专栏文章 界面相似度比对算法实践
在 360 开测项目中，需要比对两个界面的相似度，进行相应的操作
哈希算法
比对两个界面相似度。在 uiautimator 中可以 dump 当前界面的信息，可以转换为一个 AccessibilityNodeInfo 列表。
这个比较初级，采用双层 for 循环来比对数据，数据量越大，时间复杂度越高：f(n!)， 我们可以增加哈希算法在遍历之前来比对字符串，减少代码执行次数。
但是上面这种算法太精准了， AccessibilityNodeInfo 里面有坐标的值， 有 id, 比对太精准了，稍微有点不同，就认为它是条不同的数据，所以我们来看下面一种算法。
感知哈希算法
感知哈希算法就是针对每一张图片生成一个指纹字符串， 比对这两个字符串，结果越相近，图片越相似。
实现步骤
把图片缩小到 8*8 尺寸，也就是总共 64 像素
将当前的 RGB 图片转换为灰度图片，这个时候，图片只保留了图片的结构， 明暗等信息。
这里采用 RGB 三原色码 0.3* R + 0.6 * G + 0.1 * B 比例计算的
这里有一个不错的文章 RGB 转灰度图 http://www.360doc.com/content/12/0424/16/1030755_206201362.shtml， 计算公式有很多，我们这里用 Gray = R0.299 + G0.587 + b*0.114 这个公式就可以了。
计算位图 64 个像素的平均灰度值
我们重新遍历位图，每个灰度值和平均灰度值进行比对， 大于等于平均灰度值为 1， 小于平均灰度值为 0，这样就会生成一个 64 位的数值。
计算哈希值，这样生成的一个数值，就是每张图片的指纹
通过比对上面的指纹字符创，计算图片的相似度
diffNum 就是我们要获取的两张图片的相似度， diffNum< 5 图片很相似 diffNum > 10 图片完全不同。
我们可以在界面变换之前和之后，通过 uiautimator 截屏来判断操作前后的两张图片是否变换了，通过最后的相似度的值来进行相应的操作。
看一下结果：
上图是运行结果的图片。
灰色图片是 8*8 像素的位图的灰度图片
上图第一行就是和平均值比对的 64 位结果， 第二行位哈希值，也就是图片指纹。
参考文献
代码： https://blog.csdn.net/u010652002/article/details/72722198
github 地址 404
github 地址 404
谷歌 monkeyrunner 源码有个使用 RGB 值占比的算法，可以研究下😁
笑哼
回复
源码参考：
@Override
public boolean sameAs(IChimpImage other, double percent) {
BufferedImage otherImage = other.getBufferedImage();
BufferedImage myImage = getBufferedImage();
// Easy size check
if (otherImage.getWidth() != myImage.getWidth()) {
return false;
}
if (otherImage.getHeight() != myImage.getHeight()) {
return false;
}
int[] otherPixel = new int[1];
int[] myPixel = new int[1];
int width = myImage.getWidth();
int height = myImage.getHeight();
int numDiffPixels = 0;
// Now, go through pixel-by-pixel and check that the images are the same;
for (int y = 0; y < height; y++) {
for (int x = 0; x < width; x++) {
if (myImage.getRGB(x, y) != otherImage.getRGB(x, y)) {
numDiffPixels++;
}
}
}
double numberPixels = (height * width);
double diffPercent = numDiffPixels / numberPixels;
return percent <= 1.0 - diffPercent;
}
之前我写了个 Python 版本：
依赖 pillow 模块，img_base 是旧图片路径，img_pre 是新图片路径
def pic_diff(img_base, img_pre):
im_base = Image.open(img_base, 'r')
# print im.size
im_base = im_base.resize((8, 8), Image.ANTIALIAS).convert('L')
width = im_base.size[0]
height = im_base.size[1]
data_base = []
for h in range(0, height):
for w in range(0, width):
pixel = im_base.getpixel((w, h))
data_base.append(pixel)
im_pre = Image.open(img_pre, 'r')
# print im.size
im_pre = im_pre.resize((8, 8), Image.ANTIALIAS).convert('L')
width = im_pre.size[0]
height = im_pre.size[1]
data_pre = []
for h in range(0, height):
for w in range(0, width):
pixel = im_pre.getpixel((w, h))
data_pre.append(pixel)
count = 0
for x in xrange(0,64):
if data_base[x] == data_pre[x]:
count = count + 1
return count/(64.0)