OpenCV 中提供了多種常用的特征提取算法，廣泛應用于圖像匹配、拼接、SLAM、物體識別等任務。以下是 OpenCV 中幾個主流特征提取算法的 用法總結與代碼示例，涵蓋 C++ 和 Python 兩個版本。

---

常用特征提取算法列表

算法	特點	是否需額外模塊
SIFT（尺度不變特征）	穩定性強、可旋轉縮放	xfeatures2d 模塊
SURF（加速穩健特征）	快速但專利保護	xfeatures2d 模塊
ORB（Oriented FAST + BRIEF）	免費、高速	OpenCV 主模塊
AKAZE	適用于非線性尺度空間	OpenCV 主模塊
BRISK	二進制描述子、適用于實時應用	OpenCV 主模塊

---

示例一：ORB 特征提取與匹配

Python 版：

import cv2# 加載圖像
img1 = cv2.imread("image1.jpg", cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread("image2.jpg", cv2.IMREAD_GRAYSCALE)# 創建 ORB 檢測器
orb = cv2.ORB_create()# 檢測關鍵點和計算描述子
kp1, des1 = orb.detectAndCompute(img1, None)
kp2, des2 = orb.detectAndCompute(img2, None)# 創建匹配器
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(des1, des2)# 排序并繪制前 20 個匹配點
matches = sorted(matches, key=lambda x: x.distance)
matched_img = cv2.drawMatches(img1, kp1, img2, kp2, matches[:20], None, flags=2)cv2.imshow("ORB Matches", matched_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

---

C++ 版：

#include <opencv2/opencv.hpp>
#include <opencv2/features2d.hpp>int main()
{cv::Mat img1 = cv::imread("image1.jpg", cv::IMREAD_GRAYSCALE);cv::Mat img2 = cv::imread("image2.jpg", cv::IMREAD_GRAYSCALE);cv::Ptr<cv::ORB> orb = cv::ORB::create();std::vector<cv::KeyPoint> kp1, kp2;cv::Mat des1, des2;orb->detectAndCompute(img1, cv::noArray(), kp1, des1);orb->detectAndCompute(img2, cv::noArray(), kp2, des2);cv::BFMatcher matcher(cv::NORM_HAMMING, true);std::vector<cv::DMatch> matches;matcher.match(des1, des2, matches);std::sort(matches.begin(), matches.end(),[](const cv::DMatch& m1, const cv::DMatch& m2) {return m1.distance < m2.distance;});cv::Mat img_matches;cv::drawMatches(img1, kp1, img2, kp2, matches, img_matches);cv::imshow("ORB Matches", img_matches);cv::waitKey(0);return 0;
}

---

示例二：SIFT 特征提取（需額外模塊）

Python 版：

import cv2sift = cv2.SIFT_create()
img = cv2.imread("image.jpg", cv2.IMREAD_GRAYSCALE)
kp, des = sift.detectAndCompute(img, None)img_kp = cv2.drawKeypoints(img, kp, None, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv2.imshow("SIFT Features", img_kp)
cv2.waitKey(0)

注意：SIFT 在 OpenCV 4.x 中已開放為免費使用，需 pip install opencv-contrib-python。

---

C++ 版：

#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>int main()
{cv::Mat img = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);cv::Ptr<cv::SIFT> sift = cv::SIFT::create();std::vector<cv::KeyPoint> keypoints;cv::Mat descriptors;sift->detectAndCompute(img, cv::noArray(), keypoints, descriptors);cv::Mat output;cv::drawKeypoints(img, keypoints, output, cv::Scalar::all(-1), cv::DrawMatchesFlags::DRAW_RICH_KEYPOINTS);cv::imshow("SIFT", output);cv::waitKey(0);return 0;
}

---

示例三：AKAZE 特征提取

Python 版：

import cv2akaze = cv2.AKAZE_create()
img = cv2.imread("image.jpg", cv2.IMREAD_GRAYSCALE)
kp, des = akaze.detectAndCompute(img, None)img_kp = cv2.drawKeypoints(img, kp, None, color=(0,255,0))
cv2.imshow("AKAZE", img_kp)
cv2.waitKey(0)

---

C++ 版：

#include <opencv2/opencv.hpp>int main()
{cv::Mat img = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);cv::Ptr<cv::AKAZE> akaze = cv::AKAZE::create();std::vector<cv::KeyPoint> keypoints;cv::Mat descriptors;akaze->detectAndCompute(img, cv::noArray(), keypoints, descriptors);cv::Mat output;cv::drawKeypoints(img, keypoints, output);cv::imshow("AKAZE", output);cv::waitKey(0);return 0;
}

---

示例四：SURF 特征提取

小提示

SURF 屬于專利算法（由 Hessian Matrix 加速構建特征），因此默認在 opencv-python 中 不可用，需要使用 opencv-contrib 版本：

• Python: pip install opencv-contrib-python
• C++: 編譯 OpenCV 時需啟用 opencv_contrib，并啟用 xfeatures2d 模塊。

---

Python 示例

import cv2
import numpy as np# 讀取圖像
img = cv2.imread("image.jpg", cv2.IMREAD_GRAYSCALE)# 創建 SURF 對象（閾值越高，檢測特征點越少）
surf = cv2.xfeatures2d.SURF_create(hessianThreshold=400)# 檢測并計算特征點和描述子
keypoints, descriptors = surf.detectAndCompute(img, None)# 繪制關鍵點
img_kp = cv2.drawKeypoints(img, keypoints, None, (0,255,0), flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)cv2.imshow("SURF Features", img_kp)
cv2.waitKey(0)
cv2.destroyAllWindows()

---

C++ 示例

#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>int main()
{cv::Mat img = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);if (img.empty()) {std::cerr << "Cannot load image!" << std::endl;return -1;}// 創建 SURF 檢測器cv::Ptr<cv::xfeatures2d::SURF> surf = cv::xfeatures2d::SURF::create(400); // Hessian thresholdstd::vector<cv::KeyPoint> keypoints;cv::Mat descriptors;surf->detectAndCompute(img, cv::noArray(), keypoints, descriptors);cv::Mat output;cv::drawKeypoints(img, keypoints, output, cv::Scalar::all(-1), cv::DrawMatchesFlags::DRAW_RICH_KEYPOINTS);cv::imshow("SURF", output);cv::waitKey(0);return 0;
}

---

特征提取算法比較總結

算法	是否開源	描述子類型	匹配類型	特點
SIFT	?	浮點（128維）	L2（歐氏距離）	穩定性好，適合圖像拼接
SURF	?（專利）	浮點	L2	快速但已過時
ORB	?	二值（256位）	Hamming（漢明）	快速，適合實時系統
AKAZE	?	二值或浮點	Hamming/L2	穩定性與速度兼顧
BRISK	?	二值	Hamming	實時性強

---

小結

• 推薦優先使用 ORB 或 AKAZE（開源 + 高速）；
• 高精度圖像處理可考慮 SIFT；
• 所有算法都可配合 BFMatcher 或 FLANN 進行匹配；
• 選擇依據：速度要求、匹配精度、是否支持縮放旋轉。

---