OpenCV调用warpPerspective报(-215)单应矩阵断言失败问题

开发者阿泽

2026-8-26

问题背景

对两张尺寸为128×128的RGB肺部掩码图像执行图像配准操作，相同处理逻辑在其他普通图像上可正常运行，本次运行抛出异常。参考公开教程编写的registerImage配准函数、完整运行代码与报错信息如下：

import cv2
import numpy as np

def registerImage(img1,img2):
  # 待对齐图像
  img1_color = img1
  # 参考图像
  img2_color = img2
  
  # 转灰度图
  img1 = cv2.cvtColor(img1_color, cv2.COLOR_BGR2GRAY)
  img2 = cv2.cvtColor(img2_color, cv2.COLOR_BGR2GRAY)
  height, width = img2.shape
  
  # 初始化ORB检测器，最多提取5000个特征
  orb_detector = cv2.ORB_create(5000)
  
  # 检测关键点与计算描述子
  kp1, d1 = orb_detector.detectAndCompute(img1, None)
  kp2, d2 = orb_detector.detectAndCompute(img2, None)
  
  # 初始化汉明距离的暴力匹配器，开启交叉校验
  matcher = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck = True)
  
  # 匹配描述子
  matches = matcher.match(d1, d2)
  
  # 按汉明距离排序匹配对
  matches.sort(key = lambda x: x.distance)
  
  # 取前90%匹配质量较好的点对
  matches = matches[:int(len(matches)*0.9)]
  no_of_matches = len(matches)
  
  # 存储匹配点坐标
  p1 = np.zeros((no_of_matches, 2))
  p2 = np.zeros((no_of_matches, 2))
  
  for i in range(len(matches)):
    p1[i, :] = kp1[matches[i].queryIdx].pt
    p2[i, :] = kp2[matches[i].trainIdx].pt
  
  # 计算单应性矩阵
  homography, mask = cv2.findHomography(p1, p2, cv2.RANSAC)
  
  # 用单应性矩阵做透视变换对齐图像
  transformed_img = cv2.warpPerspective(img1_color,
                      homography, (width, height))

  # 拼接展示结果
  img1_show = cv2.resize(img1_color,(320,320))
  img2_show = cv2.resize(img2_color,(320,320))
  img3_show = cv2.resize(transformed_img,(320,320))
  img = np.concatenate((img1_show,img2_show,img3_show), axis=1)
  cv2_imshow(img)


ref_path = path + "/mask_0.png"
test_path = path + "/mask_8.png"

from google.colab.patches import cv2_imshow
ref_mask = cv2.imread(ref_path)
cv2_imshow(ref_mask)

test_mask = cv2.imread(test_path)
cv2_imshow(test_mask)

registerImage(ref_mask,test_mask)

报错信息：

error: OpenCV(4.1.2) /io/opencv/modules/imgproc/src/imgwarp.cpp:3167: error: (-215:Assertion failed) (M0.type() == CV_32F || M0.type() == CV_64F) && M0.rows == 3 && M0.cols == 3 in function 'warpPerspective'

报错根因

这个断言错误的直接原因是传入cv2.warpPerspective的homography单应性矩阵是None，不符合函数要求的3×3浮点矩阵的入参规范。
单应性矩阵返回空的核心原因：

处理对象是肺部二值掩码图像，图像本身纹理极少，128×128的小尺寸下ORB检测器默认参数能提取到的有效特征点、匹配对数量不足，RANSAC算法无法求解出合法的单应性矩阵，就会直接返回None。
代码没有做入参合法性校验，拿到空值直接传入透视变换函数就触发了报错。之前在普通自然图像上能正常运行，是因为自然图像纹理丰富，很容易提取到足够的有效特征匹配点，不会出现单应性矩阵为空的情况。

修复方法

调整ORB检测器参数，降低特征检测阈值，适配低纹理的小尺寸掩码图像
增加匹配点数量校验：单应性矩阵求解最少需要4对有效匹配点，数量不足时直接抛出提示，避免后续计算异常
对求解得到的单应性矩阵做非空校验，确认矩阵合法后再调用透视变换函数

修改后的核心代码片段：

def registerImage(img1,img2):
  img1_color = img1
  img2_color = img2
  
  img1 = cv2.cvtColor(img1_color, cv2.COLOR_BGR2GRAY)
  img2 = cv2.cvtColor(img2_color, cv2.COLOR_BGR2GRAY)
  height, width = img2.shape
  
  # 调低ORB检测阈值，适配低纹理小尺寸图像
  orb_detector = cv2.ORB_create(5000, edgeThreshold=5, patchSize=15, fastThreshold=5)
  
  kp1, d1 = orb_detector.detectAndCompute(img1, None)
  kp2, d2 = orb_detector.detectAndCompute(img2, None)

  # 增加空描述子校验，避免特征点为0时匹配报错
  if d1 is None or d2 is None or len(kp1) <4 or len(kp2)<4:
    print("有效特征点数量不足，无法完成配准")
    return
  
  matcher = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck = True)
  matches = matcher.match(d1, d2)
  matches.sort(key = lambda x: x.distance)
  matches = matches[:int(len(matches)*0.9)]
  no_of_matches = len(matches)

  # 匹配点不足4对时无法求解单应性矩阵，直接返回
  if no_of_matches <4:
    print("有效匹配点对不足4对，无法计算单应性矩阵")
    return
  
  p1 = np.zeros((no_of_matches, 2))
  p2 = np.zeros((no_of_matches, 2))
  
  for i in range(len(matches)):
    p1[i, :] = kp1[matches[i].queryIdx].pt
    p2[i, :] = kp2[matches[i].trainIdx].pt
  
  homography, mask = cv2.findHomography(p1, p2, cv2.RANSAC)

  # 校验单应性矩阵是否合法
  if homography is None or homography.shape != (3,3):
    print("单应性矩阵求解失败")
    return
  
  transformed_img = cv2.warpPerspective(img1_color,
                      homography, (width, height))

  # 后续展示逻辑不变
  img1_show = cv2.resize(img1_color,(320,320))
  img2_show = cv2.resize(img2_color,(320,320))
  img3_show = cv2.resize(transformed_img,(320,320))
  img = np.concatenate((img1_show,img2_show,img3_show), axis=1)
  cv2_imshow(img)

补充说明：如果调整ORB参数后依然无法得到足够匹配点，说明基于特征点的配准方法不适合当前掩码场景，可以换用基于灰度互相关、掩码轮廓对齐的配准方案，效果会更稳定。

内容的提问来源于stack exchange，提问作者Nisarg Doshi