CV - 提取两个图像之间的差异

Question

我目前正致力于基于视频监控的入侵系统。为了完成这项任务，我拍摄了我场景背景的快照（假设它完全干净，没有人或移动物体）。然后，我比较从（静态）摄像机获得的帧，并寻找差异。我必须能够检查任何差异，不仅仅是人体形状或其他什么，所以我无法进行特定的特征提取。

通常，我有：

我正在使用OpenCV，所以要比较我基本上做的：

cv::Mat bg_frame;
cv::Mat cam_frame;
cv::Mat motion;

cv::absdiff(bg_frame, cam_frame, motion);
cv::threshold(motion, motion, 80, 255, cv::THRESH_BINARY);
cv::erode(motion, motion, cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3,3)));

结果如下：

正如你所看到的那样，手臂被剥离了（由于我猜的颜色差异冲突），这可能不是我想要的。

我考虑添加使用cv::Canny()以检测边缘并填充手臂的缺失部分，但遗憾的是（再一次），它只能在少数情况下解决问题而不是大多数问题。

我是否可以使用任何算法或技术来获取准确的差异报告？

PS：对不起图片。由于我的新订阅，我没有足够的声誉。

修改 我在这里使用灰度图像，但我对任何解决方案都持开放态度。

Answer 1

代码中的一个问题是cv::threshold，它只使用1个频道图像。仅以灰度查找两个图像之间的像素“差异”通常会导致不直观的结果。

由于您提供的图像有点翻译或相机不静止，我操纵您的背景图像以添加一些前景：

背景图片：

前景图片：

代码：

    cv::Mat diffImage;
    cv::absdiff(backgroundImage, currentImage, diffImage);

    cv::Mat foregroundMask = cv::Mat::zeros(diffImage.rows, diffImage.cols, CV_8UC1);

    float threshold = 30.0f;
    float dist;

    for(int j=0; j<diffImage.rows; ++j)
        for(int i=0; i<diffImage.cols; ++i)
        {
            cv::Vec3b pix = diffImage.at<cv::Vec3b>(j,i);

            dist = (pix[0]*pix[0] + pix[1]*pix[1] + pix[2]*pix[2]);
            dist = sqrt(dist);

            if(dist>threshold)
            {
                foregroundMask.at<unsigned char>(j,i) = 255;
            }
        }

给出这个结果：

使用此差异图像：

一般来说，很难根据逐像素差异解释来计算完整的前景/背景分割。

您可能需要添加后处理内容以获得真正的分段，从前景掩码开始。尚不确定是否有任何稳定的通用解决方案。

正如berak所提到的，在实践中使用单个背景图像是不够的，因此您将不得不计算/管理您的背景图像。有很多论文涉及这个主题，但还没有稳定的通用解决方案。

这里还有一些测试。我转换为HSV颜色空间：cv::cvtColor(backgroundImage, HSVbackgroundImagebg, CV_BGR2HSV); cv::cvtColor(currentImage, HSV_currentImage, CV_BGR2HSV);并在此空间中执行相同的操作，从而产生以下结果：

在输入中添加一些噪音之后：

我得到了这个结果：

所以也许阈值有点太高了。我仍然鼓励您查看HSV色彩空间，但您可能需要重新解释“差异图像”并重新缩放每个通道以组合它们的差异值。

Answer 2

我使用Python，这是我的结果：

代码：

# 2017.12.22 15:48:03 CST
# 2017.12.22 16:00:14 CST
import cv2
import numpy as np

img1 = cv2.imread("img1.png")
img2 = cv2.imread("img2.png")
diff = cv2.absdiff(img1, img2))
mask = cv2.cvtColor(diff, cv2.COLOR_BGR2GRAY)

th = 1
imask =  mask>th

canvas = np.zeros_like(img2, np.uint8)
canvas[imask] = img2[imask]

cv2.imwrite("result.png", canvas)

更新，这是C ++代码：

//! 2017.12.22 17:05:18 CST
//! 2017.12.22 17:22:32 CST

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace std;
using namespace cv;
int main() {

    Mat img1 = imread("img3_1.png");
    Mat img2 = imread("img3_2.png");

    // calc the difference
    Mat diff;
    absdiff(img1, img2, diff);

    // Get the mask if difference greater than th
    int th = 10;  // 0
    Mat mask(img1.size(), CV_8UC1);
    for(int j=0; j<diff.rows; ++j) {
        for(int i=0; i<diff.cols; ++i){
            cv::Vec3b pix = diff.at<cv::Vec3b>(j,i);
            int val = (pix[0] + pix[1] + pix[2]);
            if(val>th){
                mask.at<unsigned char>(j,i) = 255;
            }
        }
    }

    // get the foreground
    Mat res;
    bitwise_and(img2, img2, res, mask);

    // display
    imshow("res", res);
    waitKey();
    return 0;
}

类似的答案：

1. CV - Extract differences between two images

2. While finding a difference between 2 pictures OpenCV difference is bigger than it is supposed to be

Answer 3

获得两个图像之间精确像素差异的另一种技术是使用在论文Image Quality Assessment: From Error Visibility to Structural Similarity中首次引入的结构相似指数（SSIM）。该方法可用于确定由于微小的图像差异而导致两个图像是否相同和/或展示差异。 scikit-image library中已将SSIM实现为skimage.measure.compare_ssim()

compare_ssim()函数返回一个score和一个差异图像diff。 score代表两个输入图像之间的平均结构相似性指标，并且可以落在范围[-1,1]之间，其值更接近一个代表更高相似性的值。但是，由于您只对两个图像的不同之处感兴趣，因此我们将重点关注diff图像。具体地，diff图像包含实际图像差异，其中较暗的区域具有更大的视差。较大的差异区域以黑色突出显示，而较小的差异则以灰色突出显示。

---

使用这两个输入图像

我们得到这个结果

  

图片相似度：0.9587009832317672

比较两张图片后的SSIM得分显示它们非常相似

from skimage.metrics import structural_similarity as ssim

import cv2

image1 = cv2.imread('1.png')
image2 = cv2.imread('2.png')

# Convert images to grayscale
image1_gray = cv2.cvtColor(image1, cv2.COLOR_BGR2GRAY)
image2_gray = cv2.cvtColor(image2, cv2.COLOR_BGR2GRAY)

# Compute SSIM between two images
(score, diff) = ssim(image1_gray, image2_gray, full=True)
print("Image similarity:", score)

# The diff image contains the actual image differences between the two images
# and is represented as a floating point data type in the range [0,1] 
# so we must convert the array to 8-bit unsigned integers in the range
# [0,255] image1 we can use it with OpenCV
diff = (diff * 255).astype("uint8")

cv2.imshow('diff', diff)
cv2.waitKey()

已通过Python v3.7.4和skimage v0.17测试。 compare_ssim似乎已在skimage v0.18中删除。

Answer 4

这是众所周知的经典计算机视觉问题，称为背景减法。有很多方法可以用来解决此问题，其中大多数方法已经实现，因此，我认为您应该首先了解多种现有算法，以下是其中大多数方法的开源实现：https://github.com/andrewssobral/bgslibrary（I亲自发现SUBSENSE效果最好，但速度却很慢）