python——几种截图对比方式！

本次记录的几种截图对比方式，主要是为了在进行手机自动化测试时，通过截图对比来判断测试的正确性，方式如下：

# -*- coding: utf-8 -*- 

'''
用途：利用python实现多种方法来实现图像识别 
author:SYW
'''
  
import cv2 
import numpy as np 
from matplotlib import pyplot as plt 
    
# 最简单的以灰度直方图作为相似比较的实现 
def classify_gray_hist(image1,image2,size = (256,256)): 
    # 先计算直方图 
    # 几个参数必须用方括号括起来 
    # 这里直接用灰度图计算直方图，所以是使用第一个通道， 
    # 也可以进行通道分离后，得到多个通道的直方图 
    # bins 取为16 
    image1 = cv2.resize(image1,size) 
    image2 = cv2.resize(image2,size) 
    hist1 = cv2.calcHist([image1],[0],None,[256],[0.0,255.0]) 
    hist2 = cv2.calcHist([image2],[0],None,[256],[0.0,255.0]) 
    # 可以比较下直方图 
    plt.plot(range(256),hist1,'r') 
    plt.plot(range(256),hist2,'b') 
    plt.show() 
    # 计算直方图的重合度 
    degree = 0
    for i in range(len(hist1)): 
        if hist1[i] != hist2[i]: 
            degree = degree + (1 - abs(hist1[i]-hist2[i])/max(hist1[i],hist2[i])) 
        else: 
            degree = degree + 1
    degree = degree/len(hist1) 
    return degree 
    
# 计算单通道的直方图的相似值 
def calculate(image1,image2): 
    hist1 = cv2.calcHist([image1],[0],None,[256],[0.0,255.0]) 
    hist2 = cv2.calcHist([image2],[0],None,[256],[0.0,255.0]) 
    # 计算直方图的重合度 
    degree = 0
    for i in range(len(hist1)): 
        if hist1[i] != hist2[i]: 
            degree = degree + (1 - abs(hist1[i]-hist2[i])/max(hist1[i],hist2[i])) 
        else: 
            degree = degree + 1
    degree = degree/len(hist1) 
    return degree 
    
# 通过得到每个通道的直方图来计算相似度 
def classify_hist_with_split(image1,image2,size = (256,256)): 
    # 将图像resize后，分离为三个通道，再计算每个通道的相似值 
    image1 = cv2.resize(image1,size) 
    image2 = cv2.resize(image2,size) 
    sub_image1 = cv2.split(image1) 
    sub_image2 = cv2.split(image2) 
    sub_data = 0
    for im1,im2 in zip(sub_image1,sub_image2): 
        sub_data += calculate(im1,im2) 
    sub_data = sub_data/3
    return sub_data 
    
# 平均哈希算法计算 
def classify_aHash(image1,image2): 
    image1 = cv2.resize(image1,(8,8))    #cv2.resize(源，目标，变换方法),将图片变换成想要的尺寸
    image2 = cv2.resize(image2,(8,8)) 
    gray1 = cv2.cvtColor(image1,cv2.COLOR_BGR2GRAY)   #cv2.cvtColor(input_image,flag)实现图片颜色空间的转换，flag 参数决定变换类型。如 BGR->Gray flag 就可以设置为 cv2.COLOR_BGR2GRAY 。
    gray2 = cv2.cvtColor(image2,cv2.COLOR_BGR2GRAY) 
    hash1 = getHash(gray1) 
    hash2 = getHash(gray2) 
    return Hamming_distance(hash1,hash2) 
    
def classify_pHash(image1,image2): 
    image1 = cv2.resize(image1,(32,32)) 
    image2 = cv2.resize(image2,(32,32)) 
    gray1 = cv2.cvtColor(image1,cv2.COLOR_BGR2GRAY) 
    gray2 = cv2.cvtColor(image2,cv2.COLOR_BGR2GRAY) 
    # 将灰度图转为浮点型，再进行dct变换 
    dct1 = cv2.dct(np.float32(gray1)) 
    dct2 = cv2.dct(np.float32(gray2)) 
    # 取左上角的8*8，这些代表图片的最低频率 
    # 这个操作等价于c++中利用opencv实现的掩码操作 
    # 在python中进行掩码操作，可以直接这样取出图像矩阵的某一部分 
    dct1_roi = dct1[0:8,0:8] 
    dct2_roi = dct2[0:8,0:8] 
    hash1 = getHash(dct1_roi) 
    hash2 = getHash(dct2_roi) 
    return Hamming_distance(hash1,hash2) 
    
#输入灰度图，返回hash 
def getHash(image): 
    avreage = np.mean(image)   #np.mean()求取均值
    hash = [] 
    for i in range(image.shape[0]): 
        for j in range(image.shape[1]): 
            if image[i,j] > avreage: 
                hash.append(1) 
            else: 
                hash.append(0) 
    return hash
  
  
# 计算汉明距离 
def Hamming_distance(hash1,hash2): 
    num = 0
    for index in range(len(hash1)): 
        if hash1[index] != hash2[index]: 
            num += 1
    return num   #返回值越小，图片相似度越高
    
if __name__ == '__main__': 
    img1 = cv2.imread('E:\p1\1.png',cv2.IMREAD_COLOR)     #读入图片，共2个参数，第一个参数为要读入的图片文件名，第二个参数为如何读取图片，包括cv2.IMREAD_COLOR读入一幅彩色图片,cv2.IMREAD_UNCHANGED读入一幅彩色图片，并包括alpha通道，cv2.IMREAD_GRAYSCALE已灰度模式读入图片
    img2 = cv2.imread('E:\p2\2.png',cv2.IMREAD_COLOR) 
    c_img1 = img1[200:400, 500:800]     #截取图片的某一部分
    c_img2 = img2[200:400, 500:800]     #syw,[200:400]控制的是高度，[500:800]控制的是长度，500代表的是x1，800代表的是x2
    cv2.imshow('img1',c_img1)        #创建一个窗口显示图片，共2个参数，第一个参数为”窗口显示图片的标题“可以创建多个窗口，但每个窗口都不能重名，第二个参数为读入的图片
    cv2.imshow('img2',c_img2) 
    #degree = classify_gray_hist(img1,img2) 
    #degree = classify_hist_with_split(img1,img2) 
    #degree = classify_pHash(img1,img2)    #syw
    #degree = classify_pHash(c_img1,c_img2) 
    degree = classify_aHash(c_img1,c_img2) 
    print degree 
    if degree == 0 or degree <10:
        print "pass"
    else:
        print "fail"
    cv2.waitKey(0)    #键盘绑定函数。共一个函数，表示等待毫秒数，将等待特定的几毫秒，看键盘是否有输入，返回值是ASCII值，如果其参数为0，则表示无限期的等待键盘输入
    cv2.destroyAllWindows()  #删除建立的全部窗口
    #cv2.destroyWindows():        #删除指定的窗口