两幅图像匹配获得后一幅相对于前一副图像的偏移和旋转数值，寻找一下例程代码

在计算机视觉中，对图像进行匹配并计算偏移和旋转通常涉及到特征检测、特征描述符提取以及配准技术。这里是一个基于Python和OpenCV库的基本示例，它展示了如何使用SIFT（尺度不变特征变换）特征匹配和RANSAC（随机采样一致性）算法来估计图像之间的位姿变化：

import cv2
import numpy as np

# 加载图片
img1 = cv2.imread('image1.jpg', cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread('image2.jpg', cv2.IMREAD_GRAYSCALE)

# SIFT特征检测
sift = cv2.xfeatures2d.SIFT_create()
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)

# 匹配特征点
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2)  # 获取最近邻和次近邻匹配

# 筛选高质量匹配
good_matches = []
for m, n in matches:
    if m.distance < 0.75 * n.distance:
        good_matches.append([m])

# RANSAC算法进行姿态估计
src_pts = np.float32([ kp1[m.queryIdx].pt for m in good_matches ]).reshape(-1, 1, 2)
dst_pts = np.float32([ kp2[m.trainIdx].pt for m in good_matches ]).reshape(-1, 1, 2)
M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)

# 计算旋转和平移矩阵
h, w = img1.shape[::-1]
rotation_matrix, translation_vector = cv2.decomposeProjectionMatrix(M)[0:2]

# 转换为角度和偏移量
angle = np.arctan2(rotation_matrix[1, 0], rotation_matrix[0, 0]) * 180 / np.pi
dx, dy = translation_vector.T

print(f"偏移: ({dx}, {dy})\n旋转角度: {angle}度")

请注意，这只是一个基本例子，实际应用中可能需要进一步处理噪声和优化，例如使用更复杂的匹配方法或调整RANSAC的参数。