滑动验证码-获取滑动长度

滑动验证码-获取滑动长度

思路：

• 为了更快精准的找出滑动的距离，因此可以给图片做适当的处理

  • 灰度化。所谓灰度，就是图像没有色彩。举个例子，原本的彩色图片是有RGB三种颜色组成的(也就是每个像素点由三个值)，现在给图像灰度化，每个像素点只有一个值(0-255)表示颜色的深度

• 为了方便测试，可以考虑使用python的实时图像框架调试

安装

pip install opencv-python==4.6.0.66
pip install streamlit==1.11.1

运行streamlit代码

streamlit run file_path

翻译

如果您是我们的开发合作伙伴之一，或者您有兴趣获得

个人技术支持或Streamlit更新，请输入您的电子邮件

地址如下。否则，您可以将该字段留空。

图片比对相似

cv2.matchTemplate(big, small, cv2.TM_CCORR_NORMED)

• 方差匹配方法(TM_SQDIFF)：匹配度越高，值越接近于0

• 归一化方差匹配方法(TM_SQDIFF_NORMED)：完全匹配结果为0

• 相关性匹配方法(TM_CCORR)：完全匹配会得到很大值，不匹配会得到一个很小值或0

• 归一化的互相关匹配方法(TM_CCORR_NORMED)：完全匹配会得到1， 完全不匹配会得到0

• 相关系数匹配方法(TM_CCOEFF)：完全匹配会得到一个很大值，完全不匹配会得到0，完全负相关会得到很大的负数

  • 此处与书籍以及大部分分享的资料所认为不同，研究公式发现，只有归一化的相关系数才会有[-1,1]的值域

• 归一化的相关系数匹配方法( TM_CCOEFF_NORMED)：完全匹配会得到1，完全负相关匹配会得到-1，完全不匹配会得到0

• # pip install opencv-python
  # pip install streamlit
  import cv2
  import streamlit as st
  
  
  def get_long():
    # 导入图片
    img1 = cv2.imread('./imgs/cpt1.png')
    img2 = cv2.imread('./imgs/cpt2.png')
  
  
    # 建立2个 st 控制的变量
    min_value = st.slider('input min value',max_value=500)
    max_value = st.slider('input max value',max_value=1000)
    # 边缘化图片
    # Canny使用的滞后阈值，低阈值，高阈值
    # canny1 = cv2.Canny(img1,min_value,max_value)
    '''
     1. Canny 使用了滞后阈值，滞后阈值需要两个阈值(高阈值和低阈值)。
     2. 如果某一像素位置的幅值超过 高 阈值, 该像素被保留为边缘像素。
     3. 如果某一像素位置的幅值小于 低 阈值, 该像素被排除。
     4. 如果某一像素位置的幅值在两个阈值之间,该像素仅仅在连接到一个高于 高 阈值的像素时被保留。
     '''
    canny1 = cv2.Canny(img1,min_value,max_value)
    # 保存图片
    cv2.imwrite('./imgs/tcpt1.png',canny1)
  
  
    # 使用 streamlit 输出结果
    st.write(canny1)
    st.image(canny1)
  
  
    canny2 = cv2.Canny(img2,min_value,min_value)
    cv2.imwrite('./imgs/tcpt2.png',canny2)
  
  
    st.image(canny2)
  
  
    # 加载边缘化后的图片
    big = cv2.imread('./imgs/tcpt1.png')
    small = cv2.imread('./imgs/tcpt2.png')
    # 对比图片
    rs = cv2.matchTemplate(big, small, cv2.TM_CCORR_NORMED)
    # 通过制定的方法来查询相应的结果
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(rs)
    # st.write(rs)
    # st.write(min_val, max_val, min_loc, max_loc)
    # st.write(big.shape)
    return max_loc[0]/big.shape[1]*340
    
  
  
    # 画图个框来验证，匹配的结果是否正确
    # tw,th = small.shape[:2]
    # timg = cv2.rectangle(big, max_loc, (max_loc[0]+tw,max_loc[1]+th), (255,255,0))
    # st.image(timg)
   
  if __name__ == '__main__':
    get_long()