python实现，使用SIFT算法和文字相似度检测算法，并使用了pyqt5做的印章相似度检测工具，还有很大优化空间，对于我这水平费了不少力气，记录一下。
首先整体流程是预建了一个印章库，包含若干张图片。目的是输入一张印章图片，与库里图片对比，最终显示相似度最高的三张。记一下关键代码。
1.图像预处理
主要是红色区域提取、常规灰度二值、对于形态不好的图片做个腐蚀啥的。文章来源：https://www.toymoban.com/news/detail-718277.html
def GetRed(img):
"""
提取图中的红色部分
"""
# 转化为hsv空间
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
# 颜色在HSV空间下的上下限156-180还能改成0-10
low_hsv = np.array([156, 43, 46])
high_hsv = np.array([180, 255, 255])
# 使用opencv的inRange函数提取颜色
mask = cv2.inRange(hsv, lowerb=low_hsv, upperb=high_hsv)
Red = cv2.bitwise_and(img, img, mask=mask)
return Red
2.做一个霍夫圆打开，方便后续文字识别
# 霍夫圆检测
def houghCircle(src):
gray = cv2.medianBlur(src, 3)
circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1, \
100, param1=200, param2=30, minRadius=200, maxRadius=300)
isNG = False
if circles is None:
print("找圆失败")
else:
circles = np.uint16(np.around(circles))
a, b, c = circles.shape
for i in range(b):
cv2.circle(src, (circles[0][i][0], circles[0][i][1]), circles[0][i][2], (0, 0, 255), 3, cv2.LINE_AA)
cv2.circle(src, (circles[0][i][0], circles[0][i][1]), 2, (0, 255, 0), 3,
cv2.LINE_AA) # draw center of circle
x = circles[0][i][0] - circles[0][i][2]
y = circles[0][i][1] - circles[0][i][2]
w = h = 2 * circles[0][i][2]
center = (circles[0][i][0], circles[0][i][1])
radius = circles[0][i][2]
c = 2 * np.math.pi * radius
print(c, radius)
ROI = src[y:y + h, x:x + h].copy()
trans_center = (center[0] - x, center[1] - y)
polarImg = cv2.warpPolar(ROI, (int(radius), int(c)), trans_center, radius, cv2.INTER_LINEAR + cv2.WARP_POLAR_LINEAR)
polarImg = cv2.flip(polarImg, 1) # 镜像
polarImg = cv2.transpose(polarImg) # 转置
# cv2.imshow('polarImg', polarImg)
cv2.imwrite('polarImg.png', polarImg)
return src
3.构建图像标准名称库
# 获取标准库txt数据
txtData = openreadtxt('../trainText/Imglist.txt')
4.识别文字
识别文字部分使用的是PaddleOCR文章来源地址https://www.toymoban.com/news/detail-718277.html
def paddleOcr(src):
ocr = PaddleOCR(use_angle_cls=True, lang='ch') # need to run only once to download and load model into memory
img_path = src
result = ocr.ocr(img_path, cls=True)
# print('--------------------------result-----------------------------------')
# print(result)
# print('--------------------------line-----------------------------------')
for idx in range(len(result)):
res = result[idx]
for line in res:
print(line)
result = result[0]
image = Image.open(img_path).convert('RGB')
boxes = [line[0] for line in result]
txts = [line[1][0] for line in result]
scores = [line[1][1] for line in result]
# print('--------------------------boxes-----------------------------------')
# print(boxes)
# print('--------------------------txts-----------------------------------')
# print(txts)
# print('--------------------------scores-----------------------------------')
# print(scores)
im_show = draw_ocr(image, boxes, txts, scores)
im_show = Image.fromarray(im_show)
im_show.save('result.jpg')
return txts
5.计算一下文字的相似度
# 计算文字相似度
for i in range(len(txtData)):
Str = txtData[i]
s1 = textRes
txt_replace = str(txtData[i]).replace('[', '')
txt_replace = txt_replace.replace(']', '')
txt_replace = txt_replace.replace("'", '')
imgPath = '../trainImg/' + txt_replace + '.jpg'
simPic = matplotlib2opencv(imgPath)
simPic_resize = cv2.resize(simPic, (500, 500))
print('----------------------文字相似度-----------------------------')
sim = difflib.SequenceMatcher(None, str(Str), str(s1)).quick_ratio()
print(sim)
6.很常规的图片相似度检测（SIFT）
def picRec(image_label, image_rec):
# 预处理
imgRec_res = cv2.resize(image_rec, (image_label.shape[1], image_label.shape[0]))
imgRec_gray = imgToGray(imgRec_res)
# 关键点检测
kp1, des1 = getKeyPoint(image_label)
kp2, des2 = getKeyPoint(imgRec_gray)
print("图片1的关键点数目：" + str(len(kp1)))
print("图片2的关键点数目：" + str(len(kp2)))
# 绘制
# imgCir1 = cv2.drawKeypoints(img1, kp1, img1_gray, color=(255, 0, 255)) # 画出特征点，并显示为红色圆圈
# imgCir2 = cv2.drawKeypoints(img2, kp2, img2_gray, color=(255, 0, 255)) # 画出特征点，并显示为红色圆圈
# BFMatcher解决匹配
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2)
# print(matches)
# print(len(matches))
# 调整ratio
good = []
for m, n in matches:
if m.distance < 0.9 * n.distance:
good.append([m])
print("总体特征数量：" + str(len(matches)))
print("相似特征数量：" + str(len(good)))
imgSim = len(good) / len(kp1) * 100
print("图片相似度为：" + str(imgSim) + str('%'))
return imgSim
7.最后就是在pyqt上显示图片，像我如果要显示前三张，就需要写三段下面的代码，放入不同的QGraphicsVies里就行了。
# 图片显示
txt_replace1 = str(textArr[0][0]).replace('[', '')
txt_replace1 = txt_replace1.replace(']', '')
txt_replace1 = txt_replace1.replace("'", '')
print(txt_replace1)
path = '../trainImg/' + txt_replace1 + '.jpg'
img_1 = QtGui.QPixmap(path).scaled(self.graphicsView_2.width(), self.graphicsView_2.height())
# 在QGraphicsView控件上显示选择的图片
scene1 = QtWidgets.QGraphicsScene()
scene1.addPixmap(img_1) # 將图片加入 scene
self.graphicsView_2.setScene(scene1) # 设定 QGraphicsView 的场景為 scene
self.label_2.setText(str(round(textArr[0][3], 1)) + '%')
7.整理记录时候发现，真的有很多能优化的地方，慢慢学，慢慢写吧。
到了这里，关于python+openCV使用SIFT算法实现印章的总相似度检测的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
