contours:
        # 过滤掉太小的区域
        if cv2.contourArea(contour) > 100:  # 面积阈值可根据需要调整
            x, y, w, h = cv2.boundingRect(contour)
            cv2.rectangle(result, (x, y), (x+w, y+h), (0, 0, 255), 2)  # 红色矩形框
    
    # 保存结果
    cv2.imwrite(output_path, result)
    
    # 显示结果（可选）
    plt.figure(figsize=(15, 10))
    
    plt.subplot(221), plt.imshow(cv2.cvtColor(img1, cv2.COLOR_BGR2RGB))
    plt.title('Image 1'), plt.axis('off')
    
    plt.subplot(222), plt.imshow(cv2.cvtColor(img2, cv2.COLOR_BGR2RGB))
    plt.title('Image 2'), plt.axis('off')
    
    plt.subplot(223), plt.imshow(diff, cmap='gray')
    plt.title('Difference'), plt.axis('off')
    
    plt.subplot(224), plt.imshow(cv2.cvtColor(result, cv2.COLOR_BGR2RGB))
    plt.title('Result (Differences in Red)'), plt.axis('off')
    
    plt.tight_layout()
    plt.show()
    
    print(f"对比完成，结果已保存到: {output_path}")

# 使用示例
if __name__ == "__main__":
    # 替换为你的图片路径
    image1 = "image1.jpg"
    image2 = "image2.jpg"
    compare_images(image1, image2)

四、最终效果