如何使用OpenCV检测视角与光照微差的两张图像之间的差异

核心实现步骤 #

• 优化图像对齐精度：仅使用全局单应性变换适配轻微视角偏移场景效果较差，可先通过SIFT特征提取+双轮RANSAC过滤离群匹配点重算单应性矩阵，若仍存在局部错位，可将图像切分为32x32的网格块，对每个小块单独做仿射变换实现局部对齐，大幅提升匹配精度
• 光照归一化预处理：避免光照差异造成伪差分结果，先将图像转换为LAB色彩空间，仅对L亮度通道做CLAHE限制对比度自适应直方图均衡化，保留色彩通道不变，统一两张图的亮度分布
• 差分提取与后处理：对齐完成后使用逐像素差分得到差值图，通过OTSU自适应阈值生成二值掩码，再经过形态学开闭运算过滤噪声，最后通过连通域分析筛除面积过小的非目标区域，即可得到真实差异内容（如示例中的绿色贴纸）

核心代码示例 #

import cv2
import numpy as np

# 光照归一化函数
def light_normalize(img):
    lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
    l_channel, a_channel, b_channel = cv2.split(lab)
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
    cl = clahe.apply(l_channel)
    return cv2.cvtColor(cv2.merge((cl, a_channel, b_channel)), cv2.COLOR_LAB2BGR)

# 读取待检测图像
img_base = cv2.imread("base.jpg")
img_test = cv2.imread("test.jpg")
img_h, img_w = img_base.shape[:2]

# 光照预处理
img_base_norm = light_normalize(img_base)
img_test_norm = light_normalize(img_test)

# 此处为优化后的图像对齐步骤，对齐完成后得到img_test_align
# 对齐代码可基于SIFT特征匹配+局部块仿射变换实现

# 计算差异
diff_map = cv2.absdiff(img_base_norm, img_test_align)
gray_diff = cv2.cvtColor(diff_map, cv2.COLOR_BGR2GRAY)
# 自适应阈值生成掩码
_, diff_mask = cv2.threshold(gray_diff, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# 形态学去噪
kernel = np.ones((5, 5), np.uint8)
diff_mask = cv2.morphologyEx(diff_mask, cv2.MORPH_OPEN, kernel)
diff_mask = cv2.morphologyEx(diff_mask, cv2.MORPH_CLOSE, kernel)

# 提取差异区域
diff_result = cv2.bitwise_and(img_test, img_test, mask=diff_mask)

示例测试图像 #

内容的提问来源于stack exchange，提问作者Basj