在 DAY23 我們學會了 SIFT，雖然效果非常好，但因為專利授權問題與運算速度較慢，在許多即時應用中並不理想。

今天要介紹的 ORB（Oriented FAST and Rotated BRIEF），它結合了 FAST 與 BRIEF 的優點，提供高效能、免專利限制的特徵檢測與描述方法，非常適合即時電腦視覺應用（例如 SLAM、AR、即時物體追蹤）。

📌 ORB 的特點

• 速度快：比 SIFT / SURF 更適合即時影像處理。
• 免專利限制：可自由用於商業應用。
• 旋轉與部分尺度不變性：能處理旋轉與部分縮放情況。
• 描述子：使用二進制描述子（Binary Descriptor），比對速度快且節省記憶體。

ORB 綜合了 FAST 的快速角點偵測與 BRIEF 的高效描述子，並針對旋轉與尺度進行改良，成為目前主流的即時特徵點方法。

🖼 測試圖片準備

與 DAY23 相同，準備兩張圖片（同一場景但縮放或旋轉不同），例如 box.jpg 與 box_in_scene.jpg。

import cv2
import numpy as np

# 讀取兩張圖片
img1 = cv2.imread("box.jpg")
img2 = cv2.imread("box_in_scene.jpg")

img1_gray = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
img2_gray = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

cv2.imshow("Original img1", img1_gray)
cv2.imshow("Original img2", img2_gray)

# 將以下程式碼放在所有顯示語句的最後面
cv2.waitKey()
cv2.destroyAllWindows()

說明：
灰階影像能簡化計算，並保留角點偵測所需的亮度資訊。
在特徵點檢測前，通常會先進行去雜訊（如高斯模糊），以提升檢測品質。

📌 程式範例：ORB 關鍵點檢測

# 建立 ORB 物件
orb = cv2.ORB_create()

# 偵測關鍵點與描述子
kp1, des1 = orb.detectAndCompute(img1_gray, None)
kp2, des2 = orb.detectAndCompute(img2_gray, None)

# 繪製關鍵點
img1_kp = cv2.drawKeypoints(img1_gray, kp1, None, color=(0,255,0), flags=0)
img2_kp = cv2.drawKeypoints(img2_gray, kp2, None, color=(0,255,0), flags=0)

cv2.imshow("ORB Keypoints - img1", img1_kp)
cv2.imshow("ORB Keypoints - img2", img2_kp)

🖼 你會看到圖片上標示出綠色的 ORB 特徵點。

程式說明：

• ORB_create()：建立 ORB 特徵點偵測器。
• detectAndCompute()：同時偵測關鍵點與計算二進制描述子。
• drawKeypoints()：將偵測到的特徵點標示於影像上。

📌 程式範例：ORB 特徵匹配

# 建立 BFMatcher（使用漢明距離）
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

# 匹配特徵
matches = bf.match(des1, des2)

# 依照距離排序
matches = sorted(matches, key=lambda x: x.distance)

# 繪製前 20 個最佳匹配
img_matches = cv2.drawMatches(img1_gray, kp1, img2_gray, kp2, matches[:20], None, flags=2)

cv2.imshow("ORB Matching", img_matches)

🎯 今日結語

1. ORB 是 SIFT / SURF 的快速替代方案，非常適合即時應用。
2. 它的特徵描述子是二進制型態，匹配速度快且記憶體需求小。
3. 雖然在準確度上略遜於 SIFT，但在速度和實用性上更有優勢。
4. 實務上可根據需求選擇合適方法，並搭配前處理提升效果