OpenCV中常用特征提取算法（SURF、ORB、SIFT和AKAZE）用法示例（C++和Python）

OpenCV 中提供了多种常用的特征提取算法 ，广泛应用于图像匹配、拼接、SLAM、物体识别等任务。以下是 OpenCV 中几个主流特征提取算法的 用法总结与代码示例，涵盖 C++ 和 Python 两个版本。

常用特征提取算法列表

算法	特点	是否需额外模块
SIFT（尺度不变特征）	稳定性强、可旋转缩放	`xfeatures2d` 模块
SURF（加速稳健特征）	快速但专利保护	`xfeatures2d` 模块
ORB（Oriented FAST + BRIEF）	免费、高速	OpenCV 主模块
AKAZE	适用于非线性尺度空间	OpenCV 主模块
BRISK	二进制描述子、适用于实时应用	OpenCV 主模块

示例一：ORB 特征提取与匹配

Python 版：

python 复制代码

import cv2

# 加载图像
img1 = cv2.imread("image1.jpg", cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread("image2.jpg", cv2.IMREAD_GRAYSCALE)

# 创建 ORB 检测器
orb = cv2.ORB_create()

# 检测关键点和计算描述子
kp1, des1 = orb.detectAndCompute(img1, None)
kp2, des2 = orb.detectAndCompute(img2, None)

# 创建匹配器
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(des1, des2)

# 排序并绘制前 20 个匹配点
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：

cpp 复制代码

#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（需额外模块）

Python 版：

python 复制代码

import cv2

sift = 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 中已开放为免费使用，需 pip install opencv-contrib-python。

C++ 版：

cpp 复制代码

#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：

python 复制代码

import cv2

akaze = 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：

cpp 复制代码

#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 属于专利算法（由 Hessian Matrix 加速构建特征），因此默认在 opencv-python 中 不可用 ，需要使用 opencv-contrib 版本：

Python: pip install opencv-contrib-python
C++: 编译 OpenCV 时需启用 opencv_contrib，并启用 xfeatures2d 模块。

Python 示例

python 复制代码

import cv2
import numpy as np

# 读取图像
img = cv2.imread("image.jpg", cv2.IMREAD_GRAYSCALE)

# 创建 SURF 对象（阈值越高，检测特征点越少）
surf = cv2.xfeatures2d.SURF_create(hessianThreshold=400)

# 检测并计算特征点和描述子
keypoints, descriptors = surf.detectAndCompute(img, None)

# 绘制关键点
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

cpp 复制代码

#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;
    }

    // 创建 SURF 检测器
    cv::Ptr<cv::xfeatures2d::SURF> surf = cv::xfeatures2d::SURF::create(400); // Hessian threshold

    std::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;
}

特征提取算法比较总结

算法	是否开源	描述子类型	匹配类型	特点
SIFT	✅	浮点（128维）	L2（欧氏距离）	稳定性好，适合图像拼接
SURF	❌（专利）	浮点	L2	快速但已过时
ORB	✅	二值（256位）	Hamming（汉明）	快速，适合实时系统
AKAZE	✅	二值或浮点	Hamming/L2	稳定性与速度兼顾
BRISK	✅	二值	Hamming	实时性强

小结

推荐优先使用 ORB 或 AKAZE（开源 + 高速）；
高精度图像处理可考虑 SIFT；
所有算法都可配合 BFMatcher 或 FLANN 进行匹配；
选择依据：速度要求 、匹配精度 、是否支持缩放旋转。