Python 有没有办法提高两幅图像之间的差异点的精确度？

我正在尝试建立一个验证系统，可以指出两份扫描传单之间的差异

我模糊了两幅图像，找到单应性来对齐两幅图像，然后找到两幅图像之间的差异来绘制矩形

标准单张：

检查样本：

导入cv2
将numpy作为np导入
从skimage.measure导入将_ssim与ssim进行比较
从scipy导入ndimage
#标签的最大匹配=1000000毫秒
文本的最大匹配=50000毫秒
良好匹配率=0.4
def mse（图像A、图像B）：
#两幅图像之间的“均方误差”是
#两幅图像之间的平方差之和；
#注意：两个图像必须具有相同的尺寸
err=np.sum（（imageA.astype（“float”）-imageB.astype（“float”）**2）
err/=float（imageA.shape[0]*imageA.shape[1]）
返回错误
#返回MSE，错误越低，越“相似”
#这两个图像是
def差异移除bg（img0、img、img1）：
d1=差异（img0，img）
d2=差异（img，img1）
返回cv2.按位_和（d1，d2）
def校准图像（im1、im2）：
#将图像转换为灰度
im1Gray=cv2.CVT颜色（im1，cv2.COLOR\u BGR2GRAY）
im2Gray=cv2.CVT颜色（im2，cv2.COLOR\u BGR2GRAY）
#检测ORB特征并计算描述符。
orb=cv2.orb\u创建（最大匹配）
keypoints1，描述符1=orb.detectAndCompute（im1Gray，无）
keypoints2，描述符2=orb.detectAndCompute（im2Gray，无）
#匹配特征。
matcher=cv2.DESCRIPTOR\u create（cv2.DESCRIPTOR\u matcher\u BRUTEFORCE\u HAMMING）
matches=matcher.match（描述符1、描述符2、无）
#按分数对比赛进行排序
matches.sort（key=lambda x:x.distance，reverse=False）
#删除不太好的匹配项
numGoodMatches=int（长度（匹配）*良好匹配百分比）
匹配=匹配[：numGoodMatches]
#平局
imMatches=cv2.drawMatches（im1，keypoints1，im2，keypoints2，matches，None）
cv2.imwrite（“matches.png”，imMatches）
#提取好匹配的位置
points1=np.zero（（len（匹配），2），dtype=np.float32）
points2=np.zero（（len（匹配），2），dtype=np.float32）
对于i，在枚举中匹配（匹配项）：
points1[i，：]=keypoints1[match.queryIdx].pt
点s2[i，：]=keypoints2[match.trainIdx].pt
#查找单应性
h、 mask=cv2.findHomography（点S1、点S2、cv2.RANSAC）
#使用单应
高度、宽度、通道=im2.2形状
im1Reg=cv2.翘曲透视图（im1，h，（宽度，高度））
返回im1Reg，h
#读取参考图像
refFilename=“standard.png”
打印（“读取参考图像：”，参考文件名）
imReference=cv2.imread（refFilename，cv2.imread\u颜色）
imReference=nImage.gaussian_滤波器（imReference，2）
imFilename=“sample fin.png”
打印（“读取要对齐的图像：”，imFilename）；
im=cv2.imread（imFilename，cv2.imread\u COLOR）
im=nImage.gaussian_滤波器（im，2）
打印（“对齐图像…”）
#注册的图像将在imReg中重新存储。
#估计的单应性将存储在h中。
imReg，h=对齐图像（im，imReference）
#将对齐的映像写入磁盘。
outFilename=“aligned.png”
打印（“保存对齐图像：”，出纸口名称）；
cv2.imwrite（输出文件名，imReg）
#打印估计单应
打印（“估计单应：\n”，h）
x1=imReg
x2=参考值
absdiff=cv2.absdiff（x1，x2）
打印（np.max（absdiff））
#最小检测阈值
阈值=absdiff<30
absdiff[阈值]=0
cv2.imwrite（“absdiff.png”，absdiff）
差=cv2。减去（x1，x2）
结果=非np.any（差异）
###########围绕差异绘制矩形##############
img=cv2.pyrDown（cv2.imread（'absdiff.png'，cv2.imread_不变））
img1=cv2.pyrDown（cv2.imread（'aligned.png'，cv2.imread_未更改））
ret，脱粒\u img=cv2.阈值（cv2.CVT颜色（img，cv2.颜色\u bgr2灰色），
40，40，cv2.阈值（二进制）
_，等高线，hier=cv2.查找到的轮廓（脱粒图像、cv2.RETR\u树、cv2.链近似图、简单图）
对于等高线中的c：
x、 y，w，h=cv2.boundingRect（c）
cv2.矩形（img1，（x-5，y-5），（x+w+10，y+h+10），（0255，0），2）
#得到最小面积
rect=cv2.minareact（c）
长方体=cv2.长方体点（矩形）
#将所有坐标浮点值转换为int
box=np.int0（box）
打印（透镜（轮廓））
cv2.imwrite（“cont-1.png”，img1）

差异图像：

指出错误：

我想提高这个算法的准确性。或者有没有其他方法可以用来解决这个问题

编辑：

---

我想删除传单末尾的额外矩形。单应性也不是完美的。为了得到这个结果，我必须对差异设定一个巨大的阈值

你似乎得到了很好的结果。你是如何定义准确度的？改进后的结果会是什么样子？@James我想删除传单末尾的额外矩形。单应性也不是完美的。为了得到这个结果，我必须对差异设定一个巨大的阈值。你似乎得到了很好的结果。你是如何定义准确度的？改进后的结果会是什么样子？@James我想删除传单末尾的额外矩形。单应性也不是完美的。为了得到这个结果，我必须对差异设定一个巨大的阈值。