1 前提
使用Appium模拟点击微博APP并获取当前页面的网页源码时，遇到了一个问题：tapByXpath(By.xpath("//android.widget.FrameLayout[@content-desc=\"发现\"]")) 和 driver.getPageSource() 等代码运行异常；广大网友也只给出了一个很模棱两可的解释：当前页面未加载完成，调用相关方法会打断加载过程触发死循环。
无奈之下，只能点击页面坐标；可页面布局是灵活的，要点击的位置会时不时的发生变化，这就对日常生产产生了影响。
为了减少维护工作，页面坐标的确定交由代码来判断。简单暴力的做法：抠出目标图片，大图遍历坐标，RGB与目标图片一致的坐标就是目标图片的坐标，点击坐标继续后续操作。以上做法的缺点也很明显：效率低，甚至严重影响性能。
基于以上情况，我们需引入一些图像相似度算法来提高效率。
2 对像素求方差并比对
2.1 算法逻辑
缩放图片
将需要处理的图片所放到指定尺寸，缩放后图片大小由图片的信息量和复杂度决定。譬如，一些简单的图标之类图像包含的信息量少，复杂度低，可以缩放小一点。风景等复杂场景信息量大，复杂度高就不能缩放太小，容易丢失重要信息。根据自己需求，弹性的缩放。在效率和准确度之间维持平衡。
灰度处理
通常对比图像相似度和颜色关系不是很大，所以处理为灰度图，减少后期计算的复杂度。如果有特殊需求则保留图像色彩。
计算平均值
此处开始，与传统的哈希算法不同：分别依次计算图像每行像素点的平均值，记录每行像素点的平均值。每一个平均值对应着一行的特征。
计算方差
对得到的所有平均值进行计算方差，得到的方差就是图像的特征值。方差可以很好的反应每行像素特征的波动，既记录了图片的主要信息。
比较方差
经过上面的计算之后，每张图都会生成一个特征值（方差）。到此，比较图像相似度就是比较图像生成方差的接近成程度。
一组数据方差的大小可以判断稳定性，多组数据方差的接近程度可以反应数据波动的接近程度。我们不关注方差的大小，只关注两个方差的差值的大小。方差差值越小图像越相似！
3 感知哈希算法
“感知哈希算法”（Perceptual hash algorithm），它的作用是对每张图片生成一个“指纹”（fingerprint）字符串，然后比较不同图片的指纹。结果越接近，就说明图片越相似。
3.1 算法步骤
缩小尺寸
将图片缩小到8x8的尺寸，总共64个像素。这一步的作用是去除图片的细节，只保留结构、明暗等基本信息，摒弃不同尺寸、比例带来的图片差异。
简化色彩
将缩小后的图片，转为64级灰度。也就是说，所有像素点总共只有64种颜色。
计算平均值
计算所有64个像素的灰度平均值
比较像素的灰度平均值
将每个像素的灰度，与平均值进行比较。大于或等于平均值，记为1；小于平均值，记为0。
计算哈希值
将上一步的比较结果，组合在一起，就构成了一个64位的整数，这就是这张图片的指纹。组合的次序并不重要，只要保证所有图片都采用同样次序就行了。
得到指纹以后，就可以对比不同的图片，看看64位中有多少位是不一样的。在理论上，这等同于计算“汉明距离”（Hamming distance）。如果不相同的数据位不超过5，就说明两张图片很相似；如果大于10，就说明这是两张不同的图片。
4 模板匹配
4.1 模板匹配的定义
模板就是一幅已知的小图像，而模板匹配就是在一幅大图像中搜寻目标，已知该图中有要找的目标，且该目标与模板有相同的尺度，方向和图像元素，通过一定的算法可以在图像中找到目标。
模板匹配和卷积原理很像，模板在原图像上开始滑动，计算模板与图像被模板覆盖的地方的差别程度，这个差别程度的计算方法在opencv里有6种，然后将每次计算的结果放入一个矩阵里，作为结果输出。假如原图像是AB大小，而模板是ab大小，则输出结果的矩阵是(A-a+1)*(B-b+1)。
4.2 模板匹配方法
模板匹配在opencv中的函数为 cv2.matchTemplate()，下面看一下其源码：
def matchTemplate(image, templ, method, result=None, mask=None): # real signature unknown; restored from __doc__"""matchTemplate(image, templ, method[, result[, mask]]) -> result. @brief Compares a template against overlapped image regions.. . The function slides through image , compares the overlapped patches of size \f$w \times h\f$ against. templ using the specified method and stores the comparison results in result . Here are the formulae. for the available comparison methods ( \f$I\f$ denotes image, \f$T\f$ template, \f$R\f$ result ). The summation. is done over template and/or the image patch: \f$x' = 0...w-1, y' = 0...h-1\f$. . After the function finishes the comparison, the best matches can be found as global minimums (when. #TM_SQDIFF was used) or maximums (when #TM_CCORR or #TM_CCOEFF was used) using the. #minMaxLoc function. In case of a color image, template summation in the numerator and each sum in. the denominator is done over all of the channels and separate mean values are used for each channel.. That is, the function can take a color template and a color image. The result will still be a. single-channel image, which is easier to analyze.. . @param image Image where the search is running. It must be 8-bit or 32-bit floating-point.. @param templ Searched template. It must be not greater than the source image and have the same. data type.. @param result Map of comparison results. It must be single-channel 32-bit floating-point. If image. is \f$W \times H\f$ and templ is \f$w \times h\f$ , then result is \f$(W-w+1) \times (H-h+1)\f$ .. @param method Parameter specifying the comparison method, see #TemplateMatchModes. @param mask Mask of searched template. It must have the same datatype and size with templ. It is. not set by default. Currently, only the #TM_SQDIFF and #TM_CCORR_NORMED methods are supported."""pass
下面对模板匹配方法进行解释：
- cv2.TM_CCOEFF：系数匹配法，计算相关系数，计算出来的值越大，越相关
- cv2.TM_CCOEFF_NORMED：相关系数匹配法，计算归一化相关系数，计算出来的值越接近1，越相关
- cv2.TM_CCORR：相关匹配法，计算相关性，计算出来的值越大，越相关
- cv2.TM_CCORR_NORMED：归一化相关匹配法，计算归一化相关性，计算出来的值越接近1，越相关
- cv2.TM_SQDIFF：平方差匹配法，计算平方不同，计算出来的值越小，越相关
- cv2.TM_SQDIFF_NORMED：归一化平方差匹配法，计算归一化平方不同，计算出来的值越接近0，越相关
公式复制opencv官网，如下：
4.3 cv2.minMaxLoc() 函数用法
cv2.minMaxLoc() 函数功能：假设有一个矩阵a，现在需要求这个矩阵的最小值，最大值，并得到最大值，最小值的索引。就可以使用此函数。
cv2.minMaxLoc() 函数源码如下：
def minMaxLoc(src, mask=None): # real signature unknown; restored from __doc__"""minMaxLoc(src[, mask]) -> minVal, maxVal, minLoc, maxLoc. @brief Finds the global minimum and maximum in an array.. . The function cv::minMaxLoc finds the minimum and maximum element values and their positions. The. extremums are searched across the whole array or, if mask is not an empty array, in the specified. array region.. . The function do not work with multi-channel arrays. If you need to find minimum or maximum. elements across all the channels, use Mat::reshape first to reinterpret the array as. single-channel. Or you may extract the particular channel using either extractImageCOI , or. mixChannels , or split .. @param src input single-channel array.. @param minVal pointer to the returned minimum value; NULL is used if not required.. @param maxVal pointer to the returned maximum value; NULL is used if not required.. @param minLoc pointer to the returned minimum location (in 2D case); NULL is used if not required.. @param maxLoc pointer to the returned maximum location (in 2D case); NULL is used if not required.. @param mask optional mask used to select a sub-array.. @sa max, min, compare, inRange, extractImageCOI, mixChannels, split, Mat::reshape"""pass
函数返回值就是矩阵的最小值，最大值，最小值的索引，最大值的索引。
