我正在尝试确定一种方法来旋转和平移扫描的2D图像，以匹配它几乎相同但质量较低的数字模板。运行代码后，我希望图像在叠加时非常接近地对齐，以便可以根据模板布局的知识将后处理效果应用于扫描。
我尝试了许多不同的方法，这些方法基于识别扫描图像上可以一致Map到模板的某些特征（基于findContour的方法运气不佳），但最终确定最有效的方法是使用openCV执行单应性匹配，然后应用变换（使用perspectiveTransform或warpPerspective）。
我得到的匹配非常好，即使我把匹配的距离阈值设置得非常严格，我也得到了几十个点匹配，我已经改变了阈值和findHomography RANSAC，但最终，我从findHomography得到的变换不足以满足我的需要;我不确定是否有我没有充分探索的旋钮，或者如果图像质量的差异刚刚好，这是不可行的。
下面是我使用的代码：

from matplotlib import pyplot as plt
import numpy as np
import cv2 as cv

def feature_match(scanned_image, template_image, MIN_MATCH_COUNT=10, dist_thresh=0.2, RANSAC=10.0):
    # Initiate SIFT detector
    sift = cv.SIFT_create()

    # find the keypoints and descriptors with SIFT
    kp1, des1 = sift.detectAndCompute(scanned_image, None)
    kp2, des2 = sift.detectAndCompute(template_image, None)
    FLANN_INDEX_KDTREE = 1
    index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)
    search_params = dict(checks=50)
    flann = cv.FlannBasedMatcher(index_params, search_params)
    matches = flann.knnMatch(des1, des2, k=2)

    # store all the good matches as per Lowe's ratio test.
    good = []
    for m, n in matches:
        if m.distance < dist_thresh * n.distance:
            good.append(m)

    # Do we have enough?
    if len(good) > MIN_MATCH_COUNT:
        print("%s good matches using distance threshold of %s" % (len(good), dist_thresh))
        src_pts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1, 1, 2)
        dst_pts = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1, 1, 2)
        M, mask = cv.findHomography(src_pts, dst_pts, cv.RANSAC, RANSAC)
        matchesMask = mask.ravel().tolist()

        # Apply warp perspective based on homography matrix
        warped_image = cv.warpPerspective(scanned_image, M, (scanned_image.shape[1], scanned_image.shape[0]))
        plt.imshow(warped_image, 'gray'), plt.show()

    else:
        print("Not enough matches are found - {}/{}".format(len(good), MIN_MATCH_COUNT))
        matchesMask = None

    # Show quality of matches
    draw_params = dict(matchColor=(0, 255, 0),  # draw matches in green color
                       singlePointColor=None,
                       matchesMask=matchesMask,  # draw only inliers
                       flags=2)
    match_quality = cv.drawMatches(scanned_image, kp1, template_image, kp2, good, None, **draw_params)
    plt.imshow(match_quality, 'gray'), plt.show()

    cv.imwrite(r"img1.png", cv.cvtColor(img1, cv.COLOR_GRAY2RGB))
    cv.imwrite(r"img2.png", cv.cvtColor(img2, cv.COLOR_GRAY2RGB))
    cv.imwrite(r"warped_image.png", cv.cvtColor(warped_image, cv.COLOR_GRAY2RGB))

# Load images
img1_path = r"scanned_image.png"
img2_path = r"template_image.png"

img1 = cv.imread(img1_path)
img1 = cv.cvtColor(img1, cv.COLOR_BGR2GRAY)

img2 = cv.imread(img2_path)
img2 = cv.cvtColor(img2, cv.COLOR_BGR2GRAY)
# upscaling img2 to the final scale I'm ultimately after; saves an upscale
img2 = cv.resize(img2, (img2.shape[1] * 2, img2.shape[0] * 2), cv.IMREAD_UNCHANGED)

feature_match(scanned_image=img1, template_image=img2, MIN_MATCH_COUNT=10, dist_thresh=0.2)

这是我用的比喻：

扫描图像x1c 0d1x
模板图像

注意：既有较低质量的图像，也有最初较低的分辨率。两者之间有微小的差异，但不足以降低匹配（* 我认为？*）

扫描图像与模板图像匹配

使用0.2的距离阈值，我得到了100个匹配项。Setting it around 0.8 and I get over 2400

使用返回的单应矩阵将扫描图像扭曲到模板中

扭曲扫描覆盖在模板上

考虑到匹配点的数量，我期待着比这更好的结果。转换后的图像乍一看看很好（当然比开始时更好），但缺乏使用模板布局知识然后修改扫描的能力。
这里有没有我应该采用的替代方法？我应该利用的参数？或者这只是在给定模板质量的情况下可以实现的--或者是利用的方法论？