企业官网建设流程全解析

• 计算机视觉
• 图像处理
• 机器学习

本指南围绕 opencv_contrib 仓库中modules/xfeatures2d模块（Extra 2D Features Framework）展开，系统梳理该框架收录的实验性（experimental）与非自由（non-free）2D 特征检测器/描述子算法，覆盖 SURF、BRIEF、Censure/StarDetector、FREAK、LUCID、DAISY、LATCH、BEBLID、TEBLID、VGG、BoostDesc、MSD 等算法以及 GMS/LOGOS 匹配策略。读完本文，你将掌握这些算法各自的适用场景、全部构造参数含义与默认值、编译期开关（OPENCV_ENABLE_NONFREE等）的配置方法，并能结合仓库中的示例与测试快速上手实际匹配任务。

模块定位：两大算法阵营与一个匹配子框架

根据 modules/xfeatures2d/README.md 的定义，xfeatures2d 是一个 "Extra 2D Features Framework"，包含实验性和非自由的 2D 特征检测/描述算法：SURF、BRIEF、Censure（即 StarDetector）、Freak、LUCID、Daisy、BEBLID、TEBLID、Self-similar（MSD）。

在头文件 modules/xfeatures2d/include/opencv2/xfeatures2d.hpp 中，模块被进一步组织为三个@defgroup：

• xfeatures2d_experiment（Experimental 2D Features Algorithms）：实验性特征检测与描述算法，即本框架的主体；
• xfeatures2d_nonfree（Non-free 2D Features Algorithms）：SIFT 与 SURF 两类众所周知曾受专利保护的算法。头文件明确说明："You need to set the OPENCV_ENABLE_NONFREE option in cmake to use those. Use them at your own risk."（使用前需在 CMake 中开启OPENCV_ENABLE_NONFREE，风险自负）；
• xfeatures2d_match（Experimental 2D Features Matching Algorithm）：两种匹配策略 —— GMS（Grid-based Motion Statistics，基于网格的运动统计，见 Bian 2017）与 LOGOS（Local geometric support for high-outlier spatial verification，见 Lowry 2018）。

值得注意的是，SIFT 在较新版本的 OpenCV 主仓库中已迁入features2d核心模块，而本仓库的nonfree.hpp中只保留了SURF及其两个历史别名SurfFeatureDetector、SurfDescriptorExtractor（见 nonfree.hpp），用于兼容旧代码。所有算法类统一继承自 OpenCV 的Feature2D（除 PCTSignatures/PCTSignaturesSQFD 继承Algorithm），这意味着它们都可以无缝接入detect()、compute()、detectAndCompute()标准接口以及BFMatcher/FlannBasedMatcher匹配流程。

编译与启用：NONFREE 开关与权重数据下载

xfeatures2d 模块的构建配置位于 modules/xfeatures2d/CMakeLists.txt，其中有两个关键点直接影响功能完整性。

1. 非自由算法的开关

在使用 SURF（以及主仓库中的 SIFT）之前，必须在 CMake 配置阶段显式开启：

cmake -DOPENCV_ENABLE_NONFREE=ON <其他配置项>

该选项由 OpenCV 主仓库的统一构建系统处理；未开启时，SURF/SIFT 相关类不会随库导出。这是开源合规层面的硬性前置条件，而非性能调优选项。

2. BoostDesc / VGG 权重文件的自动下载

BoostDesc 与 VGG 是数据驱动的描述子，其弱学习器参数 / 卷积核权重以外部.i数据文件形式提供。CMake 构建时默认会通过 cmake/download_boostdesc.cmake 与 cmake/download_vgg.cmake 从 opencv_3rdparty 下载 7 个 boostdesc 文件（boostdesc_bgm.i、boostdesc_bgm_bi.i、boostdesc_bgm_hd.i、boostdesc_binboost_064/128/256.i、boostdesc_lbgm.i）和 4 个 VGG 文件（vgg_generated_48/64/80/120.i），每个文件均带 SHA/MD5 哈希校验（例如vgg_generated_120.i的哈希为151805e03568c9f490a5e3a872777b75）。

CMakeLists.txt 中的对应逻辑是：

• 下载成功 → 为 src/boostdesc.cpp / src/vgg.cpp 追加编译宏OPENCV_XFEATURES2D_HAS_BOOST_DATA/OPENCV_XFEATURES2D_HAS_VGG_DATA，并把这些数据目录加入头文件搜索路径；
• 下载失败 → 打印 WARNING："Boost descriptor implementation is not available due to missing data"，此时相关描述子不可用；
• 设置OPENCV_SKIP_FEATURES2D_DOWNLOADING=ON可以跳过自动下载（适用于离线构建或已手动放置权重文件的场景）。

仓库还提供了 samples/export-boostdesc.py，说明 boostdesc 的.i头文件是从原始二进制权重用该脚本导出的，供复现与研究使用。

非自由特征算法：SURF 的完整参数指南

SURF（Speeded Up Robust Features）是模块中唯一保留的非自由算法，实现在 src/surf.cpp，并配有 CUDA 版本 src/cuda/surf.cu、OpenCL 版本 src/opencl/surf.cl 以及对应的 CPU/GPU 性能测试（perf/perf_surf.cpp、perf/perf_surf.cuda.cpp、perf/perf_surf.ocl.cpp）。

创建接口与参数表

根据 nonfree.hpp，SURF::create的签名为：

Ptr<SURF> SURF::create(double hessianThreshold = 100, int nOctaves = 4, int nOctaveLayers = 3, bool extended = false, bool upright = false);

SURF_Impl（见 src/surf.hpp）还实现了read/write序列化：将hessianThreshold、extended、upright、nOctaves、nOctaveLayers持久化到 FileStorage，方便用 YAML/XML 保存和加载检测器配置。

实际使用示例

仓库示例 samples/surf_matcher.cpp 展示了完整的 SURF 匹配管线：创建SURF::create(hessian)检测器 →detectAndCompute提取特征与描述子 → 特征匹配 → 取前 15%（上限 50 对）良好匹配 →findHomography计算单应性矩阵并在场景图中绘制目标框。示例将GOOD_PORTION = 0.15f、GOOD_PTS_MAX = 50作为匹配筛选策略，并统计最小/最大匹配距离，是理解 SURF 工程化调用的直接参考。

实验性二进制描述子：BRIEF、FREAK、LATCH、BEBLID、TEBLID

二进制描述子以"比较像素对强度"生成比特串，配合汉明距离（NORM_HAMMING）匹配，速度与内存占用远低于浮点描述子，是嵌入式与实时场景的主力。

BRIEF（Binary Robust Independent Elementary Features）

BriefDescriptorExtractor定义于 xfeatures2d.hpp：

Ptr<BriefDescriptorExtractor> BriefDescriptorExtractor::create(int bytes = 32, bool use_orientation = false);

• bytes：描述子字节长度，合法值为16、32（默认）、64；
• use_orientation：是否按关键点方向采样模式，默认关闭。

FREAK（Fast Retina Keypoint）

FREAK 模拟人类视觉系统的视网膜采样模式，通过级联二进制串比较图像强度，相比 SIFT/SURF/BRISK 计算更快、内存占用更低，特别适合嵌入式应用（见 xfeatures2d.hpp）。类内定义三个编译期常量：NB_SCALES = 64、NB_PAIRS = 512、NB_ORIENPAIRS = 45。

Ptr<FREAK> FREAK::create(bool orientationNormalized = true, bool scaleNormalized = true, float patternScale = 22.0f, int nOctaves = 4, const std::vector<int>& selectedPairs = std::vector<int>());

• orientationNormalized：是否启用方向归一化；
• scaleNormalized：是否启用尺度归一化；
• patternScale：描述模式的缩放比例（默认 22.0）；
• nOctaves：关键点覆盖的八度数量（默认 4）；
• selectedPairs：（可选）用户自定义的采样对索引，默认由算法自动选取。

LATCH（Learned Arrangements of Three Patch Codes）

LATCH 基于"三元图像块"的学习式比较生成二进制描述子（论文见头文件注释，arXiv:1501.03719），其create定义于 xfeatures2d.hpp：

Ptr<LATCH> LATCH::create(int bytes = 32, bool rotationInvariance = true, int half_ssd_size = 3, double sigma = 2.0);

• bytes：描述子大小，可取64、32、16、8、4、2、1；
• rotationInvariance：是否补偿方向变化。若开启，必须配合能估计方向（角度，单位度）的检测器，如 ORB、SIFT；
• half_ssd_size：迷你 patch 的半边长。例如比较 7×7 的三元块时取(7-1)/2 = 3；
• sigma：计算前对图像做高斯模糊的 σ；为 0 时不模糊。

LATCH 可与任意关键点提取器搭配，配套的完整示例位于samples/cpp/tutorial_code/xfeatures2D/latch_match.cpp（该示例位于 OpenCV 主仓库 samples 目录，不在本 contrib 仓库内）。

BEBLID（Boosted Efficient Binary Local Image Descriptor）

BEBLID 是用boosting 学习得到的二进制描述子，通过比较关键点周围不同区域的平均灰度差值来编码（实现在 src/beblid.cpp，核心数据结构为ABWLParams——描述一个 Average Box 弱学习器的 6 个参数：两个方框坐标、方框半径与阈值）。它的关键设计是scale_factor参数让同一个描述子适配任意检测器：

Ptr<BEBLID> BEBLID::create(float scale_factor, int n_bits = BEBLID::SIZE_512_BITS); // 枚举：SIZE_512_BITS = 100, SIZE_256_BITS = 101

scale_factor的推荐取值（来自 xfeatures2d.hpp）：

n_bits决定描述子位数（512 或 256 位），每位对应一个 boosting 弱学习器。头文件还给出可验证的基准数据：在 AKAZE 匹配示例中检测 10000 个 ORB 关键点，用 BEBLID 描述获得561 个内点（75%），而用 ORB 自身描述仅493 个内点（63%）。

TEBLID（Triplet-based Efficient Binary Local Image Descriptor）

TEBLID 是 BEBLID 的改进版（曾用名 BAD），引入triplet loss、难例挖掘（hard negative mining）与 anchor swap提升匹配精度（见 xfeatures2d.hpp），每位是一个 box average 差值：

Ptr<TEBLID> TEBLID::create(float scale_factor, int n_bits = TEBLID::SIZE_256_BITS); // 枚举：SIZE_256_BITS = 102, SIZE_512_BITS = 103

scale_factor的推荐取值与 BEBLID 完全一致。头文件中的基准数据显示：同样的 AKAZE 示例（10000 个 ORB 关键点），TEBLID 用256 位即获得621 个内点（75.2%），超过 BEBLID 的 512 位（561 内点/75%）与 ORB 的 493 内点（63%）——体现了 triplet 训练目标带来的"更紧凑且更判别"优势。TEBLID 与 BEBLID 的训练数据均来自 UBC 数据集 Liberty split。

浮点与学习型描述子：DAISY、VGG、BoostDesc

DAISY

DAISY 是稠密/半稠密场景常用的浮点描述子，围绕关键点做径向（radial）与角度（angular）网格采样并统计梯度直方图，实现在 src/daisy.cpp。其create（xfeatures2d.hpp）：

Ptr<DAISY> DAISY::create(float radius = 15, int q_radius = 3, int q_theta = 8, int q_hist = 8, DAISY::NormalizationType norm = DAISY::NRM_NONE, InputArray H = noArray(), bool interpolation = true, bool use_orientation = false);

参数含义：

• radius：初始尺度上描述子的半径；
• q_radius：径向范围划分数量；
• q_theta：角度范围划分数量；
• q_hist：梯度方向范围划分数量；
• norm：归一化方式，枚举值NRM_NONE = 100（默认，不归一化）、NRM_PARTIAL = 101（各直方图独立按 L2 范数 1.0 归一化）、NRM_FULL = 102（描述子整体按 L2 范数 1.0 归一化）、NRM_SIFT = 103（整体归一化但单维不超过 0.154，与 SIFT 相同约束）；
• H：可选的 3×3 单应矩阵，用于扭曲 DAISY 采样网格（关键点本身仍保持未扭曲采样）；
• interpolation：是否启用插值，关闭可提速但质量略降；
• use_orientation：是否按关键点方向采样，默认关闭。

DAISY 还提供多个重载的compute（含 ROI 计算与全图逐像素计算）以及GetDescriptor/GetUnnormalizedDescriptor底层接口，适合需要任意位置取描述子的稠密匹配场景。

VGG（Oxford Visual Geometry Group 描述子）

VGG 是端到端训练的描述子（"Descriptor Learning Using Convex Optimisation"，DLCO），训练权重以.i文件形式随构建下载（见上文 CMake 部分）。其接口（xfeatures2d.hpp）：

Ptr<VGG> VGG::create(int desc = VGG::VGG_120, float isigma = 1.4f, bool img_normalize = true, bool use_scale_orientation = true, float scale_factor = 6.25f, bool dsc_normalize = false);

• desc：描述子类型，枚举VGG_120 = 100（默认，120 维 float）、VGG_80 = 101、VGG_64 = 102、VGG_48 = 103；
• isigma：图像预模糊的高斯核 σ（默认 1.4f）；
• img_normalize：是否对图像采样强度归一化（默认开启）；
• use_scale_orientation：是否按关键点方向采样（默认开启）；
• scale_factor：采样窗口缩放因子，6.25f适配 KAZE/SURF，6.75f适配 SIFT，5.00f适配 AKAZE/MSD/AGAST/FAST/BRISK，0.75f适配 ORB；
• dsc_normalize：是否把描述子截断到 255 并转为CV_8UC1（默认关闭，保持浮点）。

BoostDesc（Learning Image Descriptors with Boosting）

BoostDesc 用 boosting 学习图像描述子，权重同样来自下载的.i文件。其变体众多（xfeatures2d.hpp）：

Ptr<BoostDesc> BoostDesc::create(int desc = BoostDesc::BINBOOST_256, bool use_scale_orientation = true, float scale_factor = 6.25f);

desc枚举与语义：

其余变体（如 BGM 默认）使用 ASSIGN_SOFT 软分箱：梯度按梯度角与箱中心的余弦值分配到最近的 8 个箱。scale_factor建议与 VGG 相同（SIFT 用 6.75f、ORB 用 0.75f 等），原始实现默认 1.50f。注意：BoostDesc 的read/write未暴露于公开接口，但参数可通过setUseScaleOrientation/setScaleFactor运行时调整。

实验性关键点检测器与仿射框架

StarDetector（Censure / CenSurE 检测器）

StarDetector即 README 中提到的Censure算法（Agrawal et al. 2008，CenSurE），定义于 xfeatures2d.hpp：

Ptr<StarDetector> StarDetector::create(int maxSize = 45, int responseThreshold = 30, int lineThresholdProjected = 10, int lineThresholdBinarized = 8, int suppressNonmaxSize = 5);

各参数分别控制候选特征的最大尺寸、响应阈值、投影/二值化线阈值以及非极大值抑制窗口尺寸。Java 绑定测试 misc/java/test/STARFeatureDetectorTest.java 中对该检测器有完整调用示例。

MSD（Maximal Self-Dissimilarity）检测器

MSD 基于"上下文自不相似性"思想：图像块在其较大邻域内与周围高度不相似，则具有可重复性与判别性（见 xfeatures2d.hpp）：

Ptr<MSDDetector> MSDDetector::create(int m_patch_radius = 3, int m_search_area_radius = 5, int m_nms_radius = 5, int m_nms_scale_radius = 0, float m_th_saliency = 250.0f, int m_kNN = 4, float m_scale_factor = 1.25f, int m_n_scales = -1, bool m_compute_orientation = false);

参数包括 patch 半径、搜索区域半径、NMS 半径（及跨尺度 NMS 半径）、显著性阈值（默认 250.0）、kNN 近邻数（默认 4）、尺度因子（默认 1.25）、尺度数量（-1 表示自动）以及是否计算方向。性能测试见 perf/perf_msd.cpp，其尺度金字塔实现位于 src/msd_pyramid.hpp。

仿射不变框架：HarrisLaplace、AffineFeature2D、TBMR、Elliptic_KeyPoint

• Elliptic_KeyPoint（xfeatures2d.hpp）：继承自KeyPoint，额外携带椭圆长短轴axes、积分尺度si以及图像空间到局部 patch 空间的 2×3 变换矩阵transf，用于表达仿射不变的关键点区域；
• HarrisLaplaceFeatureDetector（xfeatures2d.hpp）：在尺度空间金字塔上结合 Harris 角点响应（corn_thresh）与 DoG 尺度选择（DOG_thresh）检测仿射区域，参数含numOctaves = 6、maxCorners = 5000、num_layers = 4，实现见 src/harris_lapace_detector.cpp；
• AffineFeature2D（xfeatures2d.hpp）：一个包装器，把任意检测器+描述子组合包装为仿射不变版本——先检测关键点并用仿射适配补充椭圆区域，再把区域扭曲成圆后计算描述子，接口与Feature2D等价但作用于Elliptic_KeyPoint；
• TBMR（Tree Based Morse Regions）（xfeatures2d.hpp）：基于 Morse 理论与组件树（Min/Max）的仿射特征提取（类似 MSER 但两者互斥），输出椭圆特征，参数含min_area = 60、max_area_relative = 0.01f（相对图像面积的区域上限）、scale_factor = 1.25f、n_scales = -1，实现见 src/tbmr.cpp；
• FASTForPointSet（xfeatures2d.hpp）：一个实用函数，对已给定的关键点集合按 FAST 准则评估角点响应并剔除不合格点，支持TYPE_9_16 / TYPE_7_12 / TYPE_5_8三种邻域类型与可选的 NMS，实现在 src/fast.cpp（该文件内含基于 SSE2 优化的角点打分内核）。

LUCID 与 PCTSignatures：颜色与位置-颜色-纹理签名

LUCID（Locally Uniform Comparison Image Descriptor）

LUCID 是可在彩色图像上极快计算的局部均匀比较描述子（xfeatures2d.hpp），稳健性接近 SURF/BRIEF：

Ptr<LUCID> LUCID::create(const int lucid_kernel = 1, const int blur_kernel = 2);

• lucid_kernel：描述子构造核，1=3×3、2=5×5、3=7×7 依此类推；
• blur_kernel：构造前图像模糊核，规则同上。

注意：该描述子要求彩色图像作为输入（头文件明确标注 "It requires a color image as input"）。

PCTSignatures（Position-Color-Texture Signatures）

PCT 签名提取把图像表示为一组带权特征点集（签名），用于图像检索与相似度度量，实现在 src/pct_signatures.cpp（配套采样器/聚类器位于 src/pct_signatures/）。签名是SIGNATURE_DIMENSION 维点的数组，维度依次为：权重、x、y 位置、Lab 颜色、对比度、熵。

创建方式有三种（xfeatures2d.hpp）：

// 1) 自动生成采样点与种子 Ptr<PCTSignatures> PCTSignatures::create(int initSampleCount = 2000, int initSeedCount = 400, int pointDistribution = 0); // UNIFORM // 2) 使用预生成采样点 + 自动种子 Ptr<PCTSignatures> PCTSignatures::create(const std::vector<Point2f>& initSamplingPoints, int initSeedCount); // 3) 采样点与种子索引均由用户指定 Ptr<PCTSignatures> PCTSignatures::create(const std::vector<Point2f>& initSamplingPoints, const std::vector<int>& initClusterSeedIndexes);

内部由采样器（sampler）与聚类器（clusterizer）两部分组成：采样器按给定坐标采样特征，聚类器用 k-means 将样本聚簇，聚类结果即图像签名。公开参数包括：PointDistribution（UNIFORM/REGULAR/NORMAL 三种采样点分布）、各特征轴权重（setWeightX/Y/L/A/B/Contrast/Entropy，索引WEIGHT_IDX=0, X_IDX=1, ..., ENTROPY_IDX=7）、平移（setTranslation(s)）、灰度位数GrayscaleBits、纹理窗口半径WindowRadius、k-means 迭代数、MaxClustersCount、ClusterMinSize、JoiningDistance、DropThreshold以及DistanceFunction（L0_25, L0_5, L1, L2, L2SQUARED, L5, L_INFINITY）。drawSignature静态方法可把签名以圆形可视化（半径基于权重、颜色基于颜色分量）。

配套的PCTSignaturesSQFD（xfeatures2d.hpp）计算两个签名的Signature Quadratic Form Distance：

Ptr<PCTSignaturesSQFD> PCTSignaturesSQFD::create(int distanceFunction = 3 /*L2*/, int similarityFunction = 2 /*HEURISTIC*/, float similarityParameter = 1.0f);

相似度函数可选MINUS（-d(c_i,c_j)）、GAUSSIAN（e^{-α·d²}）、HEURISTIC（1/(α+d)），实现见 src/pct_signatures_sqfd.cpp。仓库提供了两个直接可运行的示例：samples/pct_signatures.cpp 与实时摄像头版本 samples/pct_webcam.cpp。

匹配策略：GMS 与 LOGOS

GMS（Grid-based Motion Statistics）

GMS 通过把图像划分为网格、统计相邻网格中的匹配运动一致性来剔除错误匹配，能显著提升 ORB 等描述子的匹配质量。接口（xfeatures2d.hpp）：

void matchGMS(const Size& size1, const Size& size2, const std::vector<KeyPoint>& keypoints1, const std::vector<KeyPoint>& keypoints2, const std::vector<DMatch>& matches1to2, CV_OUT std::vector<DMatch>& matchesGMS, const bool withRotation = false, const bool withScale = false, const double thresholdFactor = 6.0);

参数：两幅图像尺寸、各自关键点、输入的 1-NN 粗匹配、输出精匹配集合；withRotation/withScale在存在大旋转/尺度变化时置为 true；thresholdFactor越大返回匹配越少（默认 6.0）。头文件附带的实践建议非常关键：

• GMS 在特征数量大时效果最好，推荐 ORB 特征并将 FAST 阈值设为 0以快速获取尽可能多的特征；
• 640×480 的图像通常使用10000 个特征；
• 匹配效果不佳时优先增加特征数量。

完整调用链可参考 samples/gms_matcher.cpp，测试覆盖见 test/test_gms_matcher.cpp。

LOGOS（Local geometric support for high-outlier spatial verification）

LOGOS 面向大规模数据库检索场景的匹配后验证（xfeatures2d.hpp）：

void matchLOGOS(const std::vector<KeyPoint>& keypoints1, const std::vector<KeyPoint>& keypoints2, const std::vector<int>& nn1, const std::vector<int>& nn2, CV_OUT std::vector<DMatch>& matches1to2);

使用前提：先从代表性图像数据库构造词袋（Bag-of-Words, BoW），再把每幅图像的描述子映射为最近 BoW 质心索引（nn1/nn2），最后用局部几何支持筛选高外点率场景下的正确匹配。实现位于 src/logos.cpp，配套数据结构在 src/logos/（Point、PointPair、Match、Logos 等），测试见 test/test_logos_matcher.cpp。

示例、测试与语言绑定

• 示例（samples/）：除上文提到的surf_matcher.cpp、gms_matcher.cpp、pct_signatures.cpp、pct_webcam.cpp外，还有 samples/bagofwords_classification.cpp（词袋分类，与 BoostDesc/VGG 等学习型描述子配合使用）、samples/video_homography.cpp（视频序列单应性估计）、samples/shape_transformation.cpp 以及export-boostdesc.py（权重导出工具）；
• 性能测试（perf/）：perf_beblid.cpp、perf_daisy.cpp、perf_latch.cpp、perf_msd.cpp、perf_surf.cpp（含 CUDA/OCL 变体）、perf_teblid.cpp、perf_vgg.cpp，可作为各算法在不同后端（CPU/CUDA/OpenCL）上的性能基准参考；
• 单元测试（test/）：test_detectors.cpp、test_features2d.cpp、test_keypoints.cpp、test_rotation_and_scale_invariance.cpp（旋转与尺度不变性验证）、test_gms_matcher.cpp、test_logos_matcher.cpp，以及 CUDA/OpenCL 版 SURF 测试，覆盖了各算法参数合法性与鲁棒性断言；
• 语言绑定（misc/）：Java 绑定测试覆盖 DAISY、FREAK、HARRIS、LATCH、LUCID、MSD、STAR、SURF 等（misc/java/test/）；Python 绑定测试见 misc/python/test/test_descriptors.py 与test_cuda_xfeatures2d.py；ObjC 绑定信息见 misc/objc/gen_dict.json。

小结与选型建议

以 README.md 的定义为骨架，本模块的实际价值在于：

• 实时嵌入式场景优先选择二进制描述子：FREAK（视网膜模式、免学习）、LATCH（学习式三元块比较）、BEBLID/TEBLID（boosting/triplet 学习、scale_factor一参适配所有检测器，TEBLID 在更短位数下精度更高），匹配时使用NORM_HAMMING；
• 需要旋转/尺度鲁棒的浮点描述子选择 DAISY（支持归一化模式与 ROI/逐像素计算）、VGG 或 BoostDesc（需联网下载权重数据）；
• 非自由算法 SURF需先开启OPENCV_ENABLE_NONFREE，并按 Hessian 阈值（建议 300~500）、金字塔结构与 extended/upright 标志做针对性调优；
• 匹配后处理在大规模检索场景用 LOGOS（需先构建 BoW），在常规两图匹配场景用 GMS（配 ORB + FAST 阈值 0、特征数以万计效果最佳）；
• 仿射不变需求（视角变化剧烈的纹理匹配）可使用 HarrisLaplace 检测器 +AffineFeature2D包装或 TBMR；
• 图像检索/相似度度量可直接使用 PCTSignatures + PCTSignaturesSQFD 的组合，无需关键点检测。

所有算法的接口与参数均以 xfeatures2d.hpp 与 nonfree.hpp 为权威定义，构建期行为以 CMakeLists.txt 为准；建议在集成前阅读对应src/*.cpp实现与perf/、test/目录下的测试代码，结合自身数据验证参数效果。

• 计算机视觉
• 图像处理
• 机器学习