基于OpenCV和C++的旋转图像差异检测异常问题求助

核心思路是先将旋转后的图像与原图对齐，再执行差异检测——小角度旋转属于刚性变换（仅包含旋转和平移），通过配准算法消除像素偏移后，就能避免误判出整体轮廓差异。

方案一：基于ECC算法的图像配准（推荐） #

ECC算法无需提取特征点，专门针对刚性/仿射变换的图像配准，适合小角度旋转场景，计算效率高。

完整代码实现 #

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

// 对齐旋转图像到原图坐标系
Mat alignImages(Mat &src, Mat &dst) {
    // 转灰度图减少计算量
    Mat srcGray, dstGray;
    cvtColor(src, srcGray, COLOR_BGR2GRAY);
    cvtColor(dst, dstGray, COLOR_BGR2GRAY);

    // 定义刚性变换类型（旋转+平移）
    const int warpMode = MOTION_EUCLIDEAN;
    Mat warpMatrix = Mat::eye(2, 3, CV_32F);

    // 迭代终止条件
    TermCriteria criteria(TermCriteria::COUNT + TermCriteria::EPS, 5000, 1e-10);

    // 计算变换矩阵
    findTransformECC(srcGray, dstGray, warpMatrix, warpMode, criteria);

    // 对旋转图像做仿射变换，对齐到原图
    Mat alignedDst;
    warpAffine(dst, alignedDst, warpMatrix, src.size(), INTER_LINEAR + WARP_INVERSE_MAP);

    return alignedDst;
}

// 检测并标注差异
Mat detectAndMarkDiff(Mat &original, Mat &aligned) {
    // 计算像素差异
    Mat diff;
    absdiff(original, aligned, diff);

    // 转灰度并阈值化提取差异区域
    Mat diffGray;
    cvtColor(diff, diffGray, COLOR_BGR2GRAY);
    threshold(diffGray, diffGray, 30, 255, THRESH_BINARY);

    // 形态学操作消除小噪点
    Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));
    erode(diffGray, diffGray, kernel);
    dilate(diffGray, diffGray, kernel);

    // 用红色标注差异区域
    Mat result = original.clone();
    result.setTo(Scalar(0, 0, 255), diffGray);

    return result;
}

int main() {
    // 加载原图和旋转后的图像
    Mat original = imread("original.png");
    Mat rotated = imread("rotated.png");

    if (original.empty() || rotated.empty()) {
        cout << "图像加载失败" << endl;
        return -1;
    }

    // 对齐图像
    Mat alignedRotated = alignImages(original, rotated);

    // 检测差异
    Mat diffResult = detectAndMarkDiff(original, alignedRotated);

    // 保存并显示结果
    imwrite("diff_result.png", diffResult);
    imshow("差异检测结果", diffResult);
    waitKey(0);

    return 0;
}

方案二：基于ORB特征匹配的图像配准 #

如果ECC算法对低纹理图像效果不佳，可以用特征匹配的方式配准，ORB是免费且高效的特征检测器。

核心配准代码片段 #

Mat alignImagesWithORB(Mat &src, Mat &dst) {
    Mat srcGray, dstGray;
    cvtColor(src, srcGray, COLOR_BGR2GRAY);
    cvtColor(dst, dstGray, COLOR_BGR2GRAY);

    // 提取ORB特征点与描述子
    Ptr<ORB> orb = ORB::create(500);
    vector<KeyPoint> kpSrc, kpDst;
    Mat descSrc, descDst;
    orb->detectAndCompute(srcGray, noArray(), kpSrc, descSrc);
    orb->detectAndCompute(dstGray, noArray(), kpDst, descDst);

    // 匹配特征点并筛选优质匹配对
    BFMatcher matcher(NORM_HAMMING);
    vector<DMatch> matches;
    matcher.match(descSrc, descDst, matches);

    double minDist = 1000;
    for (auto &match : matches) {
        if (match.distance < minDist) minDist = match.distance;
    }
    vector<DMatch> goodMatches;
    for (auto &match : matches) {
        if (match.distance < max(2 * minDist, 30.0)) goodMatches.push_back(match);
    }

    // 提取匹配点坐标，计算刚性变换矩阵
    vector<Point2f> ptsSrc, ptsDst;
    for (auto &match : goodMatches) {
        ptsSrc.push_back(kpSrc[match.queryIdx].pt);
        ptsDst.push_back(kpDst[match.trainIdx].pt);
    }
    Mat warpMatrix = estimateRigidTransform(ptsDst, ptsSrc, false);

    // 对齐图像
    Mat alignedDst;
    warpAffine(dst, alignedDst, warpMatrix, src.size(), INTER_LINEAR);

    return alignedDst;
}

差异检测优化建议 #

1. 若光照有轻微变化，可改用自适应阈值（adaptiveThreshold）替代固定阈值，减少误判。
2. 对RGB图像差异检测，可分别计算三个通道的差值后合并，比直接转灰度更准确。
3. 用cv::quality::QualitySSIM计算结构相似性，替代单纯的像素差，能更鲁棒地识别真实差异。

内容的提问来源于stack exchange，提问作者Lukaster