OpenCV 4.8+ 中 SIFT 需 opencv-contrib 并启用 OPENCV_ENABLE_NONFREE，ORB 开箱即用；SIFT 用 NORM_L2 匹配，ORB 用 NORM_HAMMING 且需 crossCheck=True；匹配后必须用 findHomography+RANSAC 过滤误匹配。
OpenCV 4.8+ 中 SIFT 和 ORB 的可用性与模块依赖
OpenCV 4.8 默认不编译 cv::SIFT 和 cv::SURF，它们被移入 opencv_contrib 模块，且 SIFT 在 4.7.0+ 需要手动启用专利许可（OPENCV_ENABLE_NONFREE=ON）。而 cv::ORB 始终在 opencv_core 和 opencv_features2d 中，开箱即用，无需额外编译选项。
如果你用 pip install opencv-python，那根本没 SIFT —— 它只含主模块；必须装 opencv-contrib-python 并确保版本严格匹配（例如 4.8.1.78 对应 4.8.1.78），否则 AttributeError: module 'cv2' has no attribute 'SIFT_create'。
- 验证是否就绪：
import cv2 print(cv2.__version__) print(hasattr(cv2, 'SIFT_create')) # True 表示 SIFT 可用 print(hasattr(cv2, 'ORB_create')) # 总是 True
- 若
SIFT_create报错，优先换用 ORB；真需 SIFT，就重装匹配的 contrib 包，或自己编译 OpenCV
ORB 特征提取与匹配的最小可行代码
ORB 是 SIFT 的免费替代，速度极快、对旋转和尺度变化鲁棒，但描述子区分度略低。它适合实时匹配、嵌入式或原型验证。
关键点：不要直接用 cv2.BFMatcher 匹配 cv2.ORB 的 cv2.NORM_HAMMING 描述子——必须设 crossCheck=True 或用 cv2.NORM_HAMMING2（仅当使用 WTA_K=4 时）；否则匹配噪声极大。
立即学习“C++免费学习笔记（深入）”；
- 提取：
orb = cv2.ORB_create(nfeatures=1000, scaleFactor=1.2, nlevels=8)；nfeatures控制最大关键点数，scaleFactor影响金字塔缩放粒度 - 匹配：
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)；crossCheck=True能滤掉大量误匹配 - 筛选：匹配后建议用
cv2.drawMatches可视化，并用cv2.findHomography+ RANSAC 剔除离群点（mask输出）
SIFT_create 在 OpenCV 4.x 中的正确调用方式
即使 contrib 已安装，SIFT 初始化仍可能失败——常见原因是未显式启用非自由算法。必须在创建前设置：cv2.ocl.setUseOpenCL(False)（某些 GPU 驱动下会冲突），并确认环境变量或 CMake 选项已开启 OPENCV_ENABLE_NONFREE。
注意：SIFT 返回的是 128 维浮点型描述子，匹配必须用 cv2.NORM_L2；和 ORB 的二进制描述子完全不兼容，别混用 matcher。
- 初始化：
sift = cv2.SIFT_create(nfeatures=0, contrastThreshold=0.04, edgeThreshold=10)；nfeatures=0表示不限数量（实际受图像尺寸限制） -
contrastThreshold越小检测越敏感（但也越多噪声点），默认 0.04；edgeThreshold越大越容忍边缘响应（避免把直线当特征） - 匹配器选
cv2.BFMatcher(cv2.NORM_L2)或更高效的cv2.FlannBasedMatcher（需传index_params和search_params）
匹配结果可视化与误匹配过滤的实际操作
无论 SIFT 还是 ORB，原始匹配结果都包含大量错误对应。靠肉眼观察 cv2.drawMatches 输出只能定性判断，真正可用的流程必须包含几何一致性验证。
核心是 cv2.findHomography：它用 RANSAC 估计单应矩阵，并返回 mask 数组，其中值为 1 的匹配是内点。这个 mask 必须传给 cv2.drawMatches 的 matchesMask 参数，否则画出来的还是全部匹配。
- 提取后得到
kp1, des1和kp2, des2，匹配得matches - 取前 50 个最佳匹配（
sorted(matches, key=lambda x: x.distance)[:50]），再转成点坐标数组：src_pts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1,1,2) - 调用
H, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)；5.0是重投影误差阈值，太小会剔太多，太大留噪声
很多人卡在 mask 不生效——因为忘了把 mask.ravel().tolist() 传给 matchesMask，或者用错了索引（queryIdx / trainIdx 搞反）。这步漏掉，后面所有“匹配成功”的判断都是假象。
