水印搜索算法

🧠 优化策略一：使用边缘特征匹配（Canny + 模板匹配）

灰黑色水印在灰度图中对比度不高，但其边缘轮廓非常清晰，可以通过边缘检测提取出来：

# 灰度处理
gray_original = cv2.cvtColor(original, cv2.COLOR_BGR2GRAY)
gray_watermark = cv2.cvtColor(watermark, cv2.COLOR_BGR2GRAY)

# 边缘提取
edges_original = cv2.Canny(gray_original, 50, 150)
edges_watermark = cv2.Canny(gray_watermark, 50, 150)

# 模板匹配
result = cv2.matchTemplate(edges_original, edges_watermark, cv2.TM_CCOEFF_NORMED)
threshold = 0.3
locations = np.where(result >= threshold)
coordinates = list(zip(*locations[::-1]))

这种方式对灰黑色文字水印非常有效，因为它忽略了颜色，仅关注结构。

🧠 优化策略二：多尺度匹配（适应缩放）

如果水印在原图中被缩放或压缩过，可以尝试不同尺寸的模板：

scales = [0.8, 1.0, 1.2]
for scale in scales:
    resized = cv2.resize(gray_watermark, None, fx=scale, fy=scale)
    result = cv2.matchTemplate(gray_original, resized, cv2.TM_CCOEFF_NORMED)
    # 记录最大匹配值和位置

你可以记录每个 scale 下的最大匹配值，选出最优的。

🧠 优化策略三：使用 ORB 特征匹配 + 单应性定位

你之前已经成功用 ORB 得到 81 个匹配点，这说明水印图与原图之间确实存在结构上的相似性。你可以继续使用 ORB 来定位水印区域：

orb = cv2.ORB_create(5000)
kp1, des1 = orb.detectAndCompute(gray_original, None)
kp2, des2 = orb.detectAndCompute(gray_watermark, None)

bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(des1, des2)
matches = sorted(matches, key=lambda x: x.distance)

# 单应性定位
src_pts = np.float32([kp2[m.trainIdx].pt for m in matches]).reshape(-1,1,2)
dst_pts = np.float32([kp1[m.queryIdx].pt for m in matches]).reshape(-1,1,2)
M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)

然后你可以用 cv2.perspectiveTransform 得到水印区域，并进行修复或反色中和。

✅ 总结推荐方案