前端智能化实践——从图片识别UI样式
2020/9/1 8:03:38
本文主要是介绍前端智能化实践——从图片识别UI样式,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
导语:前端智能化,就是通过AI/CV技术,使前端工具链具备理解能力,进而辅助开发提升研发效率,比如实现基于设计稿智能布局和组件智能识别等。
本文要介绍的是我在前端智能化的实践:通过算法实现自动提取图片中的UI样式的能力。
具体效果如上图,当用户框选图片中包含组件的区域,算法能准确定位组件位置,并有效识别组件的UI样式。
样式提取方案
对图像的样式检测涉及计算机视觉领域知识,本文基于OpenCV进行代码实现,主要分为三步:
- 从图片检测并分离组件区域;
- 基于组件区域进行形状检测;
- 对符合规则形状的组件进行样式计算。
1. 从图片分离组件区域
组件区域分离主要是通过图像分割算法,识别组件区域(前景)和背景区域,本文主要从用户框选操作上考虑,采用了可交互可迭代的Grab Cut算法。
Grab cut 算法允许用户框选作为前景输入,利用混合高斯模型GMM,找到前景和背景的最佳分割路径,具体可参考文章:图像分割——Grab Cut算法
如上图,通过调用OpenCV的cv2.grabCut
方法时,我们将组件前景框(x, y, width, height)作为方法入参,识别出的组件像素被存储在mask遮罩。
代码实现
def extract(img, rect): """输入框选区,输出GrabCut遮罩""" x, y, w, h = rect roi_img = img[y:y+h, x:x+h] mask = np.zeros(roi_img.shape[:2], np.uint8) # 初始化遮罩层 bgdModel = np.zeros((1, 65), np.float64) fgdModel = np.zeros((1, 65), np.float64) # 函数的返回值是更新的 mask, bgdModel, fgdModel cv2.grabCut(img, mask, rect, bgdModel, fgdModel, 4, cv2.GC_INIT_WITH_RECT) mask = np.where((mask == 2) | (mask == 0), 0, 255).astype("uint8") return mask
通过这一步,我们从背景分离出目标遮罩,它是包含了N个组件区域的二值图。
2. 形状检测
接下来,我们需要通过形状检测从遮罩区筛选出多个可用样式还原的组件,比如矩形、带圆角矩形和圆形。
具体分为两步:1) 提取组件外轮廓 2) 霍夫检测识别轮廓形状
2.1 外轮廓提取
第一步是通过前面图割遮罩进行外轮廓提取,排除组件内部其它线条带来的影响。轮廓提取主要使用Suzuki85轮廓跟踪算法,该算法基于二值图像拓补,能确定连通域的包含关系。
这里采用的是Canny边缘检测来得到图像边缘图,再通过Suzuki85算法cv2.findContours
从图像边缘提取外轮廓。
代码实现
def separate(img, th=5): """输入组件区域遮罩,输出多个组件外轮廓列表""" new_img = img.copy() new_img = cv2.Canny(new_img, 50, 150) new_img = image_morphology(new_img) cnts, _ = cv2.findContours(new_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) data = [] for cnt in cnts: x, y, w, h = cv2.boundingRect(cnt) if (w < th) | (h < th): """剔除噪点""" continue data.append((cnt, x, y, w, h)) return data
这一步我们得到了图像中所有组件的外轮廓以及具体的坐标x,y
和宽高w,h
。
2.2 组件的形状检测
第二步则是对每个组件外轮廓进行图形类型识别,其中除了矩形、圆形是样式可还原图形,其它都不可还原,我们的目标就是检测出这两种基本图形。
这里运用霍夫变换(Hough Transform)方法,它是一种识别几何形状的算法,主要采用投票机制从多个特征点拟合图像中线段和曲线的参数方程。
2.2.1 矩形检测
检测矩形主要分两步:1)通过霍夫直线变换检测外轮廓的边;2)根据边(线段)集合判断是否符合矩形特征。
OpenCV提供线段检测方法cv2.HoughLinesP
,输入外轮廓,输出检测到的线段,具体代码实现如下:
# 检测矩形 def detectRectangle(img, width, height): minLineLength = 10 maxLineGap = 4 # 霍夫直线变换输出检测到的线段数组 lines = cv2.HoughLinesP(img, 1, np.pi/180, 100, minLineLength, maxLineGap) segments = lines.reshape(lines.shape[0], 4) # 将线段数组进行进一步检测,判断是否命中矩形规则 return judgeRectangle(segments, width, height)
取到线段集合后,我们再判断是否满足矩形边的特征:
- 存在两条水平方向线段和两条垂直方向线段
- 上线段到下线段距离≈组件高度,左线段到右线段距离≈组件宽度
代码实现
"""判断是否为矩形""" def judgeRectangle(lines, width, height, x=0, y=0): th = 2 horizontal_segments = lines[np.where(abs(lines[:, 1] - lines[:, 3]) < th)] vertical_segments = lines[np.where(abs(lines[:, 0] - lines[:, 2]) < th)] isRect = False h = w = None if horizontal_segments.size != 0: horizontal_centers = ( horizontal_segments[:, 1] / 2 + horizontal_segments[:, 3] / 2 ) top = horizontal_centers.min() bottom = horizontal_centers.max() h = bottom - top if abs(h - height) > th: return False, None, None # 如果两线间隔非图形高度,则不规则图片 isRect = True h = int(round(h)) if vertical_segments.size != 0: vertical_centers = vertical_segments[:, 0] / 2 + vertical_segments[:, 2] / 2 left = vertical_centers.min() right = vertical_centers.max() w = right - left if abs(w - width) > th: return False, None, None isRect = True w = int(round(w)) return isRect, w, h
2.2.2 圆形检测
圆形检测可使用霍夫圆环检测法,对应OpenCV的HoughCircles
方法,输入二值图,如果存在圆形,则返回圆形和半径。代码实现如下:
# 检测圆形 def detectCircle(img, width, height): circles = cv2.HoughCircles(img,cv2.HOUGH_GRADIENT,1,20,param1=30,param2=15,minRadius=10,maxRadius=0) if circles is None: return False [radius, rx, ry] = circles[0] return judgeCircle(radius, rx, ry, width, height) def judgeCircle(r, rx, ry, w, h, x=0, y=0, th=4): return ( (abs(w - h) < th) & (abs(r - w / 2) < th) & (abs(rx - x - w / 2) < th) & (abs(ry - y - h / 2) < th) )
通过这一步,我们筛选出属于矩形或圆形的组件,以及组件的宽高、圆形以及对应的半径,下一步,我们将针对这两种基本图形进行样式检测。
3. 组件的样式计算
组件样式计算主要对边框、圆角、背景三种常用样式分别计算。
3.1 圆角计算
在样式定义中,圆角被限制在矩形的四个顶点处,圆角弧度取决于它的半径,因此圆角计算的主要目标就是识别圆角的半径。
根据圆角的4个方位,我们将组件区域划分为4块进行逐块分析。
一开始,我们采用直接对圆弧点进行圆的曲线拟合,但由于圆角点的数据过于集中,拟合圆的误差很大,如图:
我们知道,圆角经过十字对称后能构造出一个圆形,因此,只要我们确定了“圆角”的候选区域,构造十字轴对称图,就可以根据圆形拟合准确判断是否为满足圆角特征了。具体步骤如下:
- 假设存在圆角,用面积推算圆角半径,确定“候选区域”
- 构造“候选区域”水平-竖直轴对称图形,对图形进行霍夫圆环检测,验证是否为圆角
3.1.1 圆角半径推算
我们假设存在圆角,半径为R,如下图黄色色块区域,是组件框与填充组件的差集。
同时,黄色块也是以边长R为正方形与半径R为1/4圆的差集,即s = R² - π × R² × ¼
,于是联立方程,可求解圆角半径R,代码如下:
这一步我们根据面积差集计算出半径R,通过R,我们裁剪出“候选区域”,进行下一步验证。
3.1.2 候选区域验证
这一步先构造轴对称图像,主要是在水平和竖直方向依次做翻转+拼接操作。
如图,得到对称图形后,我们沿用上文的霍夫圆环变换来检测是否存在圆形,如果存在,则圆角也存在,反之亦然。
代码实现
# 推算可能的圆角半径 def getCornerRadius(img): cornerRadius = 0 corner_mask_size = img[img[:, :, 3] != 1].size # if corner_mask_size >= 0: cornerRadius = round(math.sqrt((corner_mask_size / 3) / (1 - np.pi / 4))) return cornerRadius # 验证候选区域是否为圆角,以左上圆角为例 def vertifyCorner(img, cornerRadius): cornerArea = img[:cornerRadius, :cornerRadius] # 裁剪出候选区域 binary_image = np.zeros(cornerArea.shape[0:2],dtype=np.uint8) # 构造二值图 binary_image[cornerArea[:,:,3] != 0] = 255 horizontal = cv2.flip(img, 1, dst=None) # 水平镜像 img=cv2.hconcat([img, horizontal]) # 水平拼接 vertical = cv2.flip(img, 0, dst=None) # 垂直镜像 img=cv2.vconcat([img, vertical]) # 垂直拼接 img = cv2.copyMakeBorder(img, 5, 5, 5, 5, cv2.BORDER_CONSTANT, value = [0]) circles = cv2.HoughCircles(img, cv2.HOUGH_GRADIENT,1,20) if circles is None: return False else: return True
3.2 边框计算
对于边框的计算,我们同样是先确定边框的描述特征:A. 边框内的颜色连续与相近;B. 外轮廓和内轮廓是形状相似的。基于这个特征,我制定了以下步骤:
- 色块分离:对图像基于颜色聚类,相近色区聚类同一色块
- 遍历不同色块,提取每个色块内外轮廓,并计算其相似度
3.2.1 色块分离
边框具有颜色相近的特征,我们通过聚类算法对目标图像让颜色相近的区域归类,这里采用k-means
算法聚类,聚类特征基于图像的HSV色彩空间。
代码实现
"""k-means聚类""" def image_kmeansSegement(img, k=6): # 将图片从RGB空间转为HSV img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) data = img.reshape((-1, 3)) data = np.float32(data) # MAX_ITER最大迭代次数,EPS最高精度 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0) num_clusters = k ret, label, center = cv2.kmeans( data, num_clusters, None, criteria, num_clusters, cv2.KMEANS_RANDOM_CENTERS ) center = cv2.cvtColor(np.array([center], dtype=np.uint8), cv2.COLOR_HSV2BGR)[0] labels = label.flatten() return labels, center
3.2.2 候选区域验证
这一步是遍历k个候选色块,对色块分别进行外轮廓和内轮廓提取,再判断色块内外轮廓是否形状相似。
其中外轮廓的提取直接复用前面的cv2.findContours
方法,输入色块,输出外轮廓填充图。
内轮廓则需要分两步,首先对外轮廓填充图与色块填充图进行差运算得到“内域”,再对内域进行cv2.findContours
。
拿到内外轮廓后,我使用感知哈希pHash + 汉明距离进行相似度计算,它主要通过颜色低采样将图片统一缩小到32×32尺寸并输出图像签名,很好地解决相似形状中大小不一致带来的误差。
代码实现
"""验证每个色块是否存在边框特征B""" def borderExtract(labels, center, img_filled): # 遍历k-means分离的k个色块 for i in range(labels.max()): area = np.zeros((labels.size), dtype=np.uint8) area[labels == i] = 255 area = area.reshape(img_filled.shape) # 获取当前色块外轮廓,用白色填充 outter_filled, *_ = image_contours(area) # 获取当前色块内轮廓,用白色填充 result = outter_filled - area result[result < 0] = 0 inner_filled, *_ = image_contours(result) # 判断外轮廓和内轮廓是否相似 if isSimilar(outter_filled, inner_filled) & isSimilar(img_filled, filled1): s1 = np.where(filled1 > 0)[0].size s2 = np.where(filled2 > 0)[0].size scale = (1.0 - math.sqrt(s2 / s1)) * 0.5 _drawBorder(filled1 - filled2, center[i]) return scale, center[i], filled2 return None """使用pHash算法计算轮廓之间相似度""" def isSimilar(img1, img2, th=0.8): HASH1 = PHash.pHash(img1) HASH2 = PHash.pHash(img2) distance, score = PHash.hammingDist(HASH1, HASH2) print(score) return score > th
总结
本文通过OpenCV系列算法分别实现简单组件区域的分离和样式的检测,对于组件的区域检测,目前是通过手工框选的手段确定组件区域,如果要完全自动化实现Pixels to Code,还需要借助深度卷积网络进行组件检测与识别。
最后,本人将于9月5号参与2020腾讯live开发者大会,介绍更多前端智能化内容,欢迎有兴趣童鞋前来观摩👇
腾讯Live开发者大会:https://2020.tlc.ivweb.io/detail/?number=8
更多文章欢迎关注:https://zhuanlan.zhihu.com/webxr
相关资料
最全综述 | 图像分割算法:https://zhuanlan.zhihu.com/p/70758906
pHash图像相似度比较算法汇总:https://blog.csdn.net/mago2015/article/details/81137089
机器学习算法实践——K-Means算法与图像分割:https://blog.csdn.net/google19890102/article/details/52911835
霍夫变换:https://en.wikipedia.org/wiki/Hough_transform
Suzuki85轮廓跟踪算法:https://blog.csdn.net/yiqiudream/article/details/76864722
这篇关于前端智能化实践——从图片识别UI样式的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!
- 2024-05-30毕设私活神器
- 2024-05-30html
- 2024-05-09一定要避坑:关于微信H5分享,温馨提示你不要再踩坑了!!!
- 2024-05-09本地项目放到公网访问!炒鸡煎蛋!
- 2024-04-07金融企业区域集中库的设计构想和测试验证
- 2024-03-11前端CSS的工程化——掌握Sass这四大特性就够了
- 2024-02-21h5关联css样式(html怎么和css关联)-icode9专业技术文章分享
- 2024-02-07Firefox禁止远程字体加速网页加载及图标字体补充安装
- 2024-02-07一个菜鸡前端的3年总结-「2023」
- 2024-01-18最火前端Web组态软件(可视化)