[PYTHON] J'ai essayé de faire un programme pour résoudre (indice) la recherche d'erreur de Saiseriya

Bonjour. Ceci est le premier message. Attendre environ 20 minutes quand je suis allé à Saiseriya l'autre jour Quelques personnes ont cherché les erreurs de Saiseriya et n'ont pas pu la trouver ... (trop ...) Donc, j'ai pensé que cela pouvait être résolu par le traitement d'image, alors j'ai essayé. C'était aussi une bonne étude pour OpenCV.

Chose que tu veux faire

Données d'image officiellement publiées par Saiseriya à l'aide de la bibliothèque OpenCV (https://www.saizeriya.co.jp/entertainment/) Je souhaite traiter et automatiser la recherche d'erreurs! !! !! Ce que vous faites réellement, c'est

• Traiter l'image (supprimer les marges, diviser en deux) --Calculer les différences d'image
• Afficher les informations de différence sur l'image d'origine

C'est comme ça. J'ai donné le code à GitHub.

Environnement d'exécution

macOS Mojave 10.14.4 Python 3.6.7 OpenCV 3.4.1

Traiter l'image

Lorsque vous le téléchargez, vous remarquerez que "les images à comparer sont collées ensemble" + "il y a une marge mystérieuse".

• (Difficile à comprendre car les alentours sont également blancs ...) Cité du site de Saiseriya *

Tout d'abord, je voudrais supprimer les marges. Le flux de suppression des blancs est --Faire une image en échelle de gris ―― Binariser

• Extraire le contour
• Obtenez et coupez x et y à partir des contours qui ont les coordonnées les plus petites et les plus grandes.

[https://qiita.com/trami/items/e25eb70a59a51ae4f7ba# Comment supprimer les marges](https://qiita.com/trami/items/e25eb70a59a51ae4f7ba#%E3%81%A9%E3%81 % AE% E3% 82% 88% E3% 81% 86% E3% 81% AB% E3% 81% 97% E3% 81% A6% E4% BD% 99% E7% 99% BD% E5% 89% 8A Nous renvoyons à l'article% E9% 99% A4% E3% 82% 92% E8% A1% 8C% E3% 81% 86% E3% 81% AE% E3% 81% 8B).

La fonction de niveaux de gris dans OpenCV

gray.py

gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #Échelle de gris

La fonction de binarisation

binary.py

r, binary = cv2.threshold(gray, 0, 255,cv2.THRESH_OTSU)  #Binarisation

La fonction de recadrage d'image

cut_img.py

img = img[y1:y2,x1:x2] #(x1,y1)De(x2,y2)Coupé

C'est comme ça. Si vous les combinez, le code jusqu'à présent sera

saizeriya.py

import cv2
import numpy as np

img = cv2.imread('diff.png') #Chargement des images
height, width, d = img.shape #Hauteur largeur profondeur
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #Échelle de gris
r, binary = cv2.threshold(gray, 0, 255,cv2.THRESH_OTSU)  #Binar au seuil 200
contours = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)[0]

#Extraire les contours, supprimer les marges
x1 = [] #Valeur minimale de la coordonnée x
y1 = [] #Valeur minimale de la coordonnée y
x2 = [] #Valeur maximale de la coordonnée x
y2 = [] #Valeur maximale de la coordonnée y
for i in range(1, len(contours)):
    ret = cv2.boundingRect(contours[i])
    x1.append(ret[0])
    y1.append(ret[1])
    x2.append(ret[0] + ret[2])
    y2.append(ret[1] + ret[3])
x1_min = min(x1)
y1_min = min(y1)
x2_max = max(x2)
y2_max = max(y2)
img = img[0:600, x1_min:x2_max] #Coupez la marge

Le résultat de l'exécution est le suivant. Vous pouvez voir qu'il est bien coupé.

Puis coupez l'image en deux.

saizeriya.py

height, width,d= img.shape #Hauteur largeur profondeur(La taille de la découpe)
midle = int(width/2)

img1 = img[0:height,0:midle-3]
img2 = img[0:height,midle-8:width-11] #En fait, la largeur est un peu différente... 

Ce qui était ridicule ici, c'est que les bords nets des deux images étaient en fait légèrement différents. L'ajustement a fini par ajuster la pièce à couper manuellement.

Calculer les différences d'image

Ensuite, calculez la différence entre les images. La différence entre les images peut être calculée en soustrayant les tableaux numpy, mais lorsque vous l'exécutez réellement, la différence est difficile à comprendre (une légère différence de couleur et une légère déviation d'emplacement seront affichées comme une différence), donc cette fois OpenCV J'ai utilisé la fonction ** absdiff ** de.

La fonction ** absdiff ** peut trouver la valeur absolue de la différence entre deux images.

saizeriya.py

#Montrer la différence
result = np.copy(img1) #Tableau pour stocker l'image résultante
add = np.copy(img1) #Tableau pour stocker l'image résultante
#result = img1-img2 #Calcul de la différence
result = cv2.absdiff(img1, img2) #Calcul de la différence(absdiff)

Résultat d'exécution

Pour référence, c'est le résultat lorsqu'il est exécuté en soustrayant les tableaux.

• Je ne sais pas ce qui est différent à ce sujet ... *

Afficher les informations de différence sur l'image d'origine

Avec cela, je ne sais pas où se trouve la différence, je voudrais donc la combiner avec l'image d'origine. Combine l'image grise d'origine + l'image de différence (couleur).

La fonction à utiliser est la fonction ** add **. Utilisez également la fonction ** cvtCOLOR ** pour convertir l'image couleur d'origine.

Tableau 3D couleur → Tableau 2D gris → Tableau 3D gris

Traitez avec.

saizeriya.py

img3 = cv2.cvtColor(img2,cv2.COLOR_BGR2GRAY) #Échelle de gris
img3 = cv2.cvtColor(img3,cv2.COLOR_GRAY2BGR) #Créer une image couleur avec une échelle de gris
print(img3.shape)
print(result.shape)
add = cv2.add(img3,result) #Combiner des images

#Affichage de l'image
cv2.imshow('all',img)
cv2.imshow('image',add)
cv2.imshow('result',result)
cv2.waitKey(0) #Attendez jusqu'à ce qu'une touche soit enfoncée
cv2.destroyAllWindows() #Détruire toutes les fenêtres

Résultat d'exécution

Vous pouvez maintenant voir ce qui est différent.

Je ne trouve que 8! !! !! !!

Veuillez m'en dire deux de plus ...

C'était juste un outil auxiliaire.

J'ai trouvé 9 erreurs en décembre