自21世纪初以来，图像配准主要使用基于特征的方法。这些方法有三个步骤：关键点检测和特征描述，特征匹配，图像变换。简单的说，我们选择两个图像中的感兴趣点，将参考图像（reference image）与感测图像（sensed image）中的等价感兴趣点进行关联，然后变换感测图像使两个图像对齐。

关键点就是感兴趣点，它表示图像中重要或独特的内容（边角，边缘等）。每个关键点由描述符表示，关键点基本特征的特征向量。描述符应该对图像变换（定位，缩放，亮度等）具有鲁棒性。许多算法使用关键点检测和特征描述：

• SIFT^4（Scale-invariant feature transform）是用于关键点检测的原始算法，但它不能免费用于商业用途。SIFT特征描述符对于均匀缩放，方向，亮度变化和对仿射失真不变的部分不会发生变化。
• SURF^5（Speeded Up Robust Features）是一个受SIFT启发的探测器和描述符。它的优点是非常快。它同样是有专利的。
• ORB^6（Oriented FAST and Rotated BRIEF）是一种快速的二进制描述符，它基于 FAST^7（Features from Accelerated Segment Test）关键点检测和 BRIEF^8（Binary robust independent elementary features）描述符的组合。它具有旋转不变性和对噪声的鲁棒性。它由OpenCV实验室开发，是SIFT有效的免费替代品。
• AKAZE^9（Accelerated-KAZE）是KAZE^10快速版本。它为非线性尺度空间^11提供了快速的多尺度特征检测和描述方法，具有缩放和旋转不变性。

SIFT代码：

关键函数
创建一个SIFT对象:

cv2.xfeatures2d.SIFT_create(, nfeatures, nOctaveLayers, contrastThreshold, edgeThreshold, sigma)

nfeatures：默认为0，要保留的最佳特征的数量。 特征按其分数排名（在SIFT算法中按局部对比度排序）
nOctaveLayers：默认为3，金字塔每组(Octave)有多少层。 3是D. Lowe纸中使用的值。
contrastThreshold：默认为0.04，对比度阈值，用于滤除半均匀（低对比度）区域中的弱特征。 阈值越大，检测器产生的特征越少。
edgeThreshold：默认为10，用来过滤边缘特征的阈值。注意，它的意思与contrastThreshold不同，edgeThreshold越大，滤出的特征越少（保留更多特征）。
sigma：默认为1.6，高斯金字塔中的σ。 如果使用带有软镜头的弱相机拍摄图像，则可能需要减少数量。
检测特征点:

sift.detect(image,keypoints)  或  keypoint = sift.detect(image, None)

sift：配置好SIFT算法对象
image：输入图像，单通道
keypoint：输出参数，保存着特征点，每个特征点包含有以下信息：
                         Point2f pt：坐标 
                         float size：特征点的邻域直径 
                         float angle：特征点的方向，值为[0,360度)，负值表示不使用 
                         float response; 
                         int octave：特征点所在的图像金字塔的组 
                         int class_id：用于聚类的id 

绘制特征点：

cv2.drawKeypoint(image, keypoints, outImage, color, flags)

或：outImage = cv2.drawKeypoint(image, keypoints, None, color, flags)

image：输入图像
keypoints：上面获取的特征点
outImage：输出图像
color：颜色，默认为随机颜色
flags：绘制点的模式，有以下四种模式

cv2.DRAW_MATCHES_FLAGS_DEFAULT：

默认值，只绘制特征点的坐标点,显示在图像上就是一个个小圆点,每个小圆点的圆心坐标都是特征点的坐标。

cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS：

绘制特征点的时候绘制的是带有方向的圆,这种方法同时显示图像的坐标,size，和方向,是最能显示特征的一种绘制方式。

cv2.DRAW_MATCHES_FLAGS_DRAW_OVER_OUTIMG：

只绘制特征点的坐标点,显示在图像上就是一个个小圆点,每个小圆点的圆心坐标都是特征点的坐标。

cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINT：

 单点的特征点不被绘制 

OpenCV-Python——第26章：SIFT特征点提取算法_sift提取关键点的顺序-CSDN博客https://blog.csdn.net/yukinoai/article/details/88912586

 SURF代码实现

import cv2
import numpy as npimg = cv2.imread('./image/cali.bmp')
img = cv2.resize(img,dsize=(600,400))
#转换为灰度图像
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#创建一个SURF对象
surf = cv2.xfeatures2d.SURF_create(20000)
#surf对象会使用Hessian算法检测关键点，并且对每个关键点周围的区域计算特征向量。该函数返回关键点的信息和描述符
keypoints,descriptor = surf.detectAndCompute(gray,None)
print(type(keypoints),len(keypoints),keypoints[0])
print(descriptor.shape)
#在图像上绘制关键点
img = cv2.drawKeypoints(image=img,keypoints = keypoints,outImage=img,color=(255,0,255),flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
#显示图像
cv2.imshow('surf_keypoints',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

 ORB代码实现：（特征匹配，图像对齐）

无人机航拍图像匹配——ORB算法实践（含代码）_orb实现-CSDN博客文章浏览阅读1.2k次。无人机航拍图像，用orb算法进行匹配_orb实现https://blog.csdn.net/zhangzhao147/article/details/131094471寻找图像中的关键点，创建相应的二进制特征向量，并在ORB描述符中将它们组合在一起。

#角点检测，角点数500
orb = cv2.ORB_create(500)
#描述子生成
keypoints1, descriptors1 = orb.detectAndCompute(image1, None)
keypoints2, descriptors2 = orb.detectAndCompute(image2, None)
# 暴力匹配
matcher = cv2.DescriptorMatcher_create(cv2.DESCRIPTOR_MATCHER_BRUTEFORCE_HAMMING)
# 特征点匹配
matches = matcher.match(descriptors1, descriptors2)#滤波去除不好的特征点ratio_threshold = 0.4
#ratio_threshold一般设置在0.4-0.8之间，如果对精度要求极高，可尽量小。当然，如果设置的太小，可能导致筛选后的匹配点数目稀少，如果少于4对，将会报错。
good_matches = []for match in matches:if hasattr(match, 'distance'):m = match.distance
#m代表匹配点之间的差异，当然越小越好，通过这个步骤可以剔除离群点。if hasattr(match, 'trainIdx'):n = matches[match.trainIdx].distanceif m < ratio_threshold * n:good_matches.append(match)else:good_matches.append(match)#计算转移矩阵
# 提取匹配的特征点的坐标
src_points = np.float32([keypoints1[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2)
dst_points = np.float32([keypoints2[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2)# 计算单应矩阵
H, _ = cv2.findHomography(src_points, dst_points, cv2.RANSAC, 3)
#H ,_= cv2.findHomography(src_points, dst_points)
# 输出单应矩阵H
print("Homography Matrix:")
print(H)# 计算每对匹配点的误差L2
errors = []
right_point=[]
thrshold=10
for match in good_matches:kp1 = keypoints1[match.queryIdx]kp2 = keypoints2[match.trainIdx]pt1 = np.array([kp1.pt[0], kp1.pt[1], 1])pt2 = np.array([kp2.pt[0], kp2.pt[1], 1])pt1_transformed = np.dot(H, pt1)error = np.linalg.norm(pt1_transformed - pt2) ** 2if np.linalg.norm(pt1_transformed - pt2)<thrshold :right_point.append(np.linalg.norm(pt1_transformed - pt2))errors.append(error)# 计算误差的和L1
L1 = sum(errors)# 计算均方误差MSE
MSE = np.sqrt(L1) / len(errors)
num_right=len(right_point)
num_all=len(errors)
precision=num_right/num_allprint("MSE:", MSE)
print("总匹配点数:",num_all )
print("正确匹配点数:",num_right )
print("precision:", precision)#匹配结果展示
result = cv2.drawMatches(image1, keypoints1, image2, keypoints2, good_matches, None,matchColor=(0, 255, 0), singlePointColor=(0, 0, 255), flags=cv2.DrawMatchesFlags_DEFAULT)
# result = cv2.drawMatches(color_image1, keypoints1, color_image2, keypoints2, good_matches, None,
#                          matchColor=(0, 255, 0), singlePointColor=(0, 0, 255), flags=cv2.DrawMatchesFlags_DEFAULT)# 调整线条宽度
line_thickness = 2
for match in good_matches:pt1 = (int(keypoints1[match.queryIdx].pt[0]), int(keypoints1[match.queryIdx].pt[1]))pt2 = (int(keypoints2[match.trainIdx].pt[0]), int(keypoints2[match.trainIdx].pt[1]))cv2.line(result, pt1, pt2, (0, 0, 255), thickness=line_thickness)# 创建匹配结果显示窗口
cv2.namedWindow('Matches', cv2.WINDOW_NORMAL)
cv2.resizeWindow('Matches', 800, 600)
# 显示匹配结果
cv2.imshow('Matches', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

定位关键点ORB_create()函数解析_cv2.orb_create()-CSDN博客https://blog.csdn.net/qq_18649781/article/details/88885208

AKAZE代码实现：

import numpy as np
import cv2 as cv
import matplotlib.pyplot as pltimg1 = cv.imread('image1.jpg', cv.IMREAD_GRAYSCALE)
img2 = cv.imread('image2.jpg', cv.IMREAD_GRAYSCALE)# 初始化 AKAZE 探测器
akaze = cv.AKAZE_create()
# 使用 SIFT 查找关键点和描述
kp1, des1 = akaze.detectAndCompute(img1, None)
kp2, des2 = akaze.detectAndCompute(img2, None)# BFMatcher 默认参数
bf = cv.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2)# 旋转测试
good_matches = []
for m,n in matches:if m.distance < 0.75*n.distance:good_matches.append([m])# 画匹配点
img3 = cv.drawMatchesKnn(img1,kp1,img2,kp2,good_matches,None,flags=cv.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)
cv.imwrite('matches.jpg', img3)# 选择匹配关键点
ref_matched_kpts = np.float32([kp1[m[0].queryIdx].pt for m in good_matches]).reshape(-1,1,2)
sensed_matched_kpts = np.float32([kp2[m[0].trainIdx].pt for m in good_matches]).reshape(-1,1,2)# 计算 homography
H, status = cv.findHomography(ref_matched_kpts, sensed_matched_kpts, cv.RANSAC,5.0)# 变换
warped_image = cv.warpPerspective(img1, H, (img1.shape[1]+img2.shape[1], img1.shape[0]))cv.imwrite('warped.jpg', warped_image)

图像配准：从SIFT到深度学习 - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/75784915

特征匹配 

sift、surf、orb 特征提取及最优特征点匹配-CSDN博客https://blog.csdn.net/weixin_30466421/article/details/98593048?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522170497765116800215066141%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=170497765116800215066141&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-2-98593048-null-null.142^v99^pc_search_result_base8&utm_term=surf%E7%89%B9%E5%BE%81%E6%8F%90%E5%8F%96&spm=1018.2226.3001.4187