C++ OpenCV-两个完全不同的图像使用BFMatcher进行更多匹配

我有一些杯子的照片

还有一张猫的照片

我想使用surf在OpenCV中比较这两张图片，并使用BFMatcher进行匹配

代码如下：

//read the image
cv::Mat image1= cv::imread("C:\\Users\\The\\Desktop\\cub.jpg");
cv::Mat image2= cv::imread("C:\\Users\\The\\Desktop\\cat.jpg");
//detect the key points using surf
cv::SurfFeatureDetector surf(300,4,2,true,false);
   //image 1 key points
vector<cv::KeyPoint> image1Keypoints;
//detect the key points in image 1 using surf
surf.detect(image1,image1Keypoints);
//draw the keypoints of image1
cv::drawKeypoints(image1,image1Keypoints,image1,                                      
  cv::Scalar(255,255,255),cv::DrawMatchesFlags::DRAW_OVER_OUTIMG);
cv::namedWindow("Original image 1 with keypoints");
cv::imshow("Original image 1 with keypoints",image1);
// image 2 key points
std::vector<cv::KeyPoint> image2keypoints;
//detect the key points in image 1 using surf
 surf.detect(image2,image2keypoints);
 //draw the key points
 cv::drawKeypoints(image2,keypoints1,image2,                                   
      cv::Scalar(255,255,255),cv::DrawMatchesFlags::DRAW_OVER_OUTIMG);                      
 //the extracted image display
cv::namedWindow("image 2 with keypoints");
cv::imshow("image 2 with keypoints",image2);

//读取图像
cv:：Mat image1=cv:：imread（“C:\\Users\\The\\Desktop\\cub.jpg”）；
cv:：Mat image2=cv:：imread（“C:\\Users\\The\\Desktop\\cat.jpg”）；
//使用surf检测关键点
cv:：SurfFeatureDetector surf（300,4,2，真，假）；
//图1关键点
矢量图像1个关键点；
//使用surf检测图像1中的关键点
表面检测（图像1、图像1关键点）；
//绘制图1的关键点
cv:：drawKeypoints（图像1、图像1关键点、图像1、，
cv:：Scalar（255255255），cv:：DrawMatchesFlags:：DRAW_OVER_OUTIMG）；
cv:：namedWindow（“带关键点的原始图像1”）；
cv:：imshow（“带关键点的原始图像1”，图像1）；
//图2关键点
std：：矢量图像2个关键点；
//使用surf检测图像1中的关键点
表面检测（图像2、图像2关键点）；
//画重点
cv:：drawKeypoints（图2、keypoints1、图2、，
cv:：Scalar（255255255），cv:：DrawMatchesFlags:：DRAW_OVER_OUTIMG）；
//提取的图像显示
cv:：namedWindow（“带关键点的图像2”）；
cv:：imshow（“带关键点的图像2”，图像2）；

从上面的代码中可以看到cups图像功能

和cat图像功能：

cv:：SiftDescriptorExtractor-sift；
cv:：Mat Image1描述器；
cv:：Mat Image2Descriptor；
筛选计算（图1，
image1Keypoints，
图像1描述器）；
筛选计算（图2，
关键点1，
Image2Descriptor）；
cv:：BFMatcher matcher（cv:：NORM_L2，true）；
向量匹配；
matcher.match（Image2Descriptor、image1Descriptor、matches）；
你应该检查一下这个

通常，BruteForce将返回两个匹配之间的距离。两个要素之间的距离越小，它们就越相似。通过在这些距离上应用阈值，将有助于消除假阳性匹配

但是，特征匹配本身并不能保证两个图像中的对象是相同的。要进行这种验证，您需要在实现上做得更进一步，（例如）用单应性几何验证正匹配。
当我滚动时，我看到一个故事-DYou正在比较小的图像块（32x32左右），即描述符。。。匹配描述符并不意味着比较图像。匹配后，您必须执行一些其他步骤。@POW我的问题是针对两个不同的图像，如何能够进行如此多的匹配，以及如何减少匹配数？@Miki您能否详细说明“匹配后必须使用其他步骤”的意思？我是opencv的初学者。例如，估计匹配关键点上的转换，并检查异常值的数量。更少的异常值意味着更相似的图像。或者在诸如BoW、SVM之类的分类器中使用描述符。
cv::SiftDescriptorExtractor sift;
cv::Mat image1Descriptor;
cv::Mat image2Desccriptor;
sift.compute(image1,
             image1Keypoints,
             image1Descriptor);
sift.compute(image2,
             keypoints1,
             image2Desccriptor);
 cv::BFMatcher matcher(cv::NORM_L2,true);
std::vector<cv::DMatch> matches;
matcher.match(image2Desccriptor,image1Descriptor,matches);
cout<<"match=";
//the number of matched features between the two images
cout<<matches.size()<<endl;
cv::Mat imageMatches;   
cv::drawMatches(image2,keypoints1,image1,image1Keypoints,                
   matches,imageMatches,cv::DrawMatchesFlags::DRAW_OVER_OUTIMG);              
cv::namedWindow("matches");
cv::imshow("matches",imageMatches);
cv::waitKey(0);