我需要精确对齐两个图像。为此，我使用了增强相关系数（ECC）。这给了我很好的结果，除了旋转角度较大的图像。例如，如果参考图像（基本图像）和测试图像（我想对齐的图像）旋转了90度，则ECC方法无法工作，这是根据findTransformECC（）文档的说明正确的。
因此，我必须使用特征点对齐方法进行一些粗略的对齐。我尝试了SIFT和ORB，但在两者中都遇到了同样的问题。它适用于某些图像，而对于其他图像，得到的变换会向错误的方向移动或旋转。
这些是输入图像：
我认为问题是由错误的匹配引起的，但如果我只使用10个关键点并缩小距离，那么所有关键点似乎都是好的匹配（当我使用100个关键点时，我得到完全相同的结果）。
这是匹配的结果：
这是结果：
如果您比较旋转后的图像，它会向右移动并且上下颠倒。
我错过了什么？
这是我的代码：
因此，我必须使用特征点对齐方法进行一些粗略的对齐。我尝试了SIFT和ORB，但在两者中都遇到了同样的问题。它适用于某些图像，而对于其他图像，得到的变换会向错误的方向移动或旋转。
这些是输入图像：
我认为问题是由错误的匹配引起的，但如果我只使用10个关键点并缩小距离，那么所有关键点似乎都是好的匹配（当我使用100个关键点时，我得到完全相同的结果）。这是匹配的结果：
这是结果：
如果您比较旋转后的图像，它会向右移动并且上下颠倒。
我错过了什么？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)