【python+selenium自动化】图像识别技术在UI自动化测试中的实际运用

引言：

目前在图像识别方面的自动化测试框架有很多，其中比较有名的是airtest，主要做手机端的游戏自动化测试（http://airtest.netease.com/）

因为没有实际把airtest运用在项目中的经验，所以此篇文章暂不讨论，等后续有时间去实践了，一定回来分享

------------------------------------------------------------------------------------------------------------------

目前在做的项目，也运用到了图像识别技术。优化过的框架，是通过一篇文章得来的启发：https://www.pyimagesearch.com/2017/06/19/image-difference-with-opencv-and-python/#comment-429138

直接看下图也行：

两张信用卡的图片，左图有芯片和几个字母，右图没有。通过图像识别，两张图做比对，找出了差异，并把差异都标记了出来，这样看图片差异，是不是就一目了然了

根据上面的思路，需要两张图，一个是用来做对比的基础图片（Base），一个是拿来跟基础图片比较的图片（Compare）

所以，在UI自动化测试的流程中，加入一个录制基础图片的过程，比如上周的版本，我们跑自动化测试用例，录制了基础图片，这周发版本，我们跑自动化测试用例后，把这个版本的图片跟上个版本的图片做比对，如果完全一致，那说明测试通过，如果有差异，要么是bug，要么是需求改动了UI。这样做的好处是：一般自动化测试工程师不能像功能测试工程那样，完全关心到每个版本的需求变动，这样检测出来的结果最为正确。

先上一部分代码（就是上图中信用卡比对差异的实现方法），后续有时间再把整个框架图整理出来

import imutils
from skimage.measure import compare_ssim
import cv2
import numpy as np


class MarkDiffImg:
    @staticmethod
    def cv_imread(file_path):
        """
        读取图片（解决路径中含有中文无法读取的问题），一般是直接cv2.imread(filea_path)
        :param file_path:图片的路径
        :return:
        """
        cv_img = cv2.imdecode(np.fromfile(file_path, dtype=np.uint8), -1)
        return cv_img

    def mark_diff_img(self, result, basesnapshot_png, runningsnapshot_png, DiffSnapshot_Dir, casename, name):
        """
        对比图片并标出差异，保存差异图片
        :param basesnapshot_png:
        :param runningsnapshot_png:
        :param DiffSnapshot_Dir:
        :param casename:
        :param name:
        :return:
        """
        # 加载两张图片并将他们转换为灰度：
        image_a = self.cv_imread(basesnapshot_png)
        image_b = self.cv_imread(runningsnapshot_png)
        gray_a = cv2.cvtColor(image_a, cv2.COLOR_BGR2GRAY)
        gray_b = cv2.cvtColor(image_b, cv2.COLOR_BGR2GRAY)

        # 计算两个灰度图像之间的结构相似度指数：
        (score, diff) = compare_ssim(gray_a, gray_b, full=True)
        diff = (diff * 255).astype("uint8")
        print("SSIM:{}".format(score))

        # 找到不同点的轮廓以致于我们可以在被标识为“不同”的区域周围放置矩形：
        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)

        # 找到一系列区域，在区域周围放置矩形：
        for c in cnts:
            x, y, w, h = cv2.boundingRect(c)
            cv2.rectangle(image_a, (x, y), (x + w, y + h), (255, 0, 0), 2)
            cv2.rectangle(image_b, (x, y), (x + w, y + h), (255, 0, 0), 2)

        # 基础快照标出与运行时快照的差异 图片
        diffsnapshot_png_a = DiffSnapshot_Dir + casename + '/' + name + '_base.png'
        # 运行时快照标出与基础快照的差异 图片
        diffsnapshot_png_b = DiffSnapshot_Dir + casename + '/' + name + '_running.png'
        # 保存差异图片
        cv2.imencode('.jpg', image_a)[1].tofile(diffsnapshot_png_a)
        cv2.imencode('.jpg', image_b)[1].tofile(diffsnapshot_png_b)
        result["对比快照-基础快照路径"] = diffsnapshot_png_a
        result["对比快照-运行时快照路径"] = diffsnapshot_png_b

        return result