小编rar*_*son的帖子

我正在进行一个项目，以自动旋转流体实验的显微镜图像堆栈，以便它们与微流控芯片的CAD模板图像对齐。我正在使用Python中的OpenCV软件包进行图像处理。必须具有正确的旋转方向，以便可以正确遮盖图像以进行分析。我们的芯片具有在每个帧中都可见的充满荧光染料的标记。模板和示例图像如下所示（模板可以缩放到任意大小，但是图像的相关区域通常约为100x100像素左右）：

我无法将图像旋转对齐到CAD模板。通常，CAD模板与图像之间的未对准小于几度，这仍然足以干扰分析，因此即使它相对较小，我也需要能够测量旋转差异。

在线以下示例我正在使用以下过程：

1. 使用三次插值（〜800 x 800）将图像放大到与模板大约相同的大小
2. 使用Otsu方法将两个图像阈值化
3. 使用内置方法查找关键点并提取描述符（我尝试过ORB，AKAZE和Brief）。
4. 使用具有汉明距离的蛮力匹配器来匹配描述符。
5. 取得最佳匹配，并使用它们来计算部分仿射变换矩阵
6. 使用该矩阵推断旋转位移，将一个图像变形为另一个图像作为检查。

这是我的代码示例（部分从此处借来）：

import numpy as np
import cv2
import matplotlib.pyplot as plt

MAX_FEATURES = 500
GOOD_MATCH_PERCENT = 0.5

def alignImages(im1, im2,returnpoints=False):
    # Detect ORB features and compute descriptors.
    size1 = int(0.1*(np.mean(np.shape(im1))))
    size2 = int(0.1*(np.mean(np.shape(im2))))
    orb1 = cv2.ORB_create(MAX_FEATURES,edgeThreshold=size1,patchSize=size1)
    orb2 = cv2.ORB_create(MAX_FEATURES,edgeThreshold=size2,patchSize=size2)
    keypoints1, descriptors1 = orb1.detectAndCompute(im1, None)
    keypoints2, descriptors2 = orb2.detectAndCompute(im2, None)

    matcher = cv2.BFMatcher(cv2.NORM_HAMMING,crossCheck=True)
    matches = matcher.match(descriptors1,descriptors2)
    # Sort matches by score
    matches.sort(key=lambda x: x.distance, reverse=False)

    # Remove not …