Неадекватное преобразование, вызванное хорошим совпадением гомографических признаков

Я пытаюсь определить метод поворота и преобразования отсканированного 2D-изображения, чтобы он соответствовал почти идентичному цифровому шаблону более низкого качества. После запуска кода я хочу, чтобы изображения при наложении были очень точно выровнены, чтобы к скану можно было применить эффекты постобработки на основе знания макета шаблона.

Я испробовал несколько различных подходов, основанных на определении определенных функций на отсканированном изображении, которые можно последовательно сопоставить с шаблоном (не очень повезло с подходом, основанным на findContour), но в конечном итоге решил, что наиболее эффективным подходом является выполнение гомографическое совпадение с использованием openCV, затем примените преобразование (либо с помощьюspectiveTransform, либо warpPerspective).

Матч, который я получаю, феноменально хорош. Даже когда я делаю порог расстояния для совпадений чрезвычайно строгим, я получаю десятки совпадений по очкам. Я немного изменил порог и findHomography RANSAC. Но в конечном итоге преобразование, которое я получаю от findHomography, недостаточно хорошо для моих нужд; Я не уверен, есть ли ручки, которые я не изучаю должным образом, или несоответствие в качестве изображения достаточно, чтобы это было невыполнимо.

Вот код, который я использую:

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)

Вот изображения, которые я использую:

Отсканированное изображение

Изображение шаблона

Примечание: как более низкое качество изображения, так и изначально более низкое разрешение. Между ними есть небольшие различия, но не настолько, чтобы ухудшить качество матча (я так думаю?)

совпадения между отсканированным и шаблонным изображением

Используя порог расстояния 0,2, я получаю 100 совпадений. Установив около 0,8, я получаю более 2400

отсканированное изображение преобразовано в шаблон с использованием возвращенной гомографической матрицы

Искаженный скан, наложенный поверх шаблона

Я ожидал лучшего результата, чем этот, учитывая количество матчболов. Преобразованное изображение выглядит хорошо на первый взгляд (и, безусловно, лучше, чем оно было изначально), но ему не хватает возможности использовать знание макета шаблона для последующего изменения скана.

Есть ли альтернативный подход, который я должен использовать здесь? Параметры, которые я должен использовать вместо этого? Или это просто то, что здесь достижимо, учитывая качество шаблона или используемой методологии?