我想比较ORB，SIFT，BRISK，AKAZE等，以找到最适合我特定图像集的内容。我对图像的最终对齐感兴趣。
有标准的方法吗？
我正在考虑这个解决方案：采用每个算法，提取特征，计算单应性并转换图像。
现在我需要检查哪个变换图像更接近目标模板。
也许我可以用目标模板和变换后的图像重复这个过程，并寻找最接近身份的单应矩阵，但我不确定如何准确地计算这种接近度。而且我不确定我应该使用哪种算法进行此检查，我想这是一个固定的算法。
或者我可以使用感知差异哈希（dHash）在图像之间进行一些像素级别比较。但我怀疑下面的汉明距离对于几乎相同的图像可能不是很好。
我可以模糊它们并做一个简单的减法但听起来很弱。
谢谢你的任何建议。
编辑：我有成千上万的图像要测试。这些是真实世界的图片。图像是不同类型的文档，一些具有大量图形，另一些主要是几何图形。我有大约30种不同的模板。我怀疑不同的模板最适合不同的算法（我事先知道模板，所以我可以选择最好的模板）。
现在我使用cv2.matchTemplate在转换后的图像中找到一些参考补丁，并将它们的位置与参考值进行比较。它有效，但我想改进这一点。
从您的问题来看，似乎任务不是比较特征提取器本身，而是找到哪种类型的特征提取器导致最佳对齐。
为此，您需要两件事：
您建议的算法是进行对齐的好方法。要检查是否准确，您需要知道什么是良好的对齐。
您可以从已经知道的对齐开始。知道两个图像之间对齐的最简单方法是自己进行逆操作。例如，从一个图像开始，将其旋转一定量，翻译/裁剪/缩放或组合所有这些操作。知道如何获得图像，您可以获得理想的对齐（撤消操作）。
然后，通过算法生成理想的对齐和对齐，您可以使用一个度量来评估其准确性，具体取决于您对“良好对齐”的定义。