最新源码已更新(包含测试图像):
https://github.com/XuPeng23/CV/tree/main/Difference%20Detection%20In%20Similar%20Images
图像压缩包解压一下和python文件放一个目录应该就能直接跑起来了

一、摘要

两幅相似的图像，如果整体位置一样，仅仅是在一些地方有差异（如图1-1），那么只需要相减就能得出差异部分。而现实情况往往复杂得多，由于拍摄时间、角度不同，两幅图像可能存在视角、灰度、旋转、尺度等的差异（如图1-2），因此找出两幅图像之间的变换关系是实现该功能的前提。

图1-1 整体位置相同的两幅图像

图1-2 存在各种差异的两幅相似图像

二、算法实现

2.1 特征匹配

本文使用单应性变换来表示两幅图像之间的变换关系，得出单应性变换需要至少3对匹配对，在图像特征匹配部分使用了SIFT描述子，因为考虑到SIFT拥有良好的灰度不变性、旋转不变性和尺度不变性。在两幅图像中找出SIFT特征点并进行匹配得到预匹配集，接着通过与相邻匹配对的距离比例关系剔除一部分匹配对，剩下的匹配对认为是比较好的，用来找出单应性变换。

    # 载入图像
    img1 = cv2.imread('./datahomo6/img1.png')
    img2 = cv2.imread('./datahomo6/img2.png')
    
    sift = cv2.xfeatures2d.SIFT_create()
    
    # 检测关键点
    kp1, des1 = sift.detectAndCompute(img1,None)
    kp2, des2 = sift.detectAndCompute(img2,None)
    
    # 关键点匹配
    FLANN_INDEX_KDTREE = 0
    index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 6)
    search_params = dict(checks = 10)
    
    flann = cv2.FlannBasedMatcher(index_params, search_params)
    
    matches = flann.knnMatch(des1,des2,k=2)
    
    good = []
    for m,n in matches:
        if m.distance < 0.6*n.distance:
            good.append(m)

此步运行结果：

2.2 建立单应性变换并确定检测区域

单应性变换需要至少3对点对来算出，单应性矩阵在此不多介绍，本文通过OpenCv中的findHomography函数得出单应性矩阵，并将左图的检测点映射到右图的对应位置。左图监测点位置范围由存在认为正确的匹配对的区域位置决定（匹配对覆盖范围越广监测点也可以覆盖越广）。

    # 得到单应性变换
    M, mask = cv2.findHomography(pts_src, pts_dst, cv2.RANSAC,5.0)
    
    # 检测范围确定
    interval = 2.5*size    # 监测点间隔
    searchWidth = int((xMaxLeft - xMinLeft)/interval)
    searchHeight = int((yMaxLeft - yMinLeft)/interval)
    searchNum = searchWidth * searchHeight
    demo_src = np.float32([[0] * 2] * searchNum * 1).reshape(-1,1,2)
    for i in range(searchWidth):
        for j in range(searchHeight):
            demo_src[i+j*searchWidth][0][0] = xMinLeft + i*interval
            demo_src[i+j*searchWidth][0][1] = yMinLeft + j*interval
       
    # 单应性变换 左图映射到右图的位置
    demo_dst = cv2.perspectiveTransform(demo_src,M)
    # 转换成KeyPoint类型
    kp_src = [cv2.KeyPoint(demo_src[i][0][0], demo_src[i][0][1], size)
                            for i in range(demo_src.shape[0])]
    kp_dst = [cv2.KeyPoint(demo_dst[i][0][0], demo_dst[i][0][1], size)
                            for i in range(demo_dst.shape[0])]
        
    # 计算这些关键点的SIFT描述子
    keypoints_image1, descriptors_image1 = sift.compute(img1, kp_src)
    keypoints_image2, descriptors_image2 = sift.compute(img2, kp_dst)        
    
    # 差异点
    diffLeft = []
    diffRight = []      
    # 分析差异
    for i in range(searchNum):
        shreshood = 470
        difference = 0
        for j in range(128):
            d = abs(descriptors_image1[i][j]-descriptors_image2[i][j])
            difference = difference + d*d
            difference = math.sqrt(difference)
            
        # 右图关键点位置不超出范围
        if (demo_dst[i][0][1]>= 0) & (demo_dst[i][0][0] >= 0):
            if difference <= shreshood:
                cv2.circle(output, (demo_src[i][0][0],demo_src[i][0][1]),1, (0, 255, 0), 2)
                cv2.circle(output, (int(demo_dst[i][0][0]+width),demo_dst[i][0][1]),1, (0, 255, 0), 2)
                    
            if difference > shreshood:
                if func == 1:
                    cv2.circle(output, (demo_src[i][0][0],demo_src[i][0][1]),1, (0, 0, 255), 2)
                    cv2.circle(output, (int(demo_dst[i][0][0]+width),demo_dst[i][0][1]),1, (0, 0, 255), 2)
                if func == 2:
                    diffLeft.append([demo_src[i][0][0],demo_src[i][0][1]])
                    diffRight.append([demo_dst[i][0][0],demo_dst[i][0][1]])

之后将差异大于阈值的点对输出：

2.3 聚类操作

最后把检测到的差异点聚类一下