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。
本文要介绍的前端智能化的一类实践：通过计算机视觉和机器学习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
本文基于OpenCV-Python实现图像的样式检测，主要分为三步： 1. 从图片检测并分离组件区域； 2. 基于组件区域进行形状检测； 3. 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
代码语言：javascript复制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. 组件的形状检测
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
代码语言：javascript复制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 = cv2.Canny(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 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：
代码语言：javascript复制# 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： 1. 存在两条水平方向线段和两条垂直方向线段 1. 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
代码语言：javascript复制"""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, h2.2.2 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：
代码语言：javascript复制# 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
代码语言：javascript复制# 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 True3.2 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
- 内外轮廓相似度计算：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
代码语言：javascript复制"""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, center3.2.2 内外轮廓相似度计算
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
代码语言：javascript复制"""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。
本人将于9月5号参与腾讯live开发者大会，届时将介绍更多前端智能化实践内容，欢迎有兴趣童鞋前来观摩
