利用ORB实现OpenCV图像对齐

Question

我需要精确地对齐两个图像。为此，我使用了增强相关系数（ECC）。这给了我很好的结果除了图像旋转很多。例如，如果参考图像（基本图像）和测试图像（我要对齐的图像）旋转90度，ECC方法不起作用，根据findTransformECC()的文档，这是正确的

Note that if images undergo strong displacements/rotations, an initial transformation that roughly aligns the images is necessary (e.g., a simple euclidean/similarity transform that allows for the images showing the same image content approximately).

所以我不得不用基于特征点的对齐方法来做一些粗略的对齐。我尝试了SIFT和ORB，但我面临着同样的问题。对于某些图像，它可以很好地工作，而对于其他图像，结果变换会在错误的一侧移动或旋转。在

这些是输入图像：

我认为这个问题是由错误的匹配引起的，但是如果我只使用10个距离较小的关键点，那么在我看来它们都是很好的匹配（当我使用100个关键点时，结果完全相同）

这是匹配的结果：

结果是：

如果你比较旋转后的图像，它会向右上下移动。 我错过了什么？在

这是我的代码：

        # Initiate detector
    orb = cv2.ORB_create()

    # find the keypoints with ORB
    kp_base = orb.detect(base_gray, None)
    kp_test = orb.detect(test_gray, None)

    # compute the descriptors with ORB
    kp_base, des_base = orb.compute(base_gray, kp_base)
    kp_test, des_test = orb.compute(test_gray, kp_test)

    # Debug print
    base_keypoints = cv2.drawKeypoints(base_gray, kp_base, color=(0, 0, 255), flags=0, outImage=base_gray)
    test_keypoints = cv2.drawKeypoints(test_gray, kp_test, color=(0, 0, 255), flags=0, outImage=test_gray)

    output.debug_show("Base image keypoints",base_keypoints, debug_mode=debug_mode,fxy=fxy,waitkey=True)
    output.debug_show("Test image keypoints",test_keypoints, debug_mode=debug_mode,fxy=fxy,waitkey=True)

    # find matches
    # create BFMatcher object
    bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
    # Match descriptors.
    matches = bf.match(des_base, des_test)
    # Sort them in the order of their distance.
    matches = sorted(matches, key=lambda x: x.distance)


    # Debug print - Draw first 10 matches.
    number_of_matches = 10
    matches_img = cv2.drawMatches(base_gray, kp_base, test_gray, kp_test, matches[:number_of_matches], flags=2, outImg=base_gray)
    output.debug_show("Matches", matches_img, debug_mode=debug_mode,fxy=fxy,waitkey=True)

    # calculate transformation matrix
    base_keypoints = np.float32([kp_base[m.queryIdx].pt for m in matches[:number_of_matches]]).reshape(-1, 1, 2)
    test_keypoints = np.float32([kp_test[m.trainIdx].pt for m in matches[:number_of_matches]]).reshape(-1, 1, 2)
    # Calculate Homography
    h, status = cv2.findHomography(base_keypoints, test_keypoints)
    # Warp source image to destination based on homography
    im_out = cv2.warpPerspective(test_gray, h, (base_gray.shape[1], base_gray.shape[0]))
    output.debug_show("After rotation", im_out, debug_mode=debug_mode, fxy=fxy)

Answer 1

这个问题的答案既平凡又令人恼火。假设这与我遇到的问题相同（我认为是这样）：

问题及解释 大多数相机都使用包含“方向”值的EXIF标记保存图像。从OpenCV 3.2开始，当图像加载时，将自动读入此方向标记伊姆雷德简历（），图像基于标签定向（有8种可能的方向，包括90*旋转、镜像和翻转）。一些图像查看应用程序（如linuxmint-guinnon中的image-Viewer和adobephotoshop）将显示沿EXIF方向标记旋转的图像。其他应用程序（如QGIS和OpenCV<；3.2）会忽略该标记。如果您的图像1有一个方向标记，而图像2有一个方向标记，并且您在OpenCV中执行了与ORB的对齐（我还没有尝试过SIFT），那么在读取EXIF orientation标记的应用程序中打开时，对齐的图像2将以正确的方向（图像1的方向）显示。但是，如果在忽略EXIF Orientation标记的应用程序中打开这两个图像，则它们看起来不会具有相同的方向。当一个图像有一个方向标记而另一个没有时，这个问题就变得更加明显了。在

一个可能的解决方案 在将图像读入OpenCV之前，请删除EXIF方向标记。现在，从OpenCV 3.4开始（也许是3.3？）有一个选项可以忽略标记来加载图像，但当这一操作完成后，它们将作为灰度（1通道）加载，如果您需要颜色cv.imread('image.jpg',128)，其中128表示“忽略方向”，那么这是没有帮助的。因此，我在python中使用pyexiv2从图像中删除有问题的EXIF Orientation标记：

import pyexiv2
image = path_to_image
imageMetadata = pyexiv2.ImageMetadata(image)
imageMetadata.read()
try:
    del imageMetadata['Exif.Image.Orientation']
    imageMetadata.write()
except:
    continue