C++ 用openCV匹配图像

首先，我对匹配技术相当陌生，请耐心听我说：

我正在开发一个将训练图像与采集的图像（单个细胞样本）匹配的应用程序

我使用了SIFT检测器和SURF检测器以及基于FLANN的匹配，将一组训练数据与收集的图像进行匹配。但是我得到的结果真的很差。我使用的代码与openCV文档中的代码相同：

    void foramsMatching(Mat img_object, Mat img_scene){
    int minHessian = 400;

    SiftFeatureDetector detector(minHessian);

    std::vector<KeyPoint> keypoints_object, keypoints_scene;

    detector.detect(img_object, keypoints_object);
    detector.detect(img_scene, keypoints_scene);

    //-- Step 2: Calculate descriptors (feature vectors)
    SurfDescriptorExtractor extractor;

    Mat descriptors_object, descriptors_scene;

    extractor.compute(img_object, keypoints_object, descriptors_object);
    extractor.compute(img_scene, keypoints_scene, descriptors_scene);

    //-- Step 3: Matching descriptor vectors using FLANN matcher

    FlannBasedMatcher matcher;
    //BFMatcher matcher;
    std::vector< DMatch > matches;
    matcher.match(descriptors_object, descriptors_scene, matches);


    double max_dist = 0; double min_dist = 100;

    //-- Quick calculation of max and min distances between keypoints
    for (int i = 0; i < descriptors_object.rows; i++)
    {
        double dist = matches[i].distance;
        if (dist < min_dist) min_dist = dist;
        if (dist > max_dist) max_dist = dist;
    }

    printf("-- Max dist : %f \n", max_dist);
    printf("-- Min dist : %f \n", min_dist);

    //-- Draw only "good" matches (i.e. whose distance is less than 3*min_dist )
    std::vector< DMatch > good_matches;

    for (int i = 0; i < descriptors_object.rows; i++)
    {
        if (matches[i].distance < 3 * min_dist)
        {
            good_matches.push_back(matches[i]);
        }
    }

    Mat img_matches;
    drawMatches(img_object, keypoints_object, img_scene, keypoints_scene,
    good_matches, img_matches, Scalar::all(-1), Scalar::all(-1),
    vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);

    //-- Localize the object
    std::vector<Point2f> obj;
    std::vector<Point2f> scene;

    for (int i = 0; i < good_matches.size(); i++)
    {
        //-- Get the keypoints from the good matches
        obj.push_back(keypoints_object[good_matches[i].queryIdx].pt);
        scene.push_back(keypoints_scene[good_matches[i].trainIdx].pt);
    }

    Mat H = findHomography(obj, scene, CV_RANSAC);

    //-- Get the corners from the image_1 ( the object to be "detected" )
    std::vector<Point2f> obj_corners(4);
    obj_corners[0] = cvPoint(0, 0); obj_corners[1] = cvPoint(img_object.cols, 0);
    obj_corners[2] = cvPoint(img_object.cols, img_object.rows); obj_corners[3] = cvPoint(0, img_object.rows);
    std::vector<Point2f> scene_corners(4);

    perspectiveTransform(obj_corners, scene_corners, H);

    //-- Draw lines between the corners (the mapped object in the scene - image_2 )
    line(img_matches, scene_corners[0] + Point2f(img_object.cols, 0), scene_corners[1] + Point2f(img_object.cols, 0), Scalar(0, 255, 0), 4);
    line(img_matches, scene_corners[1] + Point2f(img_object.cols, 0), scene_corners[2] + Point2f(img_object.cols, 0), Scalar(0, 255, 0), 4);
    line(img_matches, scene_corners[2] + Point2f(img_object.cols, 0), scene_corners[3] + Point2f(img_object.cols, 0), Scalar(0, 255, 0), 4);
    line(img_matches, scene_corners[3] + Point2f(img_object.cols, 0), scene_corners[0] + Point2f(img_object.cols, 0), Scalar(0, 255, 0), 4);

    //-- Show detected matches
    namedWindow("Good Matches & Object detection", CV_WINDOW_NORMAL);
    imshow("Good Matches & Object detection", img_matches);
    //imwrite("../../Samples/Matching.jpg", img_matches);
}

void用于匹配（Mat img_对象，Mat img_场景）{
int minHessian=400；
SiftFeatureDetector检测器（minHessian）；
std：：矢量关键点\对象，关键点\场景；
检测器。检测（img_对象、关键点_对象）；
检测器。检测（img_场景、关键点_场景）；
//--步骤2：计算描述符（特征向量）
表面描述符牵引器；
Mat描述符\u对象，描述符\u场景；
compute（img\u对象、keypoints\u对象、描述符\u对象）；
compute（img\u场景、关键点\u场景、描述符\u场景）；
//--步骤3：使用FLANN匹配器匹配描述符向量
法兰巴斯德匹配器；
//BFMatcher匹配器；
标准：：向量匹配；
匹配（描述符\对象、描述符\场景、匹配）；
双最大距离=0；双最小距离=100；
//--快速计算关键点之间的最大和最小距离
对于（int i=0；i最大距离）最大距离=距离；
}
printf（“--Max dist:%f\n”，Max\u dist）；
printf（“--最小距离：%f\n”，最小距离）；
//--仅绘制“良好”匹配（即距离小于3*min\u dist）
标准：：矢量良好匹配；
对于（int i=0；i

以下是结果-

与我使用这些方法看到的其他一些结果相比，它们真的很差。屏幕底部的两个斑点（单元格）应该有两个匹配项

关于我做错了什么或如何改进这些结果，有什么想法吗？ 我正在考虑编写我自己的Matcher/Description提取器，因为我的训练图像不是我要查询的细胞的精确副本。 这是个好主意吗？如果是的话，我应该看什么教程

关于，

将评论转换为回答：

在运行SIFT/SURF之前，您应该使用可用的知识应用某种预处理，以便找到感兴趣的区域并消除噪声。以下是总体思路：

执行分段

检查特定标准（*）的分段，并选择感兴趣的候选项

对候选段执行匹配

---

（*）此步骤中可以使用的内容包括面积大小、形状、颜色分布等。从您提供的示例可以看出，您的对象是圆形的，并且具有一定的最小尺寸。利用你所掌握的任何知识来消除进一步的误报。当然，您需要进行一些调整，以使您的规则集不受太多限制，即保持真正的积极性。

您是否可以使用其他知识来消除噪音？在您提供的图片中，背景和文本似乎很容易移除。如果我理解正确，您建议尝试只匹配底部的特定区域，而不是整体图片？我将尝试并报告：）顺便问一下，你将如何去除它们？当然，我认为引入更多关于这些物体的知识将消除误报。为此，您可以提出匹配点和区域的规则（大小/关系/颜色等）。您将如何消除噪声？谢谢！运用你所掌握的任何知识。你的物体看起来有点圆，并且有一定的最小面积。因此，执行分段并检查所有分段是否适用于您的规则集（描述对象的规则集）。然后只与感兴趣的片段匹配。