原文链接：http://www.juzicode.com/archives/5075
Hello，大家好，我是桔子菌，今天我们来看些有趣的视觉错觉图。Twitter上有个叫jagarikin的大牛发布了很多这种图片。像下面这张图片里，你是不是看到这些小人在爬楼梯，爬完了又往下跳？
要判断是否有运动，当然首先是要找个静止的参照物，我们可以先锁定图片中最大部分的楼梯，其实并没有移动，只是颜色的变化看起来好像在移动。再以楼梯右上角为参考点，它右上方那个小人动作和位置都是静止的，同样的方法找些参考点逐个分析，除了右下角那个小人在原地奔跑，其他小人实际上都是静止的。
上面这张小人图片仔细看还能发现问题所在，像下面这张图片中左右两个彩色的圆，它们的中心位置有发生变化吗？圆的大小有发生变化吗?
这张图没有上一张那样有个大的参照物，判断起来有点困难了，如果以圆圈中间的箭头作参照物，看起来好像真的有大小变化和位置移动，但是真的如此吗？
直观感觉容易骗人，我们就来做一些“理性”分析，接下来用Python和OpenCV处理看看会是什么结果。
下载下来的原图是gif格式的，gif文件在OpenCV中并不能用imread()直接读取，可以用VedioCapture()把各帧图像提取出来，保存为jpg格式的静态图片：
#juzicode.com VX:桔子code
import os
import time
import cv2
def split_image(fn,path='.\\'):
'''
从gif中分离图片
'''
fn_full_path = path+fn
cap = cv2.VideoCapture(fn_full_path)
count_img = 0
while True:
flag,img = cap.read()
if flag is not True:break
cv2.imshow('img',img)
cv2.waitKey(10)
cv2.imwrite(str(count_img)+'.jpg',img)
count_img += 1
print('count_img=',count_img)
if name == "__main__":
img_fn = '1.gif'
split_image(img_fn)好家伙，这一个gif图片里面居然有199帧图片。
接下来我们就来分析这些图片，首先是imread()读取图片：
path = '.\\'
img_files = [f for f in os.listdir(path) if '.jpg' in f]
for file in img_files:
img_dest = cv2.imread(path+file)
show_img('img_dest VX:juzicode/juzicode.com',img_dest,is_show=dbg_is_show,wait_time=100)然后在RGB彩色空间里提取R、G、B分量二值化之后效果并不是很好。
我们知道彩色图像除了用RGB彩色空间也可以用HSV彩色空间表示，RGB转换为HSV后提取H、S、V分量：
img_hsv = cv2.cvtColor(img_dest, cv2.COLOR_BGR2HSV)#RGB转换为hsv
show_img("hsv", img_hsv,wait_time=100)
img_h, img_s, img_v = cv2.split(img_hsv) #分离hsv各分量
show_img('img_h',img_h,is_show=dbg_is_show,wait_time=200)
show_img('img_s',img_s,is_show=dbg_is_show,wait_time=100)
show_img('img_v',img_v,is_show=dbg_is_show,wait_time=200) 下面是RGB彩色空间和HSV彩色空间对比的效果：
将H、S、V分量分别显示出来，发现下图右下角的S分量对比度极高，可以用来做二值化处理：
在S分量上进行二值化：
thresh_bin,img_bin= cv2.threshold(img_s,30,255,cv2.THRESH_BINARY)
print('thresh_bin',thresh_bin )
show_img('img_bin',img_bin,wait_time=100,is_show=dbg_is_show) 二值化后的图像效果不错，前景背景区分非常明显，下图右侧是S分量图像，左侧是S分量二值化后的图像：
接下来就是在二值化图像中找圆心位置、计算圆的半径，等价于计算内外圆外框的起始位置和宽高，如果内外圆外框的起始位置和宽高没有变化或者变化极小，就能说明圆圈并没有移动位置、大小也没有发生变化。
res = cv2.findContours(img_bin,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
contours=res[0]
print ('len(contours):',len(contours))
for i in range(0,len(contours)):
x, y, w, h = cv2.boundingRect(contours[i])#提取起点、宽高
print(i,len(contours[i]))
if len(contours[i])<80:continue #去除噪声
text='x,y=(%d,%d) w,h=(%d,%d)'%(x, y, w, h)
if x< 150: #这里只显示左侧圆的内外圆起始位置和宽高
cv2.putText(img_dest, text, (x,y-10 ), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2)
cv2.rectangle(img_dest, (x,y), (x+w,y+h), (0,0,255), 3)
show_img("img_dest_rect", img_dest,wait_time=100) 下图中右上角的子图显示的是左侧内外圆的外框起始位置（x，y）和宽高（w，h）：
通过采集内外圆的起始位置（x，y）和宽高（w，h）4个参数，动态对比了199张图像，波动都只在3个像素以内：
如果将起始位置（x，y）和宽高（w，h）用matplotlib绘图，左右圆的内外圆组成的4个框图的起点位置（x，y）都聚集在4个角落位置，4个框图的宽高（w，h）都聚集在对角2个位置，对应了内圆和外圆的大小。
通过将原图中圆环的内外圆位置和大小经过数值化提取后，再比较定量的数值数据，可以得出明确的结论，原图中的圆环并没有挪动位置、改变大小。
现在有了定量的分析，你还认为原图中的2个圆圈位置和大小在发生变化吗？实际上原图中圆圈内的小箭头才是“罪魁祸首”，是它们在诱导你作出错误的判断。
聪明的你看到下面这个正方体是在转动的吗？
