0

我有几张文件的照片，我需要确定文件是否已更改。所以这个任务包括两部分： 1.文本移位。检测特殊文本被移动：

在此处输入图像描述

注意铭文：TEST TEXT HERE有间隙（在S字母处）。

  1. 第二个任务：类似这样的背景图像移位： 在此处输入图像描述

我的问题： 有一些方法可以检测到相同的变化吗？它们可以是水平的和垂直的。我总是知道测试题字（在第一个任务中），而且我总是有质量好的装饰品样品。我有一组照片需要检查。

我的解决方法。 1.第一个想法：在每张照片上叠加正确的铭文并检查其周围的像素颜色-如果有很多红色像素，则存在偏移。所以我可以去寻找文字，但不能去寻找图像。2.关于图像我想到了傅里叶变换。如果图像上有间隙，则在同一坐标处有功能跳转。但我不知道这种方法的一些实现。

首先我知道，这类问题对于 SO 来说太宽泛了。 如何检测图像之间的转换 但我已经发现类似的，所以希望它不会被关闭！第二句话-我对任何算法都开放-经典和机器学习。

4

1 回答 1

1

我已经按照我解决问题的方式制作了一个脚本。这可能不是最好的方法，但我希望这会有所帮助，或者给你一个关于如何进行的新观点。

首先，我会将图像转换为 HSV 颜色空间，因为转换为二进制不是最好的方法，因为 tekst 周围有很多噪音。cv2.inRange转换后，您可以使用阈值提取文本。然后我搜索轮廓并将它们绘制在一个新的空白蒙版上。

在此处输入图像描述 在此处输入图像描述

接下来是执行一个开口，将附近的轮廓合并成一个大轮廓。打开之后是膨胀以去除左上角剩余的字符T。

在此处输入图像描述 在此处输入图像描述

接下来，我将再次搜索轮廓并绘制一个边界矩形。如果轮廓是一个完美的正方形，那么您将看不到该矩形，但如果轮廓被移动，它将形成一个内部有两个较小矩形（相反颜色）的矩形，如下所示：

在此处输入图像描述

最后用阈值大小再次搜索轮廓并将它们绘制在图像上。

结果：

在此处输入图像描述

代码：

# Import modules
import cv2
import numpy as np

# Read the image and transform to HSV colorspace.
img = cv2.imread('ID.png')
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# Extract the red text.
lower_red = np.array([150,150,50])
upper_red = np.array([200,255,255])
mask_red = cv2.inRange(hsv, lower_red, upper_red)

# Search for contours on the mask.
_, contours, hierarchy = cv2.findContours(mask_red,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)

# Mask for processing.
mask = np.ones(img.shape, np.uint8)*255

# Iterate through contours and draw them on mask.
for cnt in contours:
    cv2.drawContours(mask, [cnt], -1, (0,0,0), -1)

# Perform opening to unify contours.
kernel = np.ones((15,15),np.uint8)
opening = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)

# Perform dilation to remove some noises.
kernel_d = np.ones((2,2),np.uint8)
dilation = cv2.dilate(opening,kernel_d,iterations = 1)

# Seraching for contours on the new mask.
gray_op = cv2.cvtColor(dilation, cv2.COLOR_BGR2GRAY)
_, threshold_op = cv2.threshold(gray_op, 150, 255, cv2.THRESH_BINARY_INV)
_, contours_op, hierarchy_op = cv2.findContours(threshold_op, cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)

# Iterate through contours and draw a bounding rectangle.
for cnt in contours_op:
    x,y,w,h = cv2.boundingRect(cnt)
    cv2.rectangle(threshold_op,(x,y),(x+w,y+h),(255,255,255),1)

# Seraching for contours again on the new mask.
_, contours_f, hierarchy_f = cv2.findContours(threshold_op, cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)

# Iterate through contours and add size for thresholding out the rest.
for cnt in contours_f:
    size = cv2.contourArea(cnt)
    if size < 1000:
        x,y,w,h = cv2.boundingRect(cnt)
        cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),-1)

# Display the result.   
cv2.imshow('img', img)

对于第二张图片，它不起作用，因为图片的复杂性不同。

在第二张图片上，我会尝试对其进行扩张，所以唯一剩下的就是底部的 3 条（或在移位的情况下为 4 条）线，并计算轮廓的数量。如果存在 4 个轮廓，则将其移动。

在此处输入图像描述

或者第二个图像的第二种方法。将轮廓拆分为 3 个单独的轮廓，cv2.reactangle()并计算它们到您创建的线的最小距离。这样，即使拆分发生在底线移动之前，您也可以计算出。

第二张图片的代码：

# Import modules
import cv2
import numpy as np
import scipy
from scipy import spatial

# Read image
img_original = cv2.imread('ID_sec4.png')
img = img_original.copy()

# Get height and weight of the image
h1, w1, ch = img.shape

# Draw line somewhere in the bottom of the image
cv2.line(img, (10, h1-10), (w1-10, h1-10), (0,0,0), 3)

# Search for contours and select the biggest one (the pattern)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, threshold = cv2.threshold(gray, 240, 255, cv2.THRESH_BINARY_INV)
_, contours, hierarchy = cv2.findContours(threshold,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt_big = max(contours, key=cv2.contourArea)

# Draw white rectangles to seperate the extreme left and extreme right side of the contour
x, y, w, h = cv2.boundingRect(cnt_big)
cv2.rectangle(img,(0,0),(x+20,y+h+20),(255,255,255),2)
cv2.rectangle(img,(w1,0),(w, y+h+20),(255,255,255),2)

# Search for contours again
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, thresh = cv2.threshold(gray, 240, 255, cv2.THRESH_BINARY_INV)
_, cnts, hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)

# Iterate over the list and calculate minimum distance from the line (line you drew)
# and contours then make a bounding box if it fits the criteria
for i in cnts:
    reshape1 = np.reshape(i, (-1,2))
    ref = max(cnts, key=lambda cnts: cv2.boundingRect(cnts)[1])
    reshape2 = np.reshape(ref, (-1,2))
    tree = spatial.cKDTree(reshape2)
    mindist, minid = tree.query(reshape1)
    distances = np.reshape(mindist, (-1,1))
    under_min = [m for m in distances if 1 < m < 70]
    if len(under_min) > 1:
        x, y, w, h = cv2.boundingRect(i)
        cv2.rectangle(img_original,(x-10,y-10),(x+w+10,y+h+10),(0,255,0),2)

# Display the result    
cv2.imshow('img', img_original)

结果：

在此处输入图像描述

在此处输入图像描述

在此处输入图像描述

希望它有点帮助。干杯!

于 2018-08-08T08:39:06.523 回答