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，进而辅助开发晋升研发效率，比方实现基于设计稿智能布局和组件智能辨认等。

本文要介绍的是我在前端智能化的实际：通过算法实现主动提取图片中的 UI 款式的能力。

具体成果如上图，当用户框选图片中蕴含组件的区域，算法能精确定位组件地位，并无效辨认组件的 UI 款式。

款式提取计划

对图像的款式检测波及计算机视觉畛域常识，本文基于 OpenCV 进行代码实现，次要分为三步：

1. 从图片检测并拆散组件区域；
2. 基于组件区域进行形态检测；
3. 对合乎规定形态的组件进行款式计算。

1. 从图片拆散组件区域

组件区域拆散次要是通过图像宰割算法，辨认组件区域（前景）和背景区域，本文次要从用户框选操作上思考，采纳了可交互可迭代的 Grab Cut 算法。
Grab cut 算法容许用户框选作为前景输出，利用混合高斯模型 GMM，找到前景和背景的最佳宰割门路，具体可参考文章：图像宰割——Grab Cut 算法

如上图，通过调用 OpenCV 的 cv2.grabCut 办法时，咱们将组件前景框 (x, y, width, height) 作为办法入参，辨认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，输入 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，咱们从背景拆散出指标遮罩，它是蕴含了 N 个组件区域的二值图。

2. 形态检测

接下来，咱们须要通过形态检测从遮罩区筛选出多个可用款式还原的组件，比方矩形、带圆角矩形和圆形。
具体分为两步：1) 提取组件外轮廓 2) 霍夫检测辨认轮廓形态

2.1 外轮廓提取

第一步是通过后面图割遮罩进行外轮廓提取，排除组件外部其它线条带来的影响。轮廓提取次要应用 Suzuki85 轮廓跟踪算法)，该算法基于二值图像拓补，能确定连通域的蕴含关系。

这里采纳的是 Canny 边缘检测来失去图像边缘图，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):
    """输出组件区域遮罩，输入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

这一步咱们失去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 组件的形态检测

第二步则是对每个组件外轮廓进行图形类型辨认，其中除了矩形、圆形是款式可还原图形，其它都不可还原，咱们的指标就是检测出这两种根本图形。

这里使用霍夫变换 (Hough Transform)
) 办法，它是一种辨认几何形态的算法，次要采纳投票机制从多个特色点拟合图像中线段和曲线的参数方程。

2.2.1 矩形检测

检测矩形次要分两步：1）通过霍夫直线变换检测外轮廓的边；2）依据边（线段）汇合判断是否合乎矩形特色。

OpenCV 提供线段检测办法cv2.HoughLinesP，输出外轮廓，输入检测到的线段，具体代码实现如下：

# 检测矩形
def detectRectangle(img, width, height):
    minLineLength = 10
    maxLineGap = 4
    # 霍夫直线变换输入检测到的线段数组
    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定
    return judgeRectangle(segments, width, height)

取到线段汇合后，咱们再判断是否满足矩形边的特色：

1. 存在两条程度方向线段和两条垂直方向线段
2. 上线段到下线段间隔≈组件高度，左线段到右线段间隔≈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  # 如果两线距离非图形高度，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

圆形检测可应用霍夫圆环检测法，对应 OpenCV 的 HoughCircles 办法，输出二值图，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，咱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，咱们将针对这两种根本图形进行款式检测。

3. 组件的款式计算

组件款式计算次要对边框、圆角、背景三种罕用款式别离计算。

3.1 圆角计算

在款式定义中，圆角被限度在矩形的四个顶点处，圆角弧度取决于它的半径，因而圆角计算的次要指标就是辨认圆角的半径。
依据圆角的 4 个方位，咱们将组件区域划分为 4 块进行逐块剖析。
一开始，咱们采纳间接对圆弧点进行圆的曲线拟合，但因为圆角点的数据过于集中，拟合圆的误差很大，如图：

咱们晓得，圆角通过十字对称后能结构出一个圆形，因而，只有咱们确定了“圆角”的候选区域，结构十字轴对称图，就能够依据圆形拟合精确判断是否为满足圆角特色了。具体步骤如下：

1. 假如存在圆角，用面积推算圆角半径，确定“候选区域”
2. 结构“候选区域”程度 - 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

咱们假如存在圆角，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：

这一步咱们依据面积差集计算出半径 R，通过 R，咱们裁剪出“候选区域”，进行下一步验证。

3.1.2 候选区域验证

这一步先结构轴对称图像，次要是在程度和竖直方向顺次做翻转 + 拼接操作。

如图，失去对称图形后，咱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) # 结构二值图
    binary_image[cornerArea[:,:,3] != 0] = 255
    horizontal = cv2.flip(img, 1, dst=None) # 程度镜像
    img=cv2.hconcat([img, horizontal]) # 程度拼接
    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，咱们同样是先确定边框的形容特色：A. 边框内的色彩间断与相近；B. 外轮廓和内轮廓是形态类似的。基于这个特色，我制订了以下步骤：

1. 色块拆散：对图像基于色彩聚类，相近色区聚类同一色块
2. 遍历不同色块，提取每个色块内外轮廓，并计算其类似度

3.2.1 色块拆散

边框具备色彩相近的特色，咱们通过聚类算法对指标图像让色彩相近的区域归类，这里采纳 k-means 算法聚类，聚类特色基于图像的 HSV 色调空间。

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，对色块别离进行外轮廓和内轮廓提取，再判断色块内外轮廓是否形态类似。
其中外轮廓的提取间接复用后面的 cv2.findContours 办法，输出色块，输入外轮廓填充图。
内轮廓则须要分两步，首先对外轮廓填充图与色块填充图进行差运算失去“内域”，再对内域进行cv2.findContours。

拿到内外轮廓后，我应用感知哈希 pHash + 汉明间隔进行类似度计算，它次要通过色彩低采样将图片对立放大到 32×32 尺寸并输入图像签名，很好地解决类似形态中大小不统一带来的误差。

代码实现

"""验证每个色块是否存在边框特色 B"""
def borderExtract(labels, center, img_filled):
    # 遍历 k -means 拆散的 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)
        # 获取以后色块外轮廓，用红色填充
        outter_filled, *_ = image_contours(area)
        # 获取以后色块内轮廓，用红色填充
        result = outter_filled - area
        result[result < 0] = 0
        inner_filled, *_ = image_contours(result)
        # 判断外轮廓和内轮廓是否类似
        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

"""应用 pHash 算法计算轮廓之间类似度"""
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 系列算法别离实现简略组件区域的拆散和款式的检测，对于组件的区域检测，目前是通过手工框选的伎俩确定组件区域，如果要齐全自动化实现 Pixels to Code，还须要借助深度卷积网络进行组件检测与辨认。

更多文章欢送关注：https://www.zhihu.com/people/yonechen/posts

相干材料

最全综述 | 图像宰割算法：https://zhuanlan.zhihu.com/p/…

pHash 图像类似度比拟算法汇总：https://blog.csdn.net/mago201…

机器学习算法实际——K-Means 算法与图像宰割：https://blog.csdn.net/google1…

霍夫变换：https://en.wikipedia.org/wiki…

Suzuki85 轮廓跟踪算法：https://blog.csdn.net/yiqiudr…